終極 AI 文獻回顧法：善用深度研究，10 分鐘打造又深又廣、精準對接需求的文獻探討
近期，一位我協助輔導的法律系學生讓我印象深刻。他遇到的難題在於：試圖透過「軟法（Soft Law）」的概念，來尋找連帶關係人究責的突破點，期望在情理之外，也能在法理上為受害者提供實質協助。
然而，挑戰在於「軟法」本身缺乏強制性，加上台灣法律尚未跟上此趨勢，相關案例更是鳳毛麟角，導致研究一直找不到施力點。
如果是你，面對這種困境會如何進行文獻回顧？
Google Scholar、Semantic Search，還是 Perplexity？
這位學生上述工具全用上了，卻依然無法找到單點突破的破口。這其實反映了一個更棘手的本質：這類系統性問題通常呈「網狀結構」。雖然我們的學術訓練教導我們如何看穿系統性問題，但缺乏一個全面性的系統描述框架作為參考，我們很難憑空建構。就像學寫文章，還未能撰寫大部頭著作前，至少需要大師的作品來臨摹。
解決這個痛點的答案，其實就是 Deep Research（深度研究）。
Deep Research 已問世一陣子，而目前最讓我驚豔的，莫過於 OpenAI 提供的 ChatGPT Deep Research 版本。今天除了分享我們掌握的互動技巧，也會透過實際範例，帶大家了解它能做到什麼程度。
互動技巧
Deep Research 若運用得當，幾乎能涵蓋我們先前介紹過的「直接檢索」、「分析式檢索」及「回饋式檢索」的所有精髓。要與它完美協作，核心概念並不難，關鍵在於定義好 輸入層、輸出層 以及 作業原則 這三大準則。只要設定精準，它便能貼合需求進行深度搜尋，並產出一份結構完整的報告。
以下簡介這三大準則的定義方式：
1. 輸入層 (Input Layer)
輸入層的重點在於「情境對齊」。簡單來說，你要讓 Deep Research 清楚你的背景與研究方向。
具體該寫什麼？例如：研究目的、學術界現況，甚至是指導教授的具體批註意見。這些都是讓 AI 深入理解你處境的絕佳材料。這部分的說明若夠精準，等同於幫這份報告定義好了觀點陳述、搜尋方向，以及資料整合時的評估框架。
2. 輸出層 (Output Layer)
輸出層即是我們預設的「報告大綱」。
在實務上，不同階段有不同策略。例如在題目探索階段，文獻回顧目的是「寬而淺」的環境掃描，重點在看出「這領域目前在吵什麼」。此時的報告應著重於繪製研究領域地圖，列出子領域、主流理論或常見情境。此階段不求全面，但求方向正確。
而在理論/概念框架建構階段，任務則是從文獻中長出「你的研究架構圖」，釐清構念定義與差異。此時產出則需著重於架構邏輯及背後的文獻標記。
後文我們將展示一個模擬「題目探索階段」的深度研究報告，讓大家具體感受其中的差異。
3. 作業原則 (Operating Principles)
作業原則涵蓋了特殊要求與邊界設定。
例如，我們可以在此明列「反幻覺（Anti-Hallucination）」的要求，甚至指定執行反幻覺的檢查細項；此外，研究倫理的界限、引用邏輯、語氣風格等，也都屬於此範疇。
深度研究報告範例
只要妥善設定上述三大架構，就能確保 Deep Research 不會漫無邊際地探索，而是提供一份經過深思熟慮、結構嚴謹，且剛好符合你現階段任務需求的報告。
請記住：資訊過多或過少都不是好事。 一個動不動就搜尋上百條文獻的報告，初看豐富，實則會讓你淹沒在資訊洪流中，迷失方向。
下方提供一個實際的「題目探索階段」深度研究報告供參考。我們模擬了研究背景與輸出條件，要求報告聚焦於整理既有文獻與模型、找出類似研究設計、彙整關鍵變項與量表，並協助優化主題收斂。實際內容請見下圖：
透過這個簡單範例，你是否發現了過去忽略的 Deep Research 強大之處？建議現在就捲起袖子，實際實驗看看。
如果你還是抓不到竅門，這裡有個好消息：我們下週將舉辦近期研究成果分享會，會中也將正式公佈規劃已久的訂閱制【AI 論文實戰共學營】內容與招生資訊。
這場分享會完全免費，讓你比其他研究者搶先一步，掌握 AI 研究的正確起手式。