正在加载项目…
工业深度研究把一次投标失利、一次选型、一条供应链方案，做成可以交接、可以复核、可以接着做的项目资产——而不是聊完就散的对话。
它要完成的不是「帮你搜一下」，而是从真实业务问题出发，走完整条研究与决策链：找到信息 → 形成可核对的判断 → 给出能落地的方案。
聊天机器人记住的是「我们说过什么」。关掉窗口，研究往往从零开始；不知道的事，要么被说成知道，要么下一段就忘了。
这里记住的是这个项目现在知道什么：
| 普通聊天 | 工业深度研究 |
|---|---|
| 记住对话 | 记住这个项目已经确认的事实、判断和建议 |
| 给你一段回复 | 留下可分类、可引用的研究产物 |
| 新开窗口 ≈ 从零开始 | 重开项目，从已有认知继续 |
| 不知道，常常被说成知道，或被忘掉 | 「不知道」会被明确记下，并约束下一步怎么查 |
销售、产品和研发不必共用同一段聊天记录。他们需要的是可以分别复核的事实、推断和建议。
Cursor、Codex 一类工具很擅长改仓库、跑测试、提交补丁。它们的世界是代码文件；任务做完，工作区就是结果。这对软件工程是合适的。
工业研究没有现成的「认知仓库」。网页、标书、拆机图、口头传闻不会自动变成可引用的对象。如果只在一次会话里搜搜写写，窗口结束，研究也就蒸发了，或退化成又一篇无法复核的长文。
一段流畅的中文不等于完成。完成意味着项目里多了可检查的对象：这条结论从哪来、还有哪些不确定、建议为什么这样给。别人可以问「凭什么」，新证据到来时也可以更新它，而不是再生成一篇互相矛盾的新文章。
报告只是这份知识的一种读法。真正留下来的，是可以交给同事接着做的研究状态。
「竞品真实采购价未知」「某型号未确认」如果只存在于某句回复的语气里，下次就会消失。把未知写进项目，研究才会换路：该查专利、该拆机、该问人，而不是再换一个同义搜索。
查过走不通的路同样会留下。没有它，多路并行研究几乎一定会重复劳动。
例如：复盘一次丢标，摸清真实对手，拆解产品与成本，给出下一轮怎么改、怎么报。也可以从客户场景出发（如建设实验室），把商品库当作搜索空间，配出场景化的供应链方案。
不同角色的子研究共享同一份项目认知，但各自只看当前任务真正需要的部分——更像一个真实团队：资料在项目里，视角在角色里。你看到的仍是 Agent 在继续研究；底下发生的是读相关记忆、更新判断、记住失败，而不是把聊天记录再压缩一遍。