一句话总结
“让 ChatGPT 帮我研究一下 X”得到的东西看着光鲜，一半是编的：假引用、来源混在一起、数字自信地错。正确做法是让 ChatGPT 干它真正擅长的三件事——生陌生领域的大纲、提示去哪儿找、综合你已经读过的材料——人来管它不擅长的那件事：判断来源质量。流程是：按读者列大纲、开着联网搜索分节找源、自己打开读排前面的来源、把关键段落贴回去、让它只基于这些贴进去的文字做综合、最后引用你核过的 URL。多源的长简报，可以让 Deep Research（截至 2026 年 6 月基于 GPT-5.2）先把跑腿的活干了——但每条断言你还是得自己核。
这篇适合谁看
调研后产出会被一个能挑你毛病的人读：教授评分的论文、MD 会撕的并购备忘录、CEO 会引用的市场进入简报。如果读者根本不会核来源，你不需要工作流，你只需要写一段话。
适合的场景：
- 3-5 个选项对比，要做一份结构化的取舍表。
- 见 vendor 之前先扒一下陌生行业或技术的背景。
- 写 1-3 页的短简报，每条断言都要有出处。
- 从 50 个搜索结果里筛出真正该读的 10 篇。
先选对档位和功能
调研做得好不好，很大程度取决于你这档能用到哪些功能，所以先搞清楚你的套餐包含什么（数据截至 2026 年 6 月）：
| 功能 | 免费版（$0） | Plus（$20/月） | Pro（$100/月） | Pro（$200/月） |
|---|---|---|---|---|
| 默认模型 | GPT-5.5（额度很紧） | GPT-5.5 | GPT-5.5 | GPT-5.5 + Pro 推理 |
| 联网搜索 | 有 | 有 | 有 | 有 |
| Deep Research / 月 | 5 次轻量 | 25 次（含 15 次轻量） | 50 次 | 250 次 |
| 文件上传 | 受限 | 每会话最多 80 个 | 80+ | 80+ |
| Projects（工作区记忆） | 有 | 有 | 有 | 有 |
| Apps/连接器（Drive、Notion、GitHub…） | 受限 | 有 | 有 | 有 |
对多数做调研的人来说，Plus 是起步底线。$200 的 Pro 档主要多买的是大量 Deep Research 次数和完整 1M token 的应用内上下文；$100 中间档（2026 年 4 月新增）适合那种 25 次 Deep Research 不够用的人。美国免费账号从 2026 年 2 月起带广告。
开聊之前：
- 先定产物形状。“2 页简报，8 条带引用的断言，1 个推荐”比”研究一下 X”强得多。大纲深度从读者推。
- **为这个主题开一个 Project。**Project 把对话、上传的文件、自定义指令放在一起并自带记忆，跨会话也能保持术语和约束一致。
- 同时开一个笔记文件存来源 URL 和原文引语。证据不能只活在对话里。
- **显式打开联网搜索。**别指望 ChatGPT 自己判断是否需要时效数据——它的训练截止时间有滞后，脑子里的”近期”有时候意思是 2024 年。
工作流，一步步来
1. 按读者深度列大纲
列出 [主题] 的 5 个子领域，让一个资深 PM 在见 vendor 前必须搞懂。
每个写一句为什么重要。把 [主题] 换成你真正的题目。如果大纲含糊，说明你的主题太宽——先把”AI in healthcare”收窄到”AI 在 primary care 的医嘱转写”，再往下走。
2. 开着联网搜索分节找源
对子领域 2，列 5 个近 18 个月发表的来源。
含标题、作者、出版方、日期、一句话摘要。这是一份候选清单，不是证据。模型生成的来源清单一般对一半；错的那几行会很自信，所以每一条都先当作未核实。
3. 自己读排前面的来源，再贴回去
打开最靠谱的 3-5 个链接。读。把关键段落贴回对话。这一步是杜绝假引用的关键——你是在给模型真实的文字去加工，而不是让它凭记忆回忆来源。
4. 只基于贴进去的文字做综合
只基于我上面贴的段落（不要用你的训练数据），
写 4 条 bullet 描述主要共识，2 条描述主要分歧。5. 引用你核过的 URL，不是模型编的
模型可以转述你的证据，不能信任它来生产证据。终稿里的每条断言，都要能追溯到一个你亲手打开过的 URL。
一份能压住幻觉的 prompt
把这段当第一条消息发出去（或者存成 Project 的自定义指令）：
你在帮我做一份关于 [主题] 的调研简报。
约束：
- 不知道就说"不知道——需要搜索"。
- 不要编引用。找不到来源就说找不到。
- 每条断言要么可追溯到我提供的来源 URL，
要么标注"模型观点，未引用来源"。实操下来这能明显降低虚构率。不能归零——但足以让简报对”哪些地方没有来源”保持诚实，而这恰恰是整件事的关键。
什么时候改用 Deep Research
Deep Research 是 ChatGPT 的智能体模式：你给它一个问题，它会先规划、再浏览几十到几百个来源，大约 5-30 分钟后返回一份带引用的报告。截至 2026 年 6 月，它跑在基于 GPT-5.2 的模型上（2026 年 2 月从 o3 切换过来），并允许你在它开跑前编辑研究计划、把搜索范围限制在可信站点、以及中途打断重定向。
把它用在多源简报的第一轮跑腿上——负责搜集和搭框架，不负责判断什么是真的。它不会独立核实事实。报告自带引用，但你还是要点开每一个，确认页面真的写了模型转述的那句话。把它的输出当强一稿，别当终稿，并把你的月度额度（按档位 5 / 25 / 50 / 250 次）留给真正值得跑的那些问题。
ChatGPT vs Perplexity 做调研
两个都有用武之地，各自擅长不同阶段。
| ChatGPT | Perplexity Pro | |
|---|---|---|
| 价格 | Plus $20/月，Pro $100 与 $200/月 | $20/月（$200/年） |
| 强项 | 列大纲、综合、起草 | 带行内引用的来源型搜索 |
| 引用 | Deep Research 里很强；对话里要核 | 默认每条回答都带行内引用 |
| Deep Research 额度 | 25/月（Plus），最高 250/月（Pro） | 20 次/天（Pro） |
| 最适合的阶段 | 搭简报框架、综合你读过的材料 | 找到并坐实具体断言 |
实操分工：用 Perplexity 找到并坐实具体断言（它的引用开箱就更稳），用 ChatGPT 在你读完来源后列大纲和做综合。两者都替代不了”读+核实”这一步。
交稿前的质量检查
- **每个引用 URL 都点开。**页面存在吗？真说了模型转述的那句话吗？
- **数字对照原始来源核，**不要对照二手综述。
- **问一句：“反方观点是什么？“**答不上来，说明简报是单面的。
- 检查发布日期。“近期”有时候意思是 2024 年——在页面上亲自确认日期。
- **把训练数据知识和联网结果分开。**如果某条断言不来自你贴过或打开过的来源，标成模型观点，或者直接删掉。
让它能复用
- 做一份
research-template.md，存你常用的大纲 prompt 和上面那段反幻觉前言。 - 成功的调研对话用描述性命名归档——既是下次的模板，也是审计轨迹。
- 经常调研的领域（某个市场、监管机构、技术）在 Project 里建一份术语表，让术语跨简报保持一致。
容易踩的坑
- 跳过来源核实。引用看着真，错的概率比想象的高。
- 不读原文就让它生成 citation——模型很擅长编貌似真实的参考文献。
- 主题太宽，大纲都列不清。先收窄再开始调研。
- 不区分模型训练数据 vs 联网结果，混在一起用。最后简报常常已经过时。
- 直接信它生成的表格（“5 家 vendor 的价格对比”），不逐行核。一般对一半，错的那几行会很自信。
- 忘了同行评议论文优先级高于 Medium 帖子 / LinkedIn carousel，即使后者说得更自信。
FAQ
- 调研用 Perplexity 还是 ChatGPT？：两个一起用。Perplexity 是为来源型搜索专门做的，每条回答都带行内引用；ChatGPT 在大纲和综合上更顺。在 Perplexity 里找源、坐实断言，在 ChatGPT 里搭框架、写稿。
- Deep Research 模式呢？：多源简报上值得用。截至 2026 年 6 月它跑基于 GPT-5.2 的模型，约 5-30 分钟返回一份带引用的报告。额度：免费版 5 次/月（轻量）、Plus 25 次/月、$100 Pro 50 次/月、$200 Pro 250 次/月。把输出当一稿，每个引用都核。
- 怎么避免被它的假论文坑？：让它出 DOI 或 arXiv ID，每个都点开。给不出可用链接的，在证实之前就当编的。
- 能不能不自己读来源？：能，前提是你接受被印出来骂。模型在转述，转述会从原文漂走。
- Project 对调研有帮助吗？：有。Project 把你的文件、对话、自定义指令（包括那段反幻觉前言）放进一个带记忆的工作区，每次开聊术语和约束都已经就位。
相关阅读
外部参考：OpenAI 帮助中心 — Deep research in ChatGPT · OpenAI 帮助中心 — Using Projects in ChatGPT