先定义问题，再开始整理

信息整理不是把材料压缩得越短越好，而是为下一个判断保留足够的依据。开始前，团队需要先写下：这次整理要帮助我们回答什么问题？哪些材料可以进入？哪些敏感内容不应被处理？

四步工作流

  1. 建立材料边界：确认来源、授权范围与不处理项。
  2. 保留原始表达：摘录要能回到上下文，而不是只留下结论。
  3. 归纳重复线索：用工具生成初步聚类，再由人检查命名是否准确。
  4. 形成下一步问题：将主题转换为待验证的假设，而不是直接定论。

这里最容易被忽略的是第二步。许多整理系统只保留“主题名称”，却丢掉原话、时间和情境。团队后续讨论时就无法判断一个主题究竟来自多数人的稳定表达，还是来自一段特别鲜明的个案。为每条主题保留可返回的材料链接，能显著提升讨论质量。

一个可直接使用的输出结构

项目需要回答的问题
观察到的线索原始材料里反复出现了什么？
对应材料哪些摘录支持这条线索？
当前解释团队暂时如何理解它？
待验证问题下一步还需要问什么、看什么？

这种结构能把“整理结果”变成研究对话的起点，而不是终点。

让工具留下“可追溯性”

好的输出不应只有一份摘要。它还应让团队看到每个主题由哪些材料支持、哪里存在矛盾、哪些地方需要继续追问。这样，AI 才是在扩展研究能力，而不是制造看似完整的结论。

在日常协作中，建议把模型生成内容明确标为“初稿”或“待复核”。当团队成员都知道下一步是核对而不是照搬，工具的使用会更稳健，也更容易形成共同的方法标准。