来源：X @JyNong26
AI研究常常只停留在表面结论，无法触及问题的深层本质。斯坦福OVAL实验室在2024年北美计算语言学协会（NAACL）上发表的STORM（Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking）研究系统，提供了一种创新的解决方案。该系统通过引导AI从多个独立专家视角审视话题，从而产出高质量、多维度的研究简报。
STORM方法的核心理念
STORM方法克服了传统AI研究中“单一视角盲区”的问题。大多数人使用AI时，往往是提出问题、获得答案的单向过程，这导致的结果是：
- 主流叙事压缩版：只能得到最常见、最普遍的观点。
- 缺乏一线实践者洞察：忽略了实际操作中的约束和细微之处。
- 遗漏怀疑者反证：错过了与主流观点相悖但同样重要的信息和数据。
- 忽视经济学家利益地图：未能理解资金流向如何影响研究的资助和发展。
- 缺少历史学家周期律：未从长远时间尺度中汲取经验教训。
STORM方法基于信息论，强调单一视角获取信息存在不可消除的结构性盲区。通过整合五种不同视角的信息，可以揭示信息之间的重叠（稳健性）和空白（未曾设想的信息），从而补上这些盲区。
四个提示词：多视角工作流
一位名为Nav（@heynavtoor）的作者将STORM背后的核心思维提炼成四个提示词，用户可以直接在Claude等AI模型中使用，无需配置复杂的软件环境，在几分钟内即可完成一次深度研究。这四个提示词构成了一个强制多视角的工作流：
- 多视角扫描：引导AI同时扮演实践者、学者、怀疑者、经济学家和历史学家五种角色。每个角色需提供其核心立场、最强证据以及只有该角色才能提供的独家信息。这能生成五份互相独立的简报。
- 矛盾地图：让这五个视角互相碰撞，找出直接冲突的论断，判断证据最强和最弱的一方，并确定一个关键问题，一旦解决此问题就能化解最大的矛盾。这一步是区分表面理解与专业深度的关键。如果所有视角都趋于一致，那么结论很可能真实可靠；如果某个话题无人提及，则可能发现了一个研究空白。
- 综合简报：将前两步获得的所有信息加以压缩整理，提炼成一份如CEO级别的摘要、五项按可靠性排序的关键发现、一条只有综合所有视角才能洞察的隐藏关联，以及一条具体可操作的行动建议。
- 同行评审：让AI自我评估，给出置信度评分、指出作业中最薄弱的环节、发现被过度代表的视角，并尝试指出可能被遗漏的第六个角度。此步骤弥补了系统缺乏自我批判机制的弱点，降低了偏误和事实错误的风险。
广泛的应用场景
STORM法在多种需要深度理解的场景中都表现出色：
- 文章或报告撰写：快速覆盖多元角度，丰富内容深度。
- 重大决策制定：从实践、怀疑、经济等角度全面评估风险和机遇。
- 求职面试准备：深度研究公司，展现充分准备。
- 投资分析：理解多空逻辑、历史借鉴、利益格局，识别潜在风险。
- 新技能学习：快速绘制领域地图，辨别核心与噪音。
- 商务谈判：理解对方激励结构、弱点和历史行为，占据优势。
- 演讲或汇报：提前预判并回答潜在质疑，提升说服力。
未来趋势与时间窗口
AI辅助研究的多视角方法正在形成一道方法论上的巨大差距。目前，掌握这种方法的人相比只依赖搜索引擎首条结果的人，拥有结构性优势。这种优势可能在未来18个月内尤为显著，因为在这之后，类似的AI工作流可能被内置到更多工具中，届时方法差将逐渐缩小，因此，抓住当前的时间窗口至关重要。这套方法论强调了思考的多维度和高度对于AI辅助研究成果质量的决定性作用，鼓励用户尽早掌握并运用这一强大的工具。