導讀：遇到完全陌生的領域，有人用一套兩年驗證的方法論，搭配 AI，30 分鐘產出結構化研究報告。祕密不在 AI 多聰慧，在於問問題的框架。
問題不是資料太少
打開 Google，搜尋 200 萬條結果，看了十篇比開始之前更困惑。問題是沒有認知骨架——骨架搭起來之前，再多資料都是散落的拼圖碎片。
兩條軸線
這個方法源自 Saussure 的共時／歷時分析與社會科學的縱貫／橫斷研究設計：
縱軸（歷時分析）——時間線：這個東西從哪來？經歷什麼關鍵轉折？為什麼變成現在這樣？
橫軸（共時分析）——同期比較：競爭格局長什麼樣？同類有哪些？差異在哪裡？
縱軸回答「為什麼」，橫軸回答「跟誰比」，交叉點藏著最有價值的洞見。
圖：縱軸掃歷史，橫軸看同期競爭，再把兩者疊合成可驗證的認知地圖。
實際操作（以 MCP 為例）
步驟一：縱軸掃描（10 分鐘） — 請 AI 產出歷時分析。結果：Context Window 限制 → RAG 興起 → RAG 局限暴露 → Function Calling → Tool 標準化需求 → MCP 誕生。每個環節有前因後果。
步驟二：橫軸掃描（10 分鐘） — 請 AI 比較競爭格局：MCP vs. OpenAI Function Calling vs. LangChain Tool 體系 vs. Google Vertex AI Extensions。得到各方路線與市場選擇的座標圖。
步驟三：交叉分析（10 分鐘） — 兩軸疊合看。例如：MCP 的採用速度曲線與早期 HTTP 協議的擴散曲線高度相似，暗示它可能正在成為基礎設施級標準。
框架自動對焦
研究產品 → 縱軸聚焦功能演化，橫軸聚焦競品比較。研究公司 → 縱軸聚焦融資與商業模式轉折，橫軸聚焦市場定位。研究概念 → 縱軸聚焦理論演進，橫軸聚焦技術替代方案。不用換框架，只換輸入對象。
認知骨架 ≠ 最終結論
AI 產出的報告是認知骨架，不是最終結論。實測中，13 分鐘產出的萬字研究報告事實準確度約 85-90%，足以建立初步框架、知道該問什麼更深的問題。但不能取代閱讀原始論文、驗證關鍵資料點、與領域專家對話。
AI 時代值錢的是好奇心和方法。這套框架不讓你變成專家，但讓你 30 分鐘內知道專家在想什麼。
References
- 「分享一個我用了 2 年的深度研究 Prompt」— 縱橫雙軸研究框架原文與實測案例
- Ferdinand de Saussure — synchronic（共時）/ diachronic（歷時）分析框架
- 社會科學研究方法 — longitudinal（縱貫）vs. cross-sectional（橫斷）研究設計
- Harness 實測：13 分鐘產出萬字級研究報告，含縱軸歷史分析＋橫軸競爭格局
- 應用案例：Cursor、Anthropic、MCP、RAG 等主題的縱橫雙軸分析
常見問題
縱橫雙軸研究法適合完全沒有背景的人使用嗎？
非常適合。這套方法的設計初衷就是為零背景的人搭起認知骨架。縱軸給你歷史脈絡，橫軸給你競爭格局，兩條軸線交叉後，你就有了足夠的框架去問更深的問題。
AI 產出的研究報告準確率有多高，可以直接引用嗎？
實測準確率約 85-90%，足以建立初步認知框架。但不建議直接引用——應視為認知骨架，還需自行驗證關鍵數據、閱讀原始資料，並與領域專家交叉確認。
這個方法只能用在 AI 和科技領域嗎？
不限領域。同一個框架可應用於研究產品、公司、學術概念或人物。重點在於縱軸問「為什麼演變至此」、橫軸問「同期有哪些替代方案」，這兩個問題在任何領域都成立。