TL;DR
- 把 3-7 份源文档加上你的决策一起喂给长上下文模型，让它按固定的一页结构输出：TL;DR、TAM/SAM/SOM、Top 趋势、Top 风险、推荐、未解决的问题。
- 截至 2026 年 6 月，ChatGPT Plus（$20）、Claude Pro（$20）、Google AI Pro（$19.99）都跑 100 万 token 的模型，几百页报告一次就能塞进去。要可核对的引用，NotebookLM（免费）最稳，因为它拒绝回答源材料之外的内容。
- 输出只是初稿，不是最终 brief。在它进董事会备忘录或融资 deck 之前，每个数字都要回溯到原文页码——模型仍会幻觉出像模像样的市场规模。
任务场景
下周战略会，你手上有 5 份市场报告、3 份分析师 PPT，再加一堆竞品博客。决策人要一页 brief：市场体量、Top 趋势、Top 风险、一句话推荐。从零看一遍要一整天。靠一套 AI 流程，30-45 分钟拿到一份站得住的初稿。
这是创始人融资前、企业战略部、进入新赛道的产品市场、做初筛尽调的投资分析师的常态任务。
选哪个工具，为什么
按你对数字的信任程度来选，别按品牌选。关键差别在于：带大上下文窗口的对话模型综合起来更快、更灵活；NotebookLM 慢一些，但每句话都带一个可点击、能跳回原文的引用。
| 工具（2026 年 6 月） | 价格 | 上下文 / 容量 | 适合 | 注意点 |
|---|---|---|---|---|
| NotebookLM | 免费（Plus 档随 Google AI Pro/Ultra） | 免费版 50 个源，每个源最多 50 万词 | 带原文页码内联引用的溯源式综合 | 不生成学术格式参考文献；不会超出源材料外推 |
| ChatGPT Plus（GPT-5.5） | $20/月 | 单对话约 320 页（完整 1M 仅 $200 Pro） | 综合快、文笔利落、能出图表 | 不明确禁止它就会自信地补缺口 |
| Claude Pro（Sonnet 4.6 / Opus 4.7） | $20/月 | 100 万 token；PDF 在约 100 页内读得最全；单文件 30MB | 多文档细致推理、对分歧拿捏到位 | Project 只抽取相关片段，不会一次读完整个知识库 |
| Google AI Pro（Gemini 3.1 Pro） | $19.99/月 | 100 万 token（约 1500 页 A4） | 单次能吞最大的语料、原生读 PDF/图片 | 没明显引自原文的数字都要核对 |
做一页 brief、材料体量可控（200 页文字以内）时，单个 100 万 token 的对话模型就能扛全程。当这份 brief 要支撑高风险决策、每个数字都得可审计时，就在 NotebookLM 里做综合——它的回答自带内联引用，源材料没覆盖的就拒答。想先看某个模型怎么走带溯源的流程，可以参考Gemini 研究教程里那套端到端的总结方法。
什么时候不要完全依赖 AI
写进董事会备忘录或融资 deck 的数字，没回溯到原文页码绝对不要直接放。模型会幻觉出像模像样的市场规模，而 deck 里一个错的 TAM 是当场补不上的信任窟窿。
非常专业或内部渠道型的调研——内部 channel check、专家网络访谈、一手问卷数据——模型没有训练信号，纯靠 AI 就是瞎猜，直接跳过。
需要先给 AI 的信息
- 3-7 份源文档（已文本提取的 PDF；用 Claude 时每份 PDF 尽量控制在约 100 页内，全文读取才可靠）
- 一句话的决策目标
- 时间维度（12 个月、3 年、10 年）
- 地理 + 细分市场
- 一两个你怀疑成立、希望被挑战的预设
“挑战预设” 这一项是让输出变锐利的关键。它把模型从一个顺着你说的总结器，变成唱反调的 devil’s advocate。
可直接复制的 Prompt
粘进 ChatGPT、Claude 或 Gemini，或者作为对话 prompt 用在 NotebookLM 的 notebook 上。把每个 [方括号] 占位符换成你自己的值。
你是战略分析师，要做一份一页 brief。
决策：[one_sentence_decision]
时间维度：[months_or_years]
地理 + 细分：[scope]
要挑战的预设：[priors_list]
源材料（每份用 --- 分隔）：
[paste_sources]
输出：
1. TL;DR：3 条，每条以动词开头，决策人能立即行动。
2. 市场体量：TAM / SAM / SOM，准确数字 + 年份 + 出处页码。若各家口径
不一致，给出范围、说明你更信哪份及理由。
3. Top 5 趋势：每条配一个数据点和它的来源。
4. Top 5 风险：每条标严重度（高 / 中 / 低）和值得监控的领先指标。
5. 推荐：1 段，点明 trade-offs。
6. 源材料没回答的 3 个问题。
7. 主要论点的信心：高 / 中 / 低。
数字逐字引用并带出处页。推断的内容标 "[inference]"。源材料里没有的
数字，写 "源材料中无"——不要估算。最后一句是承重墙。不加这条明确的 “不要估算”，GPT-5.5 尤其会用一个自信的猜测把缺失的 TAM 填上。
这一页应该长什么样
真的就是一页：上方 TL;DR、中间体量与趋势、下方风险与推荐、页脚 “缺什么”。页脚里就是下一轮调研要补的题。
每个数字都内联带出处。把这条当成 Prompt 的硬约束，而不是一种期望。
怎么判断 AI 的结果能不能用
- 挑对推荐影响最大的 3 个数字。打开源 PDF 核对每个的数值、年份、口径脚注。只要有一个不对，就重审整份 brief——一处编造意味着模型在猜，不是在读。
- 每条趋势结论，把模型引用的原句拿去搜原文。没有数据支撑的泛趋势，降级或直接删掉。
- 单独验算。AI 负责抽取数字，电子表格负责验比例、单位和增速的时间区间，再引用。“40% CAGR” 没说时间窗口，就不算一个数字。
在 NotebookLM 里这步更快：点任何一个内联引用就能直接跳到原文段落，每条结论的核对就压缩成一次点击。
容易踩的坑
- 有数字没出处——看上去权威，一通尽调电话就露馅
- 推荐里悄悄回避了 trade-offs
- 把 TAM 和 SAM 混在一起（模型会乐意配合）
- 引用增速没说时间区间
- 没有 “缺什么” 这一节——过度自信才是这里真正的失败模式
让这份 brief 活下去
把 brief、源材料、Prompt 一起作为一个整体存档。会后记录这份 brief 哪里把决策带对了、哪里带偏了。每季度用新源重跑——这样一次性的总结就变成了市场的动态画面。
FAQ
- 源材料多少算太多？ 超过约 200 页文字，就先按 section 各自总结，再综合这些总结。单个 100 万 token 的模型理论上能装更多（Gemini 3.1 Pro 约能放 1500 页 A4），但对一个埋得很深的数字，召回率在窗口填满之前就已经下降了。
- 哪个工具的引用最可信？ NotebookLM，因为它是溯源式的：每条结论都引到具体段落，源材料没覆盖就拒答——这也是律师和学者采用它的原因。
- AI 能给来源按可信度排序吗？ 能尝试，通常更新 / 同行评审 / 一手数据的会更高分，但模型常不知道发表日期，排序要自己核。
- 这事用 Plus 还是免费版？ 几百页的量，$20/月 的 ChatGPT Plus 或 Claude Pro 完全够；$100-$200 的高档只有在你需要完整 100 万 token 的应用内窗口、或更高每日额度时才有意义。
相关阅读
更深的源材料处理用 研究总结 Prompt，竞品对标用 AI 做竞品分析，底层笔记整理走 AI 整理市场调研 流程。