看 Claude 做深度搜尋還蠻有誠意的。

會把自己的思路秀出來。亂七八糟打完 prompt 後，就會開始計畫，它先鎖定單一主題，然後逐層往下深挖。第一步是把題目拆成幾個主要面向（通常 6–8 個），每個面向分配一個 Subagent 專責蒐集與分析資料。最後再將各子代理的成果整合成一個有邏輯的敘事。這樣的做法能同時兼顧廣度與深度。

因為就算沒有 AI ，人類在做搜尋也差不多是這個流程，大概假以時日，它們應該就會學會用 MCP 來操作 PRSIMA 的工作流，寫 SR 的價值說不定會雪崩式下跌。

原始 Facebook 貼文：連結

# Claude 贊日

協霆對 Claude 深度搜尋內部邏輯的觀察，其實預示了 AI 輔助研究工作的未來形態。將複雜主題分解為 6-8 個面向、分配 Subagent 並行處理、最後整合為敘事——這正是人類系統性文獻回顧（Systematic Review）的工作流程。協霆的洞察在於：如果 AI 能透過 MCP 連接 PRISMA 工作流（系統性審核的國際標準），它理論上可以自動生成高品質的文獻回顧報告。

這種前景對學術生態帶來的衝擊深遠。傳統的系統性文獻回顧需要 6-12 個月，動員多位研究者，成本極高；若 AI Subagent 能在數小時內完成初步版本，再由人類專家驗證與詮釋，整個科學研究的加速會很顯著。然而協霆也隱含地提醒——這種自動化若無人類的批判檢視，可能導致「假」系統性回顧的氾濫。未來的競爭優勢，可能不在「做系統性回顧」本身，而在「整合 AI 輸出與人類判斷」的能力。

未來研究方向：

• AI 輔助文獻回顧的驗證框架
• Subagent 協作的多維度評估
• 系統性研究與 AI 自動化的倫理邊界