原文为法语。由 AI 翻译——保留的是含义,而非文风。
本文延续了我在著作《Le contexte》中写下的思考。如需阅读全书,请下载,或在 Amazon 上购买。
让 AI 做研究时,人们的第一反应往往如出一辙:
给我找 20、30 或 50 个关于这个主题的好来源。
问题不在来源的数量,而在于还没弄清真正缺什么,就先决定了要找多少。
结果很容易堆积起一堆彼此重叠的文档:概念相同,引用的研究相同,营造出一种虚假的覆盖感。与此同时,有些角度始终不可见,只因为它们在最初的结果里没有得到充分呈现。
我用的是另一种方法:从一个极小但经过严格精选的语料库出发,从中提炼出结构化知识,诊断这个语料库已经能让我们理解什么——更重要的是,还不能让我们理解什么——然后让这个状态决定下一次检索。
我把这种方法称为 Stateful Corpus Research Loop,简称 SCRL。
它的逻辑可以用一句话概括:
不是去找更多来源,而是去找下一个有可能改变我们对某项任务既有认知的来源。
1. 问题不在于海量检索
检索大量来源本身当然没有错。有些研究确实需要几十甚至上百份文档。
问题出在策略一开始就被定死的时候:
scope → 30 个来源 → 阅读 → 综合
数量于是成了衡量质量的替代指标。
可事实上,三十个来源可能只覆盖了几个反复出现的观点。它们可能出自同一类作者,引用同样的研究,基于同样的假设,或对同一个矛盾视而不见。
所以真正值得问的不是:我有多少个来源?
而是:我的语料库已经知道什么,还不知道什么,哪一次检索最有可能改变这个状态?
SCRL 因此把通常的逻辑倒了过来。
不是先收集、后理解,而是先理解到足够的程度,再决定接下来该检索什么。
2. 一切始于任务和 scope
没有边界的迭代循环可能永无止境。
每个新来源都会引出新问题,每个问题都会带来新概念,而每个概念都足以成为再读二十篇文献的理由。
所以 SCRL 从一项明确的任务开始:
- 一个核心问题;
- 哪些属于主题之内;
- 哪些属于主题之外;
- 需要理解的几个方向;
- 期望得到的知识类型。
收敛从来不是绝对的。
我们不可能得出这样的结论:“关于 AI 智能体,我们现在已经知道了一切该知道的东西。”
我们只能得出:就这项任务、在这个范围内,新的迭代实质性改变我们现有模型的可能性已经很低。
scope 不是行政上的约束,而是让停止标准成为可能的前提。
3. 从一个小而高度精选的 seed 出发
SCRL 不从穷尽式收集开始,而是从一个 seed(种子)开始:几个经过仔细挑选的来源。
这第一批来源需要足够:
- 可靠;
- 多样;
- 贴近主题核心;
- 丰富,足以呈现出初步的概念结构。
seed 的目的不是覆盖整个领域。
它的作用更朴素,也更有用:产生一个足够好的初始知识状态,以便发现还缺什么。
它的用途是启动这个循环。
4. 把来源转化为知识,而不是摘要
原始文档是很糟糕的推理单位。
一篇文章可能包含五个彼此独立的机制。两份截然不同的文档可能支撑完全相同的观点。反过来,同一个来源里可能既有站得住的论断,也有推测性的假设,还有含义模糊的定义。
因此,在来源和最终产出之间需要一个中间层。
在我的体系里,这一层主要由三类笔记构成,本博客已经详细介绍过:
- 原子笔记沉淀一个自足的知识单元,只有一个思想重心;
- 主题笔记把多条知识联系起来,产生额外的理解;What Is a Thematic Note?
- 术语表条目在某个歧义可能改变对语料库的解读时,固定一个术语的含义。
所以 SCRL 并不直接从一堆文档出发去驱动检索。
它从已经提炼并结构化的知识出发去驱动检索。
5. 语料库变得有状态
第一次摄入之后,语料库就拥有了状态。
它可以逐步呈现:
- 哪些看起来已经确立;
- 哪些文献支撑仍然薄弱;
- 哪些只依赖单一来源;
- 哪些仍不确定;
- 各种矛盾;
- 术语上的歧义;
- 尚未理解透彻的机制;
- 已经识别出的局限;
- 占比过高的区域;
- 几乎空白的区域;
- 语料库各部分之间的关系。
这个状态成为下一个决策的输入。
任务 / scope → 精选 seed → 来源 → 笔记 → 语料库状态 → 诊断 → 定向检索 → 新来源 → 更新语料库 → 收敛测试 → 新一轮迭代
语料库不再只是研究的结果。
它成了驱动下一次检索的引擎。
6. 新一轮迭代真正可以检索什么
新一轮迭代不再意味着:“再给我找些相关文章。”
它接收的是由语料库诊断生成的目标。
一轮迭代可以致力于:
- 拓宽——发现一个仍然缺失的重要维度;
- 加固——为一条重要知识补充独立的证据;
- 填补缺口——记录一个仍然缺失的机制、步骤、指标或条件;
- 寻找反证——主动寻找能够推翻或限定语料库已视为可靠之结论的研究;
- 明确边界——确定一个论断在何时何地不再成立;
- 区分相互竞争的含义——找出不同作者、产品或学科对同一术语的不同用法;
- 从描述走向机制——不仅理解发生了什么,还要理解为什么以及如何发生;
- 让证据多样化——混合理论、benchmark、实证研究、技术文档、一线反馈和真实观察;
- 检验可迁移性——验证在一个领域观察到的观点在另一个领域是否依然成立;
- 识别依赖条件——找出机制运转所必需的条件;
- 寻找副作用——成本、延迟、偏差、退化、组织约束或治理风险;
- 核查是否过时——发现某项技术演进是否让语料库的一部分失效;
- 连接相互隔离的区域——发现同一个机制贯穿主题的多个部分;
- 重新平衡——纠正某个仅因某类来源占比过高而显得强势的结论;
- 寻找可能推翻模型的东西——明确提出这样一种检索:一旦有结果,就必须重新审视某个核心结论;
- 衡量饱和度——检验新的检索是否还能产生实质性的知识。
这份清单之所以重要,是因为它改变了检索的功能。
搜索引擎的任务不再是找到“好来源”,而是找到语料库此刻需要的那类证据。
7. 海量检索 vs SCRL
传统研究通常是这样的:
scope → 大规模收集 → 阅读 → 提炼 → 综合
SCRL 更像是这样的:
scope → 小 seed → 知识 → 诊断 → 由诊断决定的下一次检索
所以区别并不在于 5 个来源对 50 个来源。
SCRL 完全可能最终用到 100 个来源。
区别在于:
在准确了解自身需求之前就去收集
还是
让已经获得的知识决定接下来该检索什么。
8. 一次真实实验:Adobe Summit Paris 2026
我在围绕 Adobe Summit Paris 2026 的一项个人准备工作中检验了这种方法。
这项任务被有意限定在五个方向上:
- 智能体时代的内容生产与组织——智能体、编排、人工监督、工作流与规模化;
- 品牌语境与 AI 内容治理——品牌表征、约束、审核、持久语境与控制;
- 可查询的文档与知识系统——RAG、retrieval、grounding、引用、文档间矛盾以及基于语料库的生产;
- 智能体化的 Web、可发现性与 LLM 中的可见度——GEO、引用、归因、结构化数据、分发与可见度衡量;
- 对话式界面与意图驱动的创作——自然语言、创意控制、状态保持、直接操作以及将意图转化为操作。
此后,研究以一轮又一轮的循环推进。
实验结束时:
- 15 轮检索迭代;
- 语料库中收录 82 个来源;
- 1 个来源无法使用,因为无法可靠提取;
- 51 条在用笔记;
- 34 条原子笔记;
- 10 条术语表条目;
- 7 条主题笔记;
- 5 份综合简报,每个方向一份。
但值得关注的数字不是 82。
而是迭代的角色是如何变化的。
开始阶段:拓宽
最初几轮循环主要用来了解情况。它们揭示出概念、机制以及主题的初步边界。
中间阶段:加固与结构化
接下来的迭代寻找更好的证据,拆分某些观点,填补缺口,并让笔记之间的关系浮现出来。
最后阶段:攻击模型
最后几轮迭代的性质变了。
第 13、14、15 轮迭代主要充当了破坏性测试。
问题不再是:“我们还能补充什么?”
而变成了:“我们可能找到什么,会迫使我们重新审视自以为已经理解的东西?”
到第十五轮迭代时,已没有哪个新来源重要到值得采纳、足以改变五个方向的概念模型。
这当然不意味着这个主题已经被穷尽。
它表明的是,在既定的 scope 内,语料库开始收敛了。
9. 收敛:知道何时停下
这大概是这种方法最有意思的收益。
在传统研究中,“我检索得够了吗?”这个问题常常没有答案。
30 个来源?50 个?100 个?
这些数字构不成认识论意义上的标准。
SCRL 可以使用另一种信号。
当新的迭代出现以下情况时,研究就开始收敛了:
- 不再产生新的核心知识;
- 不再显著修改重要笔记;
- 不再揭示重大矛盾;
- 不再发现 scope 内的重要缺口;
- 主要只是增加确认或冗余;
- 剩余的不确定性都已被清楚标识。
因此,收敛并不意味着“我们什么都知道了”。
它意味着:一轮新迭代实质性改变我们当前表征的可能性,相对于这轮迭代的成本而言,已经变得很低。
而且这个标准是可以检验的。
我们可以有意发起旨在推翻模型的检索。如果它们接连几次都失败了,饱和信号的可信度就会大大提高。
10. 这对研究智能体意味着什么
许多“deep research”系统仍在隐含地沿用类似这样的架构:
search → scrape → summarize → write
即使它们发起了多次检索,这些检索也往往只是一个很早就定下的计划的分支。
真正的自适应研究循环需要更多东西。
智能体必须维护一个状态,其中尤其包括:
- scope;
- 已经稳定下来的知识;
- 它们的出处;
- 它们的支撑程度;
- 各种矛盾;
- 各种不确定性;
- 已识别的缺口;
- 已经做过的检索;
- 毫无收获的策略;
- 被视为已饱和的区域。
这样它才能决定:
此刻,哪一次检索最有可能带来有用的知识增益?
架构于是变成:
scope → 记忆 → 语料库状态 → 诊断 → 检索策略 → 新证据 → 知识更新 → 收敛测试
研究不再是生成之前的一个阶段。
它成了一个系统:不断更新自己对“已知什么”的表征,并用这个表征来选择下一步行动。
有状态,而不只是有深度
deep research 这个说法强调的是深度。
但深度并不能保证质量。
一个智能体可以读上一百份文档,却一再重复同样的偏差。它可以大量探索,却从不去寻找与其核心结论相矛盾的来源。它可以积累庞大的上下文,却说不清还有什么是不确定的。
所以,重要的转变也许不是检索得更深。
而是带着状态去检索。
这正是 Stateful Corpus Research Loop 的理念。
语料库不再是一堆文档。
它成为针对某项任务所获知识的一种不断演进的表征——而这个表征被用来决定下一次检索。
下一个来源必须有存在的理由
好的研究大概不应该再从这个问题开始:
关于这个主题,最好的文章有哪些?
它应该逐步走向一个要求更高的问题:
鉴于我们已经知道的东西,此刻什么信息最有可能改变我们的理解?
这是一个微妙的差别。
但它彻底改变了检索的角色。
SCRL 追求的不是找到大量好来源,而是在每一刻判断:哪个来源还可能改变我们对某项任务的认知。