让AI做研究不再”差点意思”：recursive-research 用 PhD 标准重新定义深度调研

你有没有这种感觉——让 AI 做研究，它总能找到一堆资料，但最后给你的结论总觉得”差点意思”？

问题不在 AI 不够聪明，在于研究方法本身就没设计好。大多数 AI 搜索工具就是：搜 → 读 → 堆料，顶多了。

但 recursive-research 这个 Claude Code 技能，完全是另一套思路。

它怎么工作的？

你给它一个研究主题，比如”AI Agent 记忆机制”或”CAR-T 细胞免疫治疗现状”，它会：

先问你三个问题：用什么模式（网页/本地/混合）、优先哪些来源、能接受多少轮迭代。然后它自动找出 3-5 条核心线索，同时检测你装了哪些 MCP 工具（Firecrawl、Context7、WebSearch），按速度和质量排序后开始循环研究。

每一轮它会挑选覆盖最少的线索 → 选来源 → 深挖 → 合并发现。周而复始，直到满足它内置的”PhD 毕业标准”：覆盖率 ≥80%、每个线索至少 3 个 Tier-1 权威来源、连续 3 轮新发现饱和度 ≤5%、Munger 逆向检验已通过、跨线索连接 ≥3 条。任何一条不满足就继续迭代，不会提前交卷。

什么让这个技能真正有意思？

两个设计细节让它和其他研究工具拉开了差距：

一是来源分级制度。 Tier 1 是同行评审论文、官方标准（ISO/WHO/W3C）、一手数据集；Tier 2 是可引用的博客、会议演讲记录；Tier 3 是有引用的论坛回答。垃圾来源——没有作者、数据空洞的营销文、SEO 垃圾——直接拒绝并记录原因。这一点大部分 AI 研究工具根本不做。

二是 Munger 逆向思维。 查理·芒格有句名言：”反过来想，总是反过来想。”这个技能在每个关键决策点都会强制做一次逆向自问：”我现在认为对的，为什么可能是错的？我的信源有什么共同偏见？我忽略了什么？”这种自我批判机制让研究报告的上限高很多。

磁盘 checkpoint 是另一个亮点。 研究过程每轮都会写到磁盘，不怕上下文窗口用完或者 Claude Code 意外中断。下次继续时一个 --resume 参数就能接上。

适合谁用？

需要做深度行业研究、商业调研、学术文献综述的朋友，这个工具能显著提升研究质量的下限——它不会让你拿到一份满是 AI 垃圾来源的废话报告。当然，前提是你得用 Claude Code。

GitHub 地址我放最后，感兴趣可以去研究一下它的实现——源码本身就是一份关于”如何做系统性研究”的教科书。

👉 https://github.com/Anjos2/recursive-research

GitHub: https://github.com/Anjos2/recursive-research