Deep Review：讓 AI Agent 學會「讀完文章再想想」
讀到好文章就想全盤照收？Deep Review 是一套給 AI Agent 的研究方法論，用六個階段把「我覺得不錯」變成「我分析過了，這是結論」。開源、免費、一個 prompt 搞定。
Deep Review：讓 AI Agent 學會「讀完文章再想想」
GitHub：p3nchan/deep-review
你有沒有過這種經驗：
讀到一篇超讚的技術文章，興沖沖地覺得「天啊我也要用！」然後三天後完全忘了，或者照搬了一堆東西進系統、過了一個月才發現根本用不到？
我有。而且不只一次。
問題出在哪
我們讀文章的時候，很容易被幾件事帶著走：
- 名氣——大神寫的就一定對嗎？
- 新鮮感——新的方法聽起來總是比較厲害
- 行動衝動——讀完總覺得「應該做點什麼」
問題從來不是文章寫得不好，而是我們跳過了分析。從「讀完」到「執行」之間，少了一步：好好想過。
但「好好想」需要時間和精力，人類通常沒有足夠的耐心把每個論點都攤開來檢視。
AI 有。
Deep Review 是什麼
Deep Review 是一套給 AI Agent 的研究方法論——一份結構化的 prompt，專門解決「該不該採用這篇文章的建議」這個問題。
它不是幫你摘要文章（那個隨便一個 AI 都能做），而是幫你分析：
- 這篇文章解決的問題，我真的有嗎？
- 它的建議有證據支撐嗎？還是只是觀點？
- 跟我現在的系統比，差在哪？
- 採用的成本和風險是什麼？
- 如果改了之後發現不行，退得回來嗎？
跑完之後，每條建議都會拿到一個明確的判定：採用、實驗、拒絕、或需要討論。
不靠直覺，靠流程。
六個階段
Phase 0：過濾
最重要的第一步——「我們有這個問題嗎？」
多數文章解決的問題你根本沒有。如果第一題的答案是「沒有」，整個分析直接結束。不浪費時間，不浪費 token。
「什麼都不改」是完全合理的結果。
Phase 1：提取
把文章拆成一條一條獨立的主張（claims），然後標記每一條的證據類型：
| 類型 | 例子 |
|---|---|
| 實驗數據 | 「我們測了 500 次，延遲降低 40%」 |
| 案例研究 | 「我們團隊用了之後生產力提高」 |
| 邏輯推理 | 「因為 A，所以 B 應該成立」 |
| 純粹觀點 | 「我覺得這樣比較好」 |
這一步純提取，不做判斷。先忠實呈現作者說了什麼。
還會問一個微妙的問題：如果這篇文章是匿名發表的，你還會覺得一樣有說服力嗎？ 這是用來對抗權威偏誤——有時候我們被說服，不是因為論點好，是因為作者有名。
Phase 2：比對
把每條主張和你的系統現狀對照，而且必須引用具體的檔案和行數。
「我們系統裡好像有類似的東西」這種含糊的說法不被接受。要嘛指出 config.yaml:42，要嘛承認還沒查到。
Phase 3：論辯
針對每條主張，列出正反兩面：
- 支持：文章的證據 + 對我們的具體好處
- 反對：實施成本、和現有系統的衝突、作者沒考慮到的情境
- 缺失：做決定之前還缺什麼資訊
另外會從可靠性、可維護性、操作性、複雜度四個面向評估影響，以及一個常被忽略的問題：如果採用之後後悔了，退回來的成本高嗎？
Phase 4：決策
每條主張一張決策卡，格式統一：
- Claim：這條主張是什麼
- Decision：採用 / 實驗 / 拒絕 / 需要討論
- Reasons：前 2-3 條理由
- Concrete change：如果要改，改哪個檔案的哪個部分
- Expected consequences：預期的正面和負面影響
不是只有「好」跟「不好」——有時候答案是「先小規模試試」，有時候是「東西不錯但我們不需要」。
Phase 5：審計
最後一步，也是最關鍵的設計：審計必須由獨立的 subagent 執行。
為什麼？因為 AI 在同一次對話中檢查自己的輸出，幾乎一定會說「看起來沒問題」。研究顯示這種自我審查的辨別力趨近於零。
獨立 subagent 會檢查幾個常見的失敗模式：
- 所有主張都被採用，或全部被拒絕（沒有分辨能力）
- 比對表裡沒有具體的檔案路徑（含糊帶過）
- 反對意見全都是「需要更多資料」（迴避判斷）
- 支持論點只是重述文章（沒有結合自身情境）
還會問一個狠問題：如果跳過整個分析、30 秒靠直覺做決定，結論會一樣嗎？ 如果答案是「會」，代表這個分析沒有產生額外價值。
這不是審查來源，是學習方法
有人可能會問：這算是在「審核」文章嗎？
不是。Deep Review 的核心態度是學習，不是複製，也不是批判。
我們不是要判定一篇文章「對」還是「錯」——而是在問：「這篇文章裡有什麼東西，對我的系統有用？」
Phase 5 的審計，審的也不是文章本身，而是分析過程的品質。帶著學習的心態去評估資源，輕量的紅旗檢查就夠了。
怎麼開始用
最簡單的方式：
- 把
deep-review.md放到你的專案目錄或~/.claude/裡 - 在 Claude Code 裡輸入
deep-review，貼上文章 - 等它跑完六個階段，拿到結論
就這樣。一個檔案，不用裝任何東西。
如果你不是用 Claude Code，也沒關係——deep-review.md 就是一份結構化 prompt，可以拿去 Cursor、Windsurf 或任何能讀 markdown 的 AI 工具裡用。
為什麼做這個
我在建構自己的 AI Agent 系統時，每天都會讀到大量的技術文章和別人的做法。有些真的很好，有些聽起來很好但其實不適合我。
問題是：我沒有時間和精力把每篇都仔細分析。直覺判斷又常常出錯——不是過度樂觀就是完全忽略。
所以我做了 Deep Review：讓 AI 幫我把「直覺」變成「流程」。
不是所有文章都需要跑這套分析——簡單的小技巧看看就好。但遇到那些可能改變你系統架構或工作流程的文章時，花幾分鐘跑一下 Deep Review，可以省下之後幾小時的踩坑時間。
背後的研究
這不是拍腦袋想出來的。設計有據可查：
- CheckEval — 為什麼 checklist 比開放式評分更好
- LLM-as-Judge 研究 — AI 當評審時的已知偏見
- 多 Agent 辯論研究 — 為什麼 AI「角色扮演辯論」常常適得其反
- Heilmeier Catechism — DARPA 的提案評估方法
- Architecture Decision Records — 工程團隊記錄決策的標準格式
Deep Review 是開源的，MIT 授權。如果你覺得有用，歡迎拿去改、拿去用。
GitHub：p3nchan/deep-review