KeyFrame內部研究專用

Stanford's Method Turns Claude Into a PHD Level Research Team

Nate Herk12 min英文
觀看原始影片

三句話摘要

介紹 Stanford STORM 研究方法在 Claude Code 中的實現,透過多角度代理驗證生成高質量研究報告。 STORM 方法的核心價值不在於該特定技能本身,而在於「多角度視角相互驗證能產生更全面、可信的研究」這一原則,鼓勵使用者透過代理協議建立專家委員會,主動識別與消除知識盲點。 多角度研究消除盲點:單一提示會遺漏關鍵視角,STORM 透過五個獨立人格(從業者、學者、懷疑論者、經濟學家、歷史學家)平行運行,各自找出其他視角遺漏的問題,最終合成更全面的結論。

重點整理

  1. 多角度研究消除盲點:單一提示會遺漏關鍵視角,STORM 透過五個獨立人格(從業者、學者、懷疑論者、經濟學家、歷史學家)平行運行,各自找出其他視角遺漏的問題,最終合成更全面的結論。

  2. 可信度量化與驗證機制:報告中每項發現都標示可信度等級,並註明哪些視角支持或質疑該觀點;之後六個驗證代理會逐一檢查每項事實與來源的一致性。

  3. 高度可定制的輸出格式:STORM 技能不只是資料堆砌,而是產出一致的 HTML 報告,使用者可根據自身背景客製化報告焦點、新增額外視角(如顧客視角、基層員工視角),使輸出更符合實際決策需求。

  4. 次代理 vs 代理隊伍的成本差異:STORM 運用次代理(五個獨立代理向主會話彙報,互不溝通),比代理隊伍(可彼此對話辯論)成本低許多,但仍能透過後續合成與驗證階段達到高品質結論。

實用技巧與重點

  • STORM 論文結論:生成文章組織度比次優方法高 25%
  • 五個研究視角:Practitioner(從業者)、Academic(學者)、Skeptic(懷疑論者)、Economist(經濟學家)、Historian(歷史學家)
  • 報告結構元素:60 秒摘要、按可信度排序的發現、風險控制、缺失視角分析、可操作的結論
  • 可信度標示例:「Reliability High, 9/10」、支持來源、質疑來源的明確列舉
  • 驗證流程:V2 版本在報告底部標註每項來源為「Confirmed(確認)」「Corrected(更正)」或「Demoted(降級)」
  • 成本效益對比:STORM 使用約 12 個代理,Deep Research 超過 100 個代理;STORM 更快、成本低 100%
  • 技能安裝位置:Claude 需放在 .claude 資料夾;其他工具可放 .codex、.agents 等相應資料夾
  • 使用者背景範例:講者身為 AI 教育工作者,可客製化報告角度為「內容創作者」或「AI 初學者」視角
  • Codex 模型評估:相比 Deep Research,HTML 簡報在「證據品質、來源多樣性、論題強度、可操作性、風險控制、視頻內容適配」六項全勝
  • 資源提供:技能檔、HTML 報告模板在免費學習社群內提供

結論

STORM 方法的核心價值不在於該特定技能本身,而在於「多角度視角相互驗證能產生更全面、可信的研究」這一原則,鼓勵使用者透過代理協議建立專家委員會,主動識別與消除知識盲點。

完整解析

Stanford 研究團隊開發的 STORM(Synthesis of Topic Outline through Retrieval and Multi-perspective question asking)方法已被同儕審查證實能產出組織度高 25% 的文章。講者將此方法的核心原則融入 Claude Code 技能中,並免費分享給社群。

傳統單一提示的研究存在結構性盲點——一個視角無法涵蓋複雜議題的全貌。STORM 的解決方案是同時啟動五個獨立的專家代理,分別代表從業者、學者、懷疑論者、經濟學家與歷史學家。各代理獨立進行網路搜尋與分析,此後主會話進行「矛盾對應」階段,識別五個視角的分歧點、評估哪些有證據支撐、哪些證據薄弱。接著進行合成與同儕審查,由六個驗證代理逐一檢查每項事實與引用來源的真實性,最後產出一份統一的 HTML 報告。

與 Claude Code 原生功能 Deep Research 相比,STORM 技能展現顯著優勢。Deep Research 會同時啟動 100+ 個代理並在後台進行密集搜尋,最終產出簡單的 Markdown 檔案,內容是資訊堆砌、來源稀少、問題未解。講者用同一題目測試兩個方法,Codex 評估系統在「證據品質、來源多樣性、論題強度、可操作性、風險控制、媒體適配」六項標準中,均判定 STORM 的 HTML 簡報更優。更重要的是,STORM 只需約 12 個代理、成本更低且執行速度更快,避免了 Deep Research 可能觸發的 API 速率限制問題。

STORM 技能的實作方式簡潔:使用者只需在 Claude 中執行「/storm research」命令並提供研究主題,系統會自動執行完整的四階段流程。每份報告都採用一致的 HTML 範本,包含 60 秒摘要、按可信度排序的發現(如「9/10 可信度,學者與懷疑論者支持,從業者與經濟學家質疑」)、缺失視角分析、風險控制與可操作結論。報告來源在驗證後會被明確標記為「確認」「更正」或「降級」,增強用戶信心。

講者強調,此技能可根據使用者身份客製化。例如身為 AI 教育工作者的他,可在五個基本視角外新增「初學者視角」或「內容創作者視角」,使報告更契合業務需求。更廣泛的啟示是:當自身缺乏領域專業時,可透過代理團隊「借用」不同專家視角,讓多個獨立專家帶著各自的知識與背景為你服務,從而補足知識盲點。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。