天工AI的深度研究模式并不是简单把搜索结果拼在一起，而是会按照研究问题的逻辑执行多轮检索、资料筛选和观点归纳。相比普通对话，它更适合处理信息量较大、需要交叉验证的课题，例如行业分析、政策梳理、产品竞品调研等。使用前先明确研究目标，再把任务交给系统，可以有效减少后续修改成本。
一、明确研究主题与入口选择
进入天工AI的网页端或客户端后，需要先找到深度研究入口。不同版本界面存在差异，但通常会在对话框附近提供研究模式、深度研究或长文创作等选项。深度研究模式与普通问答的主要区别在于，它会自动拆解研究问题，并尝试从多个来源获取信息，而不是只给出一段简短回答。因此，在使用前先把主题聚焦到可执行的范围，能显著提升输出质量。
一个常见的误区是直接输入宽泛主题，例如直接写“人工智能对教育的影响”。这种情况下，天工AI可能会返回覆盖面很广但深度不足的内容。更好的做法是把主题拆成一个可研究的问题，例如“生成式人工智能在高校编程教学中的具体应用方式、实施成本与教学效果”。这样系统在检索时会围绕更明确的关键词组合展开，资料收集的准确率也会提高。如果第一次生成的结果仍显松散，可以在追问中继续限定地区、时间、学段等条件。
二、资料收集的指令设计与筛选
天工AI深度研究能否收集到高质量资料，很大程度上取决于指令是否清晰。直接丢给系统一句话，它也能返回内容，但真正好用的资料清单需要你主动提出结构、来源和数量要求。下面是一段经过验证的提示词模板，可以直接复制到天工AI中，根据自身课题修改主题和维度。
角色：你是一名资深行业研究员，请围绕以下主题做深度研究。 主题：生成式人工智能在医疗领域的落地路径 要求： 1. 检索近三年权威来源，包括期刊、政府报告、头部企业白皮书。 2. 输出资料清单，每条包含标题、来源、发布时间、核心结论。 3. 按技术成熟度、政策环境、商业案例三个维度分类。 4. 最后生成一份三层提纲，标注每部分所需数据。
这段指令的作用不是让天工AI自由发挥，而是给它划定了清晰的输出边界。要求列出标题、来源和发布时间，可以避免系统只给出概括性描述；要求按维度分类，则相当于提前完成了资料的初步归类。实际使用中，你还可以补充“优先选取同行评议来源”“排除软文和产品广告”等限制条件，进一步提高资料可用性。
拿到资料清单后，不要直接进入写作环节，可以先做一轮人工筛选。天工AI给出的引用有时会存在链接失效或来源权威性不足的情况，需要重点检查政府网站、高校数据库和知名机构报告。对于存疑的数据，可以在当前对话中继续追问，例如“请重新核实第三条资料中的市场规模数据，并补充来源”。这种追问能触发系统进行二次检索，往往能修正初轮结果的偏差。
三、提纲生成与结构化输出
在资料收集完成后，天工AI会根据已有信息生成研究提纲。提纲质量决定了后续写作的流畅程度，因此不能只看层级是否完整，还要检查逻辑关系是否合理。一个实用的方法是让天工AI先生成三层提纲，第一层为章节标题，第二层为主要论点，第三层为支撑数据或案例。这样你可以在开始写报告前，快速判断哪些部分资料充足，哪些部分还需要补充。
例如针对前述医疗领域主题，天工AI可能生成类似下面的提纲结构：第一层是技术落地现状，第二层包括医学影像、辅助诊断、药物研发三个方向，第三层分别对应具体产品案例和临床数据。如果发现某个分支只有案例而没有数据支撑，你可以回复“请在辅助诊断部分增加近三年的临床对照研究数据”，系统会继续补充并改写对应段落。
提纲确定后，可以要求天工AI直接输出带有小标题和引用标记的正文。为了提高可编辑性，建议在指令中写明输出格式，例如“正文使用中文，每个小节不超过500字，引用处用方括号标注来源编号”。这样生成的初稿结构清晰，后期人工修改时只需要调整表述和核实关键数据，不必再重新组织文章框架。
四、常见误区与质量把控
深度研究模式虽然能大幅提升效率，但它并不能完全替代人工判断。最常见的误区是过度信任来源摘要，认为所有引用都真实可靠。事实上，大模型在归纳长文本时仍可能出现张冠李戴或数据夸张的情况。因此，重要数据、政策名称和结论一定要回到原始来源中核实，尤其是涉及具体数字或引用官方文件名称时。
另一个常见问题是重复使用同一来源导致观点单一。天工AI有时会优先抓取易于获取的网页内容，如果这些内容本身互相引用，最终资料清单看似丰富，实际信息源却高度重叠。解决办法是在指令中明确要求“至少覆盖五种不同类型的来源”，并指定需要包含一种非中文来源或一种政府来源。这样可以迫使系统扩大检索范围，降低单一信源带来的偏差。
最后，把天工AI定位成研究助手而不是替代研究者，是保证输出质量的关键。你可以让它完成检索、归类、提纲搭建和初稿生成，但最终的逻辑校验、观点取舍和文字打磨仍需要人工完成。尤其在专业领域，术语准确性、行业常识和合规判断都必须由使用者把关。把机器的高效和人的判断结合起来，才能真正把深度研究做扎实。