最近看到 @数字生命卡兹克 分享了一个他用了两年的深度研究 Prompt，号称半小时能搞懂任何陌生领域。我仔细读完后，觉得这套方法论确实有东西——不是那种"万能模板"式的心灵鸡汤，而是一套真正可操作的研究框架。

原文出处：分享一个我用了2年的深度研究Prompt，半小时帮你搞懂任何陌生领域

这个Prompt在解决什么问题？

大多数人在面对一个陌生领域时，最常见的做法是：搜一堆文章，东看西看，花三五天建立一个模糊的认知。问题不在于信息不够多，而在于没有一个结构化的提问框架——你不知道该从哪些角度去切入，信息之间也串不起来。

卡兹克的解决方案叫「横纵分析法」，本质上是把语言学和社会科学里经典的研究视角（索绪尔的历时/共时分析、纵向/横截面研究）抽离出来，封装成一个 AI 可以直接执行的 Prompt。

这个思路本身就很聪明：好的 Prompt 不是让 AI 随便回答，而是把人类已有的方法论编码进去，让 AI 按照经过验证的框架去执行。

两条轴到底在追什么？

纵向：时间深度

纵向分析要求 AI 沿着时间线，把研究对象从诞生到现在的完整故事还原出来。不是罗列年表，而是要讲清楚每个关键节点背后的决策逻辑——为什么选了 A 而不是 B？当时的约束条件是什么？

这一点非常关键。很多研究报告的问题是"知道发生了什么，但不知道为什么"。比如你研究 Cursor，如果只知道"2024年发布了 Composer 功能"，那只是信息搬运。但如果能理解为什么 Anysphere 在那个时间点选择做 Composer、当时竞品在做什么、这个决策背后的技术赌注是什么，你才真正理解了这个产品。

横向：同期广度

横向分析是在当下时间点做切面，把研究对象和竞品放在一起比。但这里有个细节设计得很好——它区分了三种场景：

  • 无直接竞品（新品类/独占领域）→ 分析为什么没有竞品、潜在竞争者可能从哪冒出来
  • 少量竞品（1-2个）→ 逐一深入对比
  • 竞品充分（3个以上）→ 选最有代表性的 3-5 个展开

这个分场景处理的设计比"请对比所有竞品"要高明得多。现实世界里很多东西确实没有直接竞品，硬比反而会出问题。

交汇：真正的洞察

最有价值的部分是最后的「横纵交汇」——把纵向的发展脉络和横向的竞争格局交叉起来看。卡兹克的原话说得很精准：

纵向告诉你它是怎么走到今天的，横向告诉你它今天站在哪。两条轴一交叉，你就能看到一些单独看任何一条轴都看不到的东西。

举个具体的例子。假设你在研究新能源汽车电池技术：纵向看，你发现某家公司早期押注了磷酸铁锂路线，当时行业普遍认为能量密度不够、不主流；横向看，它当前在成本控制和安全性上优于多数三元锂竞品。交汇分析则能揭示：这个成本优势正是源于当年那个不被看好、但如今被证明是务实的"保守"技术路线选择。 单看纵向只会觉得"它选了磷酸铁锂"，单看横向只会觉得"它成本低"，只有两条轴交叉，才能看到因果关系。

为什么这个Prompt比大多数"研究模板"好用？

我见过太多所谓的"深度研究 Prompt"，本质上就是让 AI "请从背景、现状、趋势三个角度分析xxx"。这种 Prompt 的问题是颗粒度太粗，AI 会给你一个泛泛而谈的八股文。

卡兹克这个 Prompt 的优势在于：

  1. 每个维度都有具体的执行指令。不是"分析一下历史"，而是要求追溯起源、梳理演进历程、还原决策逻辑，而且明确要求"不要写成干巴巴的年表"。

  2. 写作风格有明确约束。要求"叙事驱动，不是罗列驱动"、"用人话写"、"避免咨询公司式套话"。这一点很多人忽略，但其实 Prompt 里对输出风格的约束，直接决定了你拿到的报告能不能读得下去。

  3. 篇幅有自适应机制。纵向分析 6000-15000 字、横向 3000-10000 字、交汇总结 1500-3000 字。它不是拍脑袋定的数字，而是根据研究对象的复杂度动态调整——历史越长越详细，竞品越多越展开。

  4. 对不确定性的诚实标注。要求"如果某些信息无法确认，明确标注为推测"。这一点在 AI 生成内容中尤为重要——你必须知道哪些是事实、哪些是模型推测的。

社区反馈：近 8000 star 意味着什么？

这个 Prompt 背后的 GitHub 仓库上线不到一个月，已经收获了 7994 个 star 和 1184 个 fork。在 AI 工具类仓库里，这个增速相当惊人。

从社区反馈来看，用户评价集中在几个点：

  • 上手门槛低：只需改一行「研究对象 = xxx」就能用，不需要理解复杂的 Prompt 工程技巧
  • 报告可读性好：卡兹克在 Prompt 里加入了写作 Skill 的风格约束，出来的报告不像咨询公司的八股文，更像是"能从头读到尾的深度报道"
  • 适用范围广：从技术概念（MCP 协议、RAG）到公司分析（Anthropic、字节跳动），从游戏（洛克王国）到时事（国际关系），都能用同一套框架

社区也暴露了一些值得注意的问题。比如有用户在 issue 中指出，Prompt 里用了"当前时间"这样的绝对表述，容易导致模型硬编码日期——后来仓库做了修复，改为相对时间描述。这说明再好的 Prompt 也需要在实际使用中持续迭代。

实际使用建议

模型选择很重要。 它需要支持 Deep Research / 深度研究功能的模型才能发挥最佳效果，比如 ChatGPT 的 Deep Research、Claude 的深度研究模式、豆包的专家模式、DeepSeek 的专家模式。这些模式会真正联网搜索、交叉验证，一次任务通常 10 分钟以上，出来的报告质量明显高于普通联网搜索。如果只用普通联网搜索的模型，不到一分钟就出结果，效果会大打折扣——这是卡兹克自己也坦诚承认的局限。

研究对象的定义要精确。 "AI" 太宽泛，"Claude Code 的终端集成能力" 就好得多。Prompt 的效果跟研究对象的颗粒度直接相关——越精确，纵向的故事线越清晰，横向的竞品对比也越有针对性。

报告是起点，不是终点。 这个 Prompt 能帮你快速建立认知框架，但它替代不了深入的、亲自下场的研究。最好的用法是：拿到报告后快速通读建立框架，然后针对感兴趣的点再去深挖。卡兹克自己的说法是："横纵分析法生成的 AI 报告 + 自己深挖的组合，比从零开始的效率高太多了。"

已收录到提示词库

这个 Prompt 已经收录到了本站的提示词库，可以直接查看和复制：

横纵分析法 Deep Research Prompt

如果你用 Claude Code 或 Codex 这类 Agent 工具，卡兹克还把这套方法论封装成了一个叫 hv-analysis 的 Skill，装上之后直接说「帮我研究一下 xxx」就能自动执行，还支持联网搜索和 arxiv 论文查询，最后会生成一份排版好的 PDF 报告。完整开源仓库在 GitHub 上可以找到。

说实话，看到这个 Prompt 的时候，我欣赏的不只是模板本身。模板谁都能写，但把人类积累的系统性研究方法论（历时/共时分析、纵向/横截面研究）提炼出来，用 AI 能理解的方式重新编码——这个思路本身值得思考。

Prompt Engineering 有很多方向：有人在研究怎么精确控制输出格式，有人在探索多轮对话设计，有人在优化 Agent 的工具调用。卡兹克走的是另一条路：把人类已有的思维框架变成 AI 可执行的结构化指令。这两种方向并不矛盾，但后者往往被忽略——大家都在琢磨"怎么让 AI 更听话"，却很少有人思考"人类已经有哪些好的思维方法，可以借 AI 之力大规模执行"。

卡兹克说得好：这个时代做研究，真正稀缺的不再是信息，而是你对这个世界有多好奇。而一套好的研究框架，能让你的好奇心以更高的效率落地。

原文作者：@数字生命卡兹克 原文链接：微信公众号