Date: 2025-09-23
Topic: Deep research
Спикеры: Аглая Черемных
Общее саммари встречи
Фокус встречи — четыре блока:
- ландшафт платформ deep research,
- подготовка проекта,
- валидация/очистка данных
- методология синтеза.
Подчёркнута «модель сотрудничества человек+AI»: ИИ помогает, но решения принимает человек. В части синтеза разобраны этапы от сканирования до проверки/рефлексии и типичные когнитивные искажения.
Домашка: собрать данные по своему мини-брифу, провалидировать/очистить и синтезировать первые выводы, затем описать наблюдения в чате.
Также анонсирован субботний семинар по количественным исследованиям.
Ландшафт deep-research платформ: на что смотреть
Критерии отбора: модель и свежесть бенчмарков; наличие триала; лимиты в платных планах; «заземление» (загрузка документов, deep-research внутри проекта, коннекты к внешним БД); прозрачность источников; политика обработки загружаемых файлов; коллаборация.
Процессы работы с инфой: ПОЛУЧЕНИЕ → ХРАНЕНИЕ → ОБРАБОТКА → ПЕРЕДАЧА. Это задаёт структуру инструментов и форматов под задачу.
Подготовка проекта (project setup & preparation)
5 шагов:
- создать проект в Claude/ChatGPT;
- добавить блоки знаний:
STYLE_GUIDANCE(тон/структура),SOURCE_HIERARCHY(иерархия источников),OUTPUT_FORMATS(шаблоны выдачи),CONTEXT_BRIEF(цели/ограничения); - загрузить контент (из Google Docs в Markdown) как файлы проекта;
- вставить инструкции из вкладки Project Instructions;
- проверить наличие всех четырёх блоков + инструкций.
Принципы постановки задачи: чёткость цели и ожидаемых результатов; декомпозиция больших промтов на управляемые шаги; итеративность — тест промежуточных результатов и корректировка формата ответа.
Структура и хранение (organization & storage)
- Сразу задаём формат хранения: просим модель выдавать таблицы (для Notion/Obsidian), списки или заметки — ровно в том виде, где будем работать.
- Единый стандарт оформления: что в заголовки, что в поля таблиц, как писать ссылки и даты — для снижения хаоса и ускорения поиска.
- Интеграция в рабочие системы: сохраняем прямо в Notion/Obsidian/Google Sheets/Miro; под разные задачи — разные формы (таблицы для сравнения, заметки для инсайтов, теги/связи для базы знаний).
Валидация и контроль качества (validation & QC)
- Сравнение между системами: один и тот же промт запускаем в нескольких DR-платформах; сильные расхождения — сигнал проверить формулировку задачи.
- Проверка ссылок: режим AI-агента (напр., в ChatGPT) помогает увидеть, на чём основаны выводы (есть ли реальные источники).
- Анализ источников: использовать последние модели (пример в слайде — GPT-5) для оценки авторитетности и свежести (дата, репутация площадки, релевантность).
- Демо-инструменты: AI-agents ChatGPT и Notebook LM как связка для автоматизации сбора/валидации/перевода/приведения к формату.
- Доступность AI-агентов в ChatGPT: в бесплатной версии нет; в Plus/Pro/Team/Enterprise — доступны с разными лимитами.
Методология синтеза
Этапы: ознакомление (scanning) → извлечение и пометки → группировка/кластеризация → тематизация/паттерны → интеграция/структурирование → проверка и рефлексия.
- Фокус на «чистой» мысли: синтез может звучать убедительно, будучи ложным; держим цикл самопроверки и рефлексии, учитываем роль эмоций и дедлайнов.
- Когнитивные искажения: confirmation, anchoring, availability, recency, overconfidence, framing, sunk-cost, bandwagon — перечислены и разобраны в презентации.
- Способы защиты: мульти-гипотезность (делать несколько конкурентных объяснений), peer-review «свежим взглядом», метод «чёрной шляпы» (преднамеренная критика слабых мест).
Домашнее задание
Попробуйте cинтезировать первые выводы своего исследования. Для этого используйте свой мини-бриф, соберите данные/часть данных любыми доступными инструментами, валидируйте и очистите данные, а в финале синтезируйте их
Напишите в чат свои наблюдения:
— получилось ли валидировать данные автоматически?
— получилось ли автоматизировать синтез?
— складывается ли в голове картинка исследований с AI?