Toolify

研究总结 提示词 — 抽取主张、证据、矛盾

默认「总结一下」会产出有损的散文式摘要,把所有微妙之处的要点都丢失。本提示词抽取一个结构化对象 — 主张、证据类型、来源位置、文档间的矛盾 — 让你 60 秒扫完。

分类: research推荐模型: claude / perplexity / chatgpt
prompt
请总结下面的文档。以结构化表格输出,不用散文。

对每个主要主张,抽取:
  - 主张: <一句话>
  - 证据类型: <实证研究 / 理论论证 / 专家意见 / 轶事 / 无支撑>
  - 来源: <文档名 + 页码或章节>
  - 强度: <强 / 中 / 弱 — 基于证据类型与样本规模>
  - 注意点: <来源自身承认的局限>

表格之后加三节:

1. 矛盾: 列出文档之间不一致或一份文档的主张与另一份的数据冲突的地方。

2. 信心地图: 评定各主要主张的总体可信度 — 高 (多个强来源一致)、中 (一个强来源或多个弱来源)、低 (单个弱来源或无支撑)。

3. 缺什么: 一个细心读者读完这些文档后仍会有的 3-5 个问题。每个标记为「这些文档进一步阅读可解决」或「需要外部来源」。

硬性规则:
- 每个主张都要标页码或章节。无法标的写 [page unknown]。
- 不要在文档之上做综合。两个文档触及同一话题但没直接对比时,如实说明 — 不要捏造对比。
- 区分「文档主张 X」和「X 是真」。摘要报告被主张的内容,而不是正确的内容。

文档:

[粘贴全文或上传 PDF]

什么时候用

  • 做文献综述读 5-10 篇论文 — 每篇过一遍本提示词,然后比较信心地图找共识与缺口。
  • 评估供应商给的行业报告 — 强度列暴露报告哪里数据驱动、哪里在做营销。
  • 核对新闻报道 — 把报道+底层研究都喂进去,矛盾会立刻浮出。

模型提示

claude
最善于区分主张和证据类型。「不要综合」规则被 Claude (Sonnet 4.6+) 守得最好。
perplexity
文档在公网时强 — Perplexity 自动加来源验证。私有 PDF 用处小。
chatgpt
可用,但倾向把「无支撑」判定软化为「提及」。请明示: 「文档未引用数据就提出主张时,即使听上去合理也用 "无支撑"」。

示例: 三篇关于远程办公生产力的论文

| 主张 | 证据 | 来源 | 强度 | 注意 |
|---|---|---|---|---|
| 远程工作者自报生产力高 13% | 调查、n=2400 | Bloom 2024 p.7 | 中 | 自报偏差已声明 |
| 远程降低团队创新 | 定性访谈、n=42 经理 | Smith 2023 p.14 | 弱 | 样本偏经理,非 IC |
| 混合 (一周 3 天) 在留任率上胜过全远程 | 一家公司的 A/B | Chen 2025 p.22 | 中 | 单家公司,泛化性疑 |

矛盾:
- Bloom 2024 报告生产力上升;Smith 2023 通过「创新下降」暗示生产力下降。两者生产力定义不同 — Bloom = 单位时间产出,Smith = 战略产出。直接不可比。

信心地图:
- 「远程改变生产力」 → 高 (效应明确,方向有争议)
- 「远程降低创新」 → 中 (单一研究,定性)
- 「混合最优」 → 低 (单家公司 A/B)

缺什么:
1. 对初级员工的特定影响 [需外部来源]
2. 行业级细分 [可解决: Bloom 2024 附录有数据]
3. 对知识转移/导师制的影响 [需外部来源]

工作原理

为什么散文摘要不适合研究

段落式摘要把所有主张混到同一权威级别。读者无法分辨「研究表明…」是基于一个统计力不足的调查,还是 40 个试验的元分析。默认 LLM 摘要继承并放大这个缺陷 — 强主张和弱主张在散文中权重一样。

结构化抽取 (表格 + 信心地图) 保留主张的差异化权威。一扫就能看出,标题发现建立在扎实证据之上,而二级主张本质是社论。这是「掌握信息」与「错误自信」的区别。

最难的规则: 区分主张与真实

默认摘要器会从「文档 X 说 Y」滑到「Y 是真的」,而不标记过渡。「区分主张与真实」规则是显式的,因为模型默认会失败。规则被守住时,你读完摘要能精确知道哪些断言来自文档,哪些是模型的社论化。

若模型违反 (把文档只是主张的 X 当成事实陈述),回复「请把每个主张归属到来源」。一次纠正后,Claude 通常会在文档剩余部分保持归属。

跨文档工作流

做文献综述时,先逐篇过 — 模型上下文限制和质量都从一篇一篇做中受益。然后第二轮,只粘贴生成的表格,问: 「找出共识点、分歧点、和最强的单一主张」。这远比一次喂入所有论文快。

建立「信心衰减」规则: 任何只在一个来源出现的主张,合并到多来源摘要时自动降一级。这迫使整合综述把可重复发现的权重高于新颖但孤立的发现 — 符合好的学术实践。

常见问题

›对超长 PDF 也行吗?

Claude 单次处理 20 万 token PDF;ChatGPT/GPT-5 能处理 12.8 万。再长就按章节分,各自摘要,再摘要这些摘要。结构化格式让多轮间质量保持一致。

›能引具体原文吗?

可以 — 在提示词里加「每个主张附 5-15 字的原文引用片段」。在用词重要时 (法律文件、技术规格) 有用。

›文档没有清晰页码 (网页文章) 怎么办?

用章节标题或段落编号代替。提示词里的「页码或章节」允许这个。网页文章用段落索引 (「第 5 段」) 即可。

›和 NotebookLM 比起来如何?

NotebookLM 自动处理上传和引用,但默认产出叙事式摘要。本提示词产出结构化抽取,更适合系统性比较。两个都用: NotebookLM 做对话式探索,本提示词做写一次扫多次的摘要。

›为什么强制「缺什么」节?

因为每份研究摘要都应该留下显式后续,不该给完整性的假象。「缺什么」节也会暴露文档根本无法回答你的问题 — 在花更多时间读它之前很有用。

›对非英语研究有效吗?

有效 — Claude 和 GPT-5 处理日/中/德/法学术散文都不错。结构化输出保留你提示词的语言,来源语言可以不同。

›怎么避免幻觉的页码?

若模型给页码,抽样核对 1-2 个。若错了,在提示词加「无法验证页码就标 [page unknown] — 永不猜」。

›能用于播客文字稿吗?

可以 — 把「页码」改成「时间戳」,其他不变。结构化主张抽取在播客里更有用,因为论点漂浮在没明显标记的长散文中。

相关计算器

相关提示词

最后更新: