IvyLeanIn

读到一篇很值得推荐的文章，内容非常扎实，尤其适合做增长、运营、GTM、产品战略的朋友参考。 讲的是怎么用 AI 做 Deep Research 来支撑 GTM（Go-to-Market）策略，具体拆解了怎么用 AI 替代掉原本需要我们手动花几小时调研分析、和对比总结才能做出的市场认知工作，而且写得特别实操，prompt 和案例全给了，直接复制就行。 文章链接放在最后，先看看里面讲了什么，以及为什么我觉得这篇比大多数 AI 工具介绍更有用。 作者的核心观点非常明确： Deep Research 是第一个真正让他觉得AI 能做完整认知任务的功能，从收集、建模到输出决策建议，全流程替代掉研究员级别的任务。真正厉害的地方并非省时间，而是可以让人在不懂某个 GTM 主题的前提下，迅速搭建起理解框架，并生成 actionable 的行动方案。而要实现这一点，有三个关键策略（我说的都是我的理解，具体的细节请参考原文）： 1. 将研究代理指向高质量来源 大多数模型默认会拉杂乱网页甚至论坛贴来作研究，我们需要主动在 prompt 里指定信息优先级，比如用一手数据优先、设定可信来源、附带出处和来源表格等，这不仅能保证输出准确性，还能让模型在引用上有可追溯性。 比如：可以用 GPT-5/Claude 先列出你要用的高质量数据源，再作为输入喂入 Deep Research。 2. 主动提供背景信息等上下文以获取定制化洞察 AI 并不会自动知道我们的业务背景，如果不说，它就会默认认为比如是一个“泛 SaaS 公司，年收入 10 亿美金”，然后输出毫无实际参考价值的结论。 文章建议你像对同事写需求一样提供上下文：公司是什么阶段，GTM 是 marketing-led 还是 sales-led，有哪些工具，项目最终目标是什么。 可以在 prompt 中写成 <context>，也可以上传到 Project，让 AI 在多个请求中持久保留上下文。 3. 要求 AI 在输出前先给计划 大部分人用 AI 就是一句话丢出去，然后等结果。但真正强的方式是像 Gemini 那样，先让它给你一个研究计划（包括要查什么、怎么查、产出结构），你看过没问题再执行。 这个策略可以用在任何模型，只要你在 prompt 里写明“请在执行前先输出研究结构与方法建议”。 对于如何写出高质量的 Deep Research prompt，作者总结了一个结构完整的 prompt 模板，内容包括： ``` # Goal：说明 1）你最终希望实现的目标，2）你希望 AI 完成的具体任务。示例： <goal> 我们希望构建一个账户评分体系，用于指导 SDR 的账户分配，并优先触达最有潜力的客户。该模型应能为每个账户赋予 1）结构适配度评分（即“这家公司是否基本适合我们？”），以及 2）意图评分（即“这个账户是否当前有采购意向 / 可能正在寻找类似产品？”）。</goal> # Context：补充所有相关背景信息，这些信息在 Project 中尚未提供。示例： <context> 我们当前专注于美国市场。我们的 GTM 和数据栈包括 Salesforce、Marketo、Outreach、dbt 和 Snowflake；我们也愿意采购意图数据源。模型和评分的可解释性是关键需求。</context> # [可选] Content：说明你希望最终输出包含哪些内容，例如对比分析、SQL 代码片段、Salesforce 自定义对象的规范等。示例： <content> 至少请涵盖以下内容：1）详细的“自建 vs 购买”分析与建议，2）构建内部模型的各种方法综述，3）如何在市场与销售之间落地账户评分，4）如何向销售代表展示评分的计算依据与透明度。</content> # [可选] Style：定义报告格式。建议将其写入 Project 的自定义说明中，通常可作为多个研究任务的通用格式。示例： <style> 请遵循金字塔原理：先给出关键结论或建议，再补充支撑数据与分析依据。在给出建议时，请说明你是如何得出结论的。使用项目符号、概览表格等格式，以提升报告的可读性。</style> # [可选] Sources：说明 AI 应优先使用哪些来源，并/或如何记录引用。示例： <sources> 在工具对比部分，请优先参考领先行业博客或一线从业者的评测内容，而不是厂商自己发布的宣传材料。</sources> # [可选] Instructions：提供其他杂项指令（例如希望 AI 遵循的特定方法或执行步骤）。示例： <instructions> 在开始执行前，请主动询问是否还需要额外上下文信息。</instructions> 这个结构在后面所有 use case 中都会用到，我会一一对应展示出来。 ``` 这个结构在后面所有 use case 中都会用到，我会一一对应展示出来。