课程中心

时间

主题

知识点

第1天

1. DeepResearch 的理念与AI技术基础

1.1 DeepResearch 的核心理念：

定义：DeepResearch 如何将 AI 大模型应用于高复杂度、多学科交叉研究 。

AI 在科研中的定位：从传统工具到强大的认知助理 。

DeepResearch 提效的三大维度：信息处理、认知决策和执行自动化 。

1.2 关键技术栈：

Agent 技术： 构建自主规划、执行和修正任务的智能体在科研中的应用 。

RAG（检索增强生成）： 确保 AI 结果的权威性、可追溯性和企业知识的私密性 。

1.3 高复杂度问题界定与解构：

识别企业内部的高难度研究课题 。

Prompt 工程实践： 引导 AI 将复杂课题解构为可执行的子任务 。

2. AI大模型驱动的文献调研与知识整合

2.1 深度文献检索与筛选：

结合语义理解的混合检索策略，提升查全率和准确率 。

利用 LLM 快速筛选，识别核心贡献与研究趋势 。

2.2 分析综述自动化生成：

利用 Agent 模型对海量文献进行摘要提取和关系链接，形成结构化知识 。

快速生成特定主题的综述初稿，并优化逻辑结构 。

2.3 跨学科知识整合与应用：

利用 AI 识别并联结不同学科概念，打破知识壁垒 。

领域知识注入： 整合企业内部数据库/文档，进行受限领域研究 。

3. AI 辅助的技术路线与方案设计

3.1 技术路线方案生成与优化：

基于现有数据和约束条件，利用 AI 优化实验参数、流程和控制组设计 。

3.2 技术方案生成与严谨性验证：

引导 LLM 提出新颖的研究假设 。

第2天

4. AI 驱动的数据分析与洞察提取

4.1 数据分析与提取：

利用 LLM 的语言理解能力，处理大量的文本日志、实验记录等，提取定量信息 。

4.2 数据解释与因果洞察：

让 AI 对复杂统计结果进行自然语言解释，并提出潜在的业务或工程洞察 。

因果推断（初阶）：利用 AI 辅助识别数据中的潜在因果关系 。

4.3 模式发现与可视化辅助：

利用 AI 辅助发现并解释数据中的复杂模式 。

5. AI 赋能的成果产出与专业写作

5.1 结构化报告快速生成：

基于研究结果快速搭建研究报告或技术文档的结构化初稿 。

优化报告的逻辑结构和论证流程 。

5.2 专业写作优化与润色：

利用 AI 工具优化语言表达，确保专业性、准确性与严谨性 。

摘要与引言优化： 提高摘要的吸引力与信息的密度 。

6. 局限性与科研伦理探讨

6.1 批判性思维与结果验证：

AI 生成内容的幻觉（Hallucination）识别、风险规避与人工验证机制 。

制定“AI 辅助科研结果验证SOP（标准操作流程）”，确保输出的可靠性 。

6.2 AI 驱动科研的伦理与合规：

知识产权、数据安全、隐私保护与引用规范 。

如何在不泄露企业核心技术的前提下，安全地使用 AI 进行研究 。