如何调研：一个可复用的框架

写前面几篇调研文章的时候，逐渐意识到一件事：调研本身有一套可以显式化的流程。它不是”多查资料然后自然就能写出来”——调研和写作之间有一道很深的沟，需要靠结构来桥接。

这篇文章把这一套流程整理成框架，既可以当作之后写调研类博文的模板，也可以当作自己做技术选型和领域入门时的方法参考。

调研是什么#

先做一个区分。信息收集是”把关于一个话题的资料找出来堆在桌上”。调研是”在资料之间建立关系，形成对领域的认知框架”。

一次调研做完之后，你应该能清晰地回答三个问题：

• 这个领域在解决什么问题？为什么以前的方案不够好？
• 目前有哪些主要路线？它们在什么维度上不同？
• 对于一个具体场景，哪条路线或哪个方案更合适？

这三个问题分别对应调研的三个层次：问题理解、路线分类、条件判断。如果你做完调研只能回答第一个，说明还在信息收集阶段；能回答第二个，说明有了结构；能回答第三个，调研才算真正完成。

以下是一个可复用的五步流程。

第一步：圈定边界#

调研最容易犯的错误是范围失控。从 A 工具开始查，发现它依赖 B 框架，B 框架又和 C 协议相关，C 协议是 D 公司推的……半天过去，资料打开了一堆，但没有一条线收得回来。

开始调研前，花五分钟写下你要调研的边界：

• 调研的问题是什么。用一句话写下来。写不出来说明你还没想清楚。
• 什么不在这次调研范围内。明确排除，帮助你在跑偏时拉回来。
• 信息源的类型和优先级。一手信息（论文、官方文档、代码仓库、实际试用）优先于二手信息（评测文章、社区讨论、媒体报道）。二手信息是线索，不能当结论。
• 时间范围。这个领域更新有多快？半年前的信息是否还有效？AI 领域的大部分子方向，2024 年以前的资料可能只有历史价值。

边界写下来之后可以贴在笔记顶部。每次开始浏览新资料时扫一眼，确认它还在边界内。

第二步：建立坐标系#

在深入任何一个具体方案之前，先建立这个领域的”坐标系”——也就是不同方案在什么维度上不同。

找几个维度的方式可以很直接：打开三到四个代表性方案的首页或 README，看它们在强调什么。Meshy 强调生态和用户量，TRELLIS.2 强调速度和开源，Hunyuan3D 强调轻量化和低门槛——两三轮对比下来，基本的分类维度就浮现了：商业 vs 开源、计算门槛高低、面向个人 vs 面向管线集成、偏几何精度 vs 偏易用性。

建立坐标系的价值在于，之后每看一个新方案，你可以直接把它放进已有的框架里，而不需要从头理解。坐标系也会随着调研的深入被修正——这是好事，说明你对领域的理解在细化。

这一步的产出不需要很正式，几行笔记就够。但必须写下来。脑子里的框架是模糊的，写下来的框架才能被审视和修正。

第三步：深入代表案例#

坐标系建立之后，从每个象限选一到两个代表做深度研究。深度意味着至少做到以下之一：

• 实际使用过。注册账号、上传测试数据、观察输出结果。一手的体感在调研中不可替代——文档上写”一分钟生成”，实际跑了三分钟还在排队，这本身就是有价值的信息。
• 理解了架构选型。工具背后的技术路线是什么？它用的是什么模型架构？有什么独特的设计决策？TRELLIS.2 的 O-Voxel 和 Pixal3D 的像素反投影是两条不同的技术路线，知道了这个，你就知道它们在高保真度和推理速度上的取舍分别从哪来。
• 找到了局限或坑。每个方案都有弱点。官方的”已知限制”文档、GitHub Issues 里的高频问题、社区讨论中的吐槽——这些是真实的使用边界。局限往往比优势更有信息量，因为它告诉了你”这个方案不适用的场景”。

这一步的关键是：克制广度，追求深度。把五个工具都浅看一遍，远不如把两个工具深入试用一遍。深度产生判断力，广度只产生信息量——而信息量本身不产生价值。

第四步：做有条件的判断#

信息积累到一定程度，需要开始做判断。这个步骤很多人会跳过——总觉得资料还没看够，再多看一点再下结论。

判断有两种。第一种是绝对判断——“A 比 B 好”——这种判断在技术领域几乎总是错的。第二种是条件判断——“在 X 场景下 A 更好，在 Y 约束下 B 更合适”——这是调研应该追求的。

做条件判断需要把比较放在同一个维度上。不能拿 A 的价格和 B 的社区活跃度比。写调研文章时一个很实用的结构是：先列出所有方案共有的比较维度（效果、速度、成本、易用性、生态），再在每个维度下给出条件判断。

标注信息缺口同样重要。没测到的场景、没找到的数据、还没经过时间验证的判断——明确说出来。标注缺口是可信度信号。一篇把所有判断都写得斩钉截铁的调研，不如一篇坦白”这部分还没搞清楚”的调研有用。

第五步：从认知框架到文章#

调研笔记和文章之间需要一次结构转换。笔记是你的思考过程——非线性、跳跃、充满原始材料和临时分类。文章需要一条读者能跟随的主线。

一个经过多次验证的结构是：

问题 → 原理 → 路线 → 代表 → 对比 → 判断。

先是”为什么之前的方法不行”（建立问题感），然后是”这件事是怎么回事”（建立认知基础），接着是”有哪些不同的做法”（分类），再是”每一类里谁做得最好”（深入代表），最后是”在什么条件下选哪个”（条件判断）。

每个段落只承担一个功能。用一句话概括这一段的论点放在段首；后面的内容都是支撑。如果一段里塞进了两个论点，拆成两段。

关于数据的使用有一条经验规则：用具体数字替代形容词。“很快”换成”约 3 秒”，“效果不错”换成”CLIP-score 0.809”，“很多人用”换成”1000 万注册用户”。数字为文章提供了事实锚点，读者可以用自己的标准去判断”3 秒是不是快""0.809 是不是好”，不需要依赖你的主观评价。

常见陷阱#

四个最容易绊住调研者的地方。

收集癖。 资料越找越多，但调研的进展停滞。因为你觉得”还有关键信息没看到”，不敢进入下一步。解决方案是给收集阶段设时间上限。超过这个时间，强制进入分类和判断。信息永远收集不完——调研的价值在于判断，不在信息量。

表面遍历。 每个工具都看了，但每个都没深用。产出是一份”谁有什么功能”的流水账，没有比较和判断。解决方案是在深入代表案例阶段做硬性约束：至少实际操作两个方案，至少读一篇深入的技术分析。

过早下判断。 看了一篇评测就给某个方案下结论。评测的作者可能有完全不同的使用场景和约束。解决方案是区分引入阶段和判断阶段——在收集资料时记录初步印象但不下结论，等坐标系完整之后再回头审视这些印象。

脱离场景谈优劣。 “这个工具有 XX 功能，厉害”——但对于谁、在什么场景下厉害？如果调研的结果是”所有方案各有优劣，看情况选”，等于什么都没说。条件判断必须精确到”如果你有 24GB 以上显卡且需要本地部署，选 X”这个粒度。

收尾#

好的调研和差的调研之间的差距，大部分不在信息收集能力上。差距在于你敢不敢做判断、判断有没有条件限定、以及在写完第一版之后有没有回头修正。

框架只是辅助。真正起作用的是你在每一步中做的几十次小判断：这个资料值不值得深读、这个分类维度是不是本质的、这条信息够不够支撑一个结论。这些判断没有办法自动化，只能在反复做调研的过程中积累体感。