研究與知識
Research & Knowledge
資料蒐集、文獻整理、知識庫問答。
共 8 個案例
論文丟進雲端硬碟，n8n 自動建檔摘要
n8n workflow：新 PDF 進來就萃取 metadata，去 Semantic Scholar 和 PubMed 找相關論文、組 APA 引用、記到 Sheets、產 Notion 摘要。每篇約 20–30 秒；數位 PDF metadata 準確率約 98%、研究類型約 90%、掃描檔約 85%；冷門主題相關論文可能只找到 3–5 篇。
花 200 美元叫 Operator 做網路研究：成果很弱
評測者花 200 美元買 ChatGPT Operator，用一週時間丟白話瀏覽器任務：分析設計推文趨勢、彙整 AI 新聞、列 AI 建站工具價格、摘要文章、截圖進共用 Google Doc。結果弱：推文重複又過期、只摘要了一篇 Axios、抄了某 Bing 清單的前十條；多篇文章摘要時在分頁間鬼打牆，截圖功能根本沒法用。
不會寫程式，用 Claude Code 做股票研究
一名非工程師把研究資料全放本地純文字檔（Obsidian 管理），SEC 文件從 EDGAR 存好，頂層 CLAUDE.md 寫明檔案結構與規則；Claude Code 只讀這些檔、用原文引句＋編號萃取數字、跑第二遍驗證。它從 Accenture 近五年財報挖出單看難發現的模式：bookings 指標從 30 億到 59 億，然後從後續財報消失。方法成立的關鍵是第二遍糾錯，但第一遍從不清爽。
給 agent 餵 200 萬篇論文，小模型優化多贏 0.38%
作者跑兩個相同 Claude Code agent 優化小語言模型：一個只靠內建知識，一個接 Paper Lantern（200 萬＋ CS 論文的 MCP 搜尋），每次嘗試前先掃文獻、看了 520 篇、提出 25 個點子。有文獻的 agent 提升 4.05% 對 3.67%，約 15 個點子有效；2 小時賽程中領先 12 分鐘以上。但留言質疑結果強度與通用性。
把 agent 當視覺瀏覽器逛幾百家店比價
留言者把 ChatGPT Agent Mode 當視覺瀏覽器而非文字爬蟲用：開虛擬電腦、像人一樣看渲染後的頁面、點真實按鈕；用來掃幾百家網店找特定商品並確認能否寄到自己國家。據說對付動態頁面比文字爬蟲好得多；無硬數據、無 prompt 細節。
叫電腦自己開維基百科抄名單
作者用 Claude Computer Use 直接操控 Firefox：打開指定維基百科頁面，找出頁面上所有人名、去重後存成文字檔，並回報共找到幾個名字。
用 skill 自動挖 Reddit 用戶痛點
作者把原本的 Reddit 調研 agent 換成 Codex skill：找相關版面、確認活躍度與主題相符、蒐集帶連結的原文證據、把抱怨聚類成主題，並標記哪些痛點有人願意付費解決。
寫 code 前先讓 agent 讀完 30 篇討論串
作者寫了一個 MCP server，讓 Claude Code 在動工前先去 Reddit 找約 30 篇相關討論串，10 秒內彙整出主流做法、常見抱怨與推薦解法，每條附連結存成 research.md。