شما می‌توانید یک حوزه جدید را در نیم ساعت یاد بگیرید، چگونه می‌توانید به سرعت یک چارچوب شناختی با استفاده از هوش مصنوعی ایجاد کنید؟

عنوان اصلی: «به اشتراک گذاشتن یک راهنمای عمیق که دو سال است از آن استفاده می‌کنم، به شما کمک می‌کند هر زمینه ناآشنایی را در عرض نیم ساعت درک کنید.»

نویسنده اصلی: زندگی دیجیتال کازک

چند روز پیش، بعد از اتمام یک کنفرانس، و دیروز آخر هفته، داشتم با یکی از دوستانم شام می‌خوردم. همینطور که داشتیم گپ می‌زدیم، یکدفعه چوب غذاخوری‌اش را زمین گذاشت، به من نگاه کرد و گفت: «رفیق، چطور انگار از همه چیز یه کم خبر داری؟»

گفتم نمی‌دانم.

او گفت: «چطور ممکن است که بتوانید درباره هر چیزی، مثل هارنس، کلود کد، روانشناسی، هیتمن ۲، افسانه‌های کاتولو، صحبت کنید و با این حال هنوز وقت داشته باشید که پوکمون پاپاکیا بازی کنید؟» واقعاً چند ساعت در روز وقت داری؟"

من در آن لحظه مات و مبهوت ماندم.

چون راستش را بخواهید، گرچه حرف‌های بزرگ زدن یک چیز است، اما واقعاً احساس نمی‌کردم که همه چیز را می‌دانم. من فقط در مورد خیلی چیزها کنجکاو هستم و راهی دارم که به سرعت خودم را با چیزهای ناآشنا آشنا کنم.

دوباره پرسید: «چه راهی؟»

گفتم، «یک چارچوب تحقیقاتی که خودم توسعه دادم، همراه با هوش مصنوعی. من می‌توانم یک گزارش تحقیقاتی هزار تا دو هزار کلمه‌ای را در نیم ساعت تهیه کنم که می‌تواند به شما در شروع سریع کار کمک کند.

دوباره چوب‌های غذاخوری‌اش را زمین گذاشت.

سپس گفت: «این مطلب را بنویسید.»

خب، این شد که این مقاله امروز منتشر شد...

نمی‌دانم که آیا برای همه مفید است یا نه، اما در واقع این روشی است که من سه سال پیش، زمانی که هنوز در صنعت مالی بودم، استفاده می‌کردم، روشی که توسط شرکت‌های تحقیقاتی و صنعت استفاده می‌شود. سپس هوش مصنوعی از راه رسید، انواع مختلفی از تحقیقات عمیق پدیدار شد، من خودم کمی این روش را تکرار کردم، آن را در یک Prompt که برای بسیاری از عملکردهای تحقیقات عمیق هوش مصنوعی استفاده می‌شود، بسته‌بندی کردم که می‌تواند در مطالعه من در مورد هر چیزی اعمال شود. راستش را بخواهید، فکر می‌کنم این یکی از دم‌دستی‌ترین چیزهایی است که در دو سال گذشته استفاده کرده‌ام.

جرات ندارم بگویم تحقیقی که این تحقیق انجام داده چقدر کامل است، اما حداقل می‌تواند به من کمک کند تا به سرعت یک چارچوب شناختی نسبتاً کامل ایجاد کنم و سپس عمیق‌تر در آن چارچوب کاوش کنم.

من قبلاً به این روش‌شناسی می‌گفتم...

روش تحلیل افقی و عمودی.

اول یه توضیحی بدم که این چیز چیه.

در واقع، خیلی ساده است، فقط دو محور.

محور اول، عمودی. این به معنای ردیابی داستان کامل چیزی در امتداد خط زمانی، از بدو تولد تا به امروز است. چطور به وجود آمد؟ چه کسی آن را خلق کرده است؟ در این مسیر چه چیزهایی را از سر گذراند؟ چرا ناگهان در یک نقطه خاص اوج گرفت، یا ناگهان تغییر جهت داد؟ وقتی این جدول زمانی را باز کنید، می‌توانید تقریباً تاریخچه و علت چیزی را درک کنید.

محور دوم، افقی. این است که آن را در کنار چیزهای دیگر در همان فضا در لحظه فعلی قرار دهیم. چه تفاوتی با رقبایش دارد؟ چرا کاربران آن را به بقیه ترجیح می‌دهند؟ در کل فضا کجا قرار دارد؟ وقتی این جنبه را روشن کنید، می‌توانید جایگاه و تمایز چیزی را درک کنید.

سپس بحرانی‌ترین مرحله، عبور از این دو محور است.

خط عمودی به شما می‌گوید که چگونه به امروز رسیده است، خط افقی به شما می‌گوید که امروز در کجا ایستاده است. وقتی این دو محور همدیگر را قطع می‌کنند، می‌توانید چیزهایی را ببینید که با نگاه کردن به هر یک از محورها به تنهایی نمی‌توانستید ببینید. برای مثال، یکی از مزایایی که امروزه دارد، در واقع نتیجه‌ی یک تصمیم به ظاهر بی‌اهمیت است که سه سال پیش گرفته شده و به مرور زمان روی هم انباشته شده است. یا ضعف خاصی که امروز دارد، در واقع نتیجه یک انتخاب عاقلانه است که در ابتدا انجام شده و به یک بار سنگین تبدیل شده است.

عمق را در امتداد محور عمودی، عرض را در امتداد محور افقی دنبال کنید و در نهایت، در محل تقاطع، قضاوت خود را انجام دهید.

همین کافی است.

همچنین این روشی است که من در دو سال گذشته مفیدترین روش برای استفاده از آن را پیدا کرده‌ام.

این روش در واقع از برخی دیدگاه‌های پژوهشی کلاسیک در علوم اجتماعی و زبان‌شناسی گرفته شده است.

در زبان‌شناسی، یک بُعد تحلیلی بسیار کلاسیک وجود دارد که توسط سوسور مطرح شده است، به نام تحلیل درزمانی (diachronic analysis) و تحلیل همزمانی (synchronic analysis).

هنگام مطالعه چیزی، می‌توانید از دو بعد شروع کنید. یکی بُعد زمان است که مشاهده می‌کند چگونه از گذشته تا به امروز گام به گام تکامل یافته است و دیگری بُعد کنونی است که بررسی می‌کند در یک مقطع زمانی خاص در چه نوع سیستم و روابط تطبیقی ​​قرار دارد.

دیدگاه‌های پژوهشی مشابهی در علوم اجتماعی وجود دارد که مطالعات طولی و مطالعات مقطعی نامیده می‌شوند. طولی شامل ردیابی مسیر در حال تغییر یک جسم است، در حالی که مقطعی شامل مشاهده تصویر لحظه‌ای آن در یک زمان خاص و انجام مقایسه‌های افقی است.

من به سادگی این دیدگاه‌های تحقیقاتی قدیمی را از دنیای آکادمیک استخراج کردم، آنها را با تفکر تحلیل استراتژیک تجاری و رقابتی ترکیب کردم و آنها را به یک چارچوب تحقیقاتی عمومی که توسط هوش مصنوعی اداره می‌شود، تبدیل کردم.

اکنون نسخه سریع و نسخه مهارتی وجود دارد

همه آنها در مخزن گیت‌هاب من به صورت متن‌باز موجود هستند:

https://github.com/KKKKhazix/khazix-skills

نسخه Prompt به ویژه با قابلیت‌های هوش مصنوعی که شامل تحقیقات عمیق هستند، مانند DeepResearch در ChatGPT، تحقیقات عمیق در Claude، حالت تخصصی Bean، حالت تخصصی DeepSeek و غیره، به خوبی کار می‌کند. من همچنین عمداً سبک نوشتاری را بهینه کرده‌ام و از برخی از مهارت‌های نوشتاری خازیکس بهره برده‌ام تا اطمینان حاصل کنم که پس از تهیه این گزارش، واقعاً می‌توانید آن را بخوانید، نه اینکه مانند یک کتاب قطور غیرقابل فهم باشد...

من Prompt را اینجا قرار داده‌ام، بنابراین اگر کسی به آن نیاز داشت، می‌تواند به سادگی آن را کپی کند، یا می‌تواند برای دریافت آن به مخزن Github مراجعه کند:

استفاده از آن بسیار ساده است، فقط عبارت بعد از معادله آن موضوع تحقیق را با موضوع تحقیق مورد نظر خود جایگزین کنید.

برای مثال، عامل اخیراً محبوب هرمس، هارنس، CLI، چگونگی تأثیر آنتروپیک بر سهام SaaS و غیره و غیره.

یا شاید بخواهید درباره «پادشاهی دنیای لاک»، «پادشاه دنیای شکوه»، درگیری ایران و آمریکا، غیرقابل پیش‌بینی بودن ترامپ و غیره تحقیق کنید.

هر چیزی ممکن است.

بگذارید با استفاده از تحقیق عمیق و پرطرفدار اخیر Harness+Claude مثالی بزنم.

من مستقیماً آن Prompt را کمی تغییر دادم، محتوای داخل معادله را با Harness جایگزین کردم و سپس حالت تحقیق عمیق کلود را فعال کردم.

فوراً آن را ارسال کرد.

سپس کلود از من خواست که تأیید کنم هارنس دقیقاً چیست، بنابراین اطلاعات بیشتری ارائه دادم.

و سپس مستقیماً به کار خود ادامه دادیم.

پس از ۱۳ دقیقه، گزارش تحقیق در مورد هارنس تکمیل شد.

می‌توانید نگاهی به اثر بیندازید. به نظر من تحلیل عمودی به خوبی نوشته شده است. تاریخ به وضوح برای شما ارائه می‌شود و نشان می‌دهد که چه زمانی متولد شده، چه زمانی آغاز شده و چه نقاط عطف کلیدی وجود دارد.

همچنین توضیح بسیار معقولی برای اینکه چرا در این زمان خاص شیوع پیدا کرد، وجود دارد.

در مطالعه افقی، مقایسه بین مهندسی سریع، مهندسی زمینه و مهندسی عامل انجام می‌شود.

من معتقدم هر کسی که Agent را درک کند، حرفه‌ای بودن آن را در مقایسه زیر سوال نمی‌برد، درست است؟ شما می‌توانید خیلی سریع تفاوت‌ها را با برخی مفاهیم مشابه روشن کنید.

و در نهایت، جهت تکامل آینده.

کل این گزارش حدود ده هزار کلمه است. باور کنید، اگر در مورد هارنس کنجکاو هستید و می‌خواهید هر چه سریع‌تر و جامع‌تر همه چیز را در مورد آن بفهمید، این گزارش تحقیقاتی تقریباً از بیشتر مقالات خلاصه‌ای که دیده‌اید بهتر است.

جامع و آسان برای خواندن.

موضوع تحقیق می‌تواند یک محصول باشد، مانند مکان‌نما، کلود کد، هرمس ایجنت. می‌تواند یک شرکت باشد، مانند Anthropic، ByteDance. می‌تواند یک مفهوم فنی باشد، مانند پروتکل MCP، RAG. حتی می‌تواند یک شخص باشد، مثلاً یک چهره کلیدی در یک صنعت.

Prompt به طور خودکار بر اساس نوع موضوع تحقیق، تأکید تحلیل عمودی و افقی را تنظیم می‌کند. تمرکز بر تکرار نسخه و مقایسه ویژگی‌ها برای تحقیق روی محصولات، تمرکز بر فرآیند تأمین مالی و مدل کسب‌وکار برای تحقیق روی شرکت‌ها، و تمرکز بر مسیر شغلی و مقایسه با سایر چهره‌های همان حوزه برای تحقیق روی افراد.

اگر معمولاً دوست دارید از Cowork، Claude Code یا Codex و غیره استفاده کنید، من این روش را به مهارتی به نام hv-analysis تبدیل کرده‌ام و آن را در مخزن GitHub خود به صورت متن‌باز منتشر کرده‌ام.

پس از نصب آن، می‌توانید مستقیماً به عامل بگویید: «به من در تحقیق در مورد xxx کمک کن» و او چارچوب تحلیل عمودی و افقی را دنبال خواهد کرد.

علاوه بر این، این نسخه مهارتی به طور خودکار در وب به دنبال اطلاعات، از جمله API arXiv، جستجو می‌کند تا هنگام تحقیق در مورد سوالات دانشگاهی، به طور مستقل مقالات را جستجو کند. سپس یک گزارش تحقیقاتی PDF با فرمت مناسب تولید می‌کند که خواناتر است و آن را نسبت به نسخه Prompt همه‌کاره‌تر می‌کند.

البته، باید در مورد محدودیت‌های این روش صادق باشم.

این یک راه حل قطعی و قطعی نیست.

این می‌تواند به شما کمک کند تا به سرعت یک چارچوب شناختی نسبتاً جامع بسازید، اما نمی‌تواند جایگزین تحقیقات واقعاً عمیق و دست اول شود.

علاوه بر این، اگرچه اطلاعات جمع‌آوری‌شده توسط هوش مصنوعی اکنون بسیار دقیق است، اما هنوز هم احتمال خطا وجود دارد.

بنابراین، شما نمی‌توانید گزارش تولید شده توسط هوش مصنوعی را به عنوان یک نتیجه‌گیری مستقیم در نظر بگیرید؛ این گزارش بیشتر شبیه یک نقطه شروع برای تحقیقات شما در این زمینه است و به شما کمک می‌کند تا به سرعت نقشه راه را ترسیم کنید تا بتوانید بر اساس این نقشه، تحقیقات بیشتری انجام دهید.

مسئله دیگر این است که کیفیت گزارش‌های تولید شده توسط هوش مصنوعی به شدت به مدل و ابزارهایی که استفاده می‌کنید بستگی دارد. ابزارهایی که از DeepResearch یا کاوش عمیق پشتیبانی می‌کنند، معمولاً نتایج بهتری دارند زیرا واقعاً برای جستجو و تأیید اطلاعات زیاد، به صورت آنلاین عمل می‌کنند و هر کار معمولاً بیش از 10 دقیقه طول می‌کشد.

با این حال، اگر فقط بتوانید از ابزارهای هوش مصنوعی که از جستجوهای اولیه وب پشتیبانی می‌کنند و برای هر کار کمتر از یک دقیقه زمان صرف می‌کنند، استفاده کنید، ممکن است اثربخشی به طور قابل توجهی کاهش یابد.

رویکرد من این است که پس از دریافت گزارش، به سرعت آن را بخوانم تا چارچوبی ایجاد کنم و سپس در مورد نکاتی که در مورد آنها سؤال دارم یا به طور خاص به آنها علاقه‌مند هستم، عمیق‌تر به اطلاعات بیشتری بپردازم.

بنابراین، این ترکیبی از گزارش‌های هوش مصنوعی است که با استفاده از روش تحلیل متقابل و تحقیقات بیشتر خودم تولید شده‌اند، که بسیار کارآمدتر از شروع از ابتدا است.

گذشته از همه اینها، در این دوره و زمانه، با وجود هوش مصنوعی که از قبل در دسترس است، واقعاً نیازی به کندوکاو پر زحمت به تنهایی نیست؛ این کار بی‌جهت دشوار خواهد بود.

بعضی وقت‌ها فکر می‌کنم در این دوره از تحقیق، چیزی که واقعاً کمیاب است دیگر اطلاعات نیست، بلکه میزان کنجکاوی شما در مورد دنیاست.

در واقع، اگر از من بپرسید که آیا واقعاً دانشمند یا متخصص هستم، مطمئناً اینطور نیست؛ من فقط کنجکاوی کمی بیشتری در مورد جهان دارم.

فقط یه مشت سواله که هر لحظه و هر جا تو ذهنت میاد بالا.

این چیز از کجا آمده است؟ چرا الان داره ظاهر میشه؟ رابطه‌اش با آن چیز دیگر چیست؟ مردم قبل از اینکه این کار را انجام دهند، چه کار می‌کردند؟ این سؤالات، وقتی در لحظه فکر کردن بی‌پاسخ می‌مانند، واقعاً مرا معذب می‌کنند. نمی‌دانم همه شما این حس را دارید یا نه، اما این همان حسی است که در آن، در این لحظه، فوراً، نیاز دارم پاسخی دریافت کنم.

اطلاعات همین الان هم مثل سیل شده است، و هوش مصنوعی هزینه دسترسی به اطلاعات را به صفر نزدیک می‌کند.

اما چه سوالاتی بپرسیم، از چه دیدگاهی به موضوع نگاه کنیم، چگونه اطلاعات پراکنده را به قضاوت‌های معنادار تبدیل کنیم - این‌ها چیزهایی هستند که هوش مصنوعی نمی‌تواند در موردشان به شما کمکی کند. یا بهتر بگوییم، هوش مصنوعی فقط می‌تواند پس از ارائه مسیر توسط شما به شما کمک کند، اما خود مسیر باید توسط شما تعیین شود.

روش تحلیل عمودی و افقی در واقع یک چارچوب پرسشگری است که من برای خودم تعیین کرده‌ام. هر بار که با چیزی ناآشنا روبرو می‌شوم، نیازی ندارم موقتاً به این فکر کنم که از کدام دیدگاه باید آن را درک کنم؛ این چارچوب از قبل این را برای من مشخص کرده است.

ردیابی عمودی در طول زمان، ردیابی افقی در فضا، و در نهایت همگرا شدن برای تشکیل یک قضاوت. سه مرحله تکمیل می‌شود و چارچوب شناختی ایجاد می‌شود.

این به من اجازه می‌دهد که دیگر مثل چند سال پیش سه روز را صرف جمع‌آوری اطلاعات نکنم؛ حالا می‌توانم چارچوب را در نیم ساعت جمع کنم و سپس بقیه‌ی وقت را صرف بخش واقعاً جالب کنم، که تماشای این اطلاعات است که به آرامی کنار هم قرار می‌گیرند تا یک تصویر کامل تشکیل دهند و سپس ناگهان آن لحظه‌ی «آها، پس این‌طوری است» را داشته باشم.

اون لحظه خیلی باحاله.

راستش را بخواهید، مطمئن نیستم که این روش برای همه مناسب باشد.

اما اگر شما هم از آن دسته افرادی هستید که اغلب سوالات زیادی در ذهنتان ایجاد می‌شود و جمع‌آوری اطلاعات را خیلی کند می‌دانید، می‌توانید آن را امتحان کنید.

یونانیان باستان می‌گفتند: «فلسفه با حیرت آغاز می‌شود.»

من فکر می‌کنم تحقیق هم زمانی شروع می‌شود که شما واقعاً در مورد چیزی کنجکاو باشید، و روش‌ها و ابزارها بعداً از راه می‌رسند؛ کنجکاوی راه را نشان می‌دهد.

بدون کنجکاوی، حتی با بهترین روش‌شناسی، فقط یک تزئین است.

با کنجکاوی، حتی اگر روش‌ها کمی ناشیانه باشند، همیشه پاسخ‌ها را خواهید یافت.

فقط اینکه الان، پیدا کردن جواب‌ها واقعاً خیلی سریع‌تر از قبل شده است.

به اندازه کافی سریع که بتوانید چیزهای بیشتری را بررسی کنید.

کنجکاو بمانید.

لینک پست اصلی