产品调研的差距，不在「你看了多少」，在「你怎么处理你看到的」。单源消费让你记住厂商的话术；交叉验证让你看见话术的裂缝。
这篇文章不讲 ego-lite（那个我另写了一篇 《给 Agent 一个浏览器》）。这篇讲一个更值钱的东西——我怎么用知识库做一次产品调研，把一个评测视频里的三个错误结论，逐一揪出来。
前两天我想搞清楚 ego-lite（一个给 AI agent 用的浏览器）到底怎么样。随手点开一个 9 分钟的教程视频，看完我会笃信三件事：
1. 它的自动化比传统方案快几十倍（内存/进程开销降几十倍）
2. 它是开源的
3. 它支持 WorkBuddy 这个 agent
这三句话，视频里都讲了，讲得还挺有鼻子有眼。先说句公道话：UP 主多半不是有意骗人，他只是转述了厂商的口径——但对你来说结果没有区别。问题只有一个——没有一句经得起第二个来源的检验。
我的做法不是「再多找几篇文章看看」——人脑记不住八个来源的细节对比。我的做法是把它们喂进知识库，让结构化流程替我对账。
三步：
第一步：逐源独立消化。 每个来源——官方 README、官网、团队自荐帖、四个不同 UP 主的视频——各自独立分析一遍，提取事实。关键纪律：每个来源单独过一遍，不混着看。混着看就是注意力稀释，最后啥都记不准。
第二步：跨源对账。 把八份独立分析放一起，做四件事：实体去重（同一个人/公司不同写法合并）、数字口径对齐、矛盾检测（找对不上的地方）、确定每条结论到底几个来源支持。
第三步：诚实标注。 单源支持的、厂商自述的、没 benchmark 的——全部标出来，不替产品背书。
这套流程的本质：大模型当记账员（索引、对账、标矛盾），人当思考者（判断、决策）。 记账的活外包给流程，脑力留给真正需要判断的地方。
对完账，那个视频里的三件事变成了这样：
裂缝一：「快几十倍」——单源、零佐证。 这个数字只出现在那一个视频里（UP 主转述厂商演示时的口述），其他六个新来源没一个提到，也找不到任何具体 benchmark。换句话说，这是一个无法验证的口口相传。
裂缝二：「开源」——只对了一半。 交叉到一个 FOSS 速览视频才发现，ego-lite 的 license 是双层的：配套的 skill 和连接层确实是 MIT 开源，但浏览器本体是免费却闭源的。所以「ego-lite 是开源项目」这句话，精确地说，只对了一半。如果你像我一样在意「是不是真开源」，这是个硬边界。
裂缝三：「支持 WorkBuddy」——演示对象，不是官方支持。 官方的支持列表清清楚楚是 9 个 agent（Claude Code / Codex / Cursor / Kiro / Hermes Agent / OpenClaw / Continue / Gemini CLI / OpenCode），WorkBuddy 不在里面。视频里出现，是因为 UP 主拿它做演示，不代表官方支持。
彩蛋：2.5 倍与 3.45 倍打架。 README 写「比 Vercel agent-browser 快 2.5 倍」（4 个任务的 benchmark），官网却写「3.45 倍」（营销口径）。两个数字对标同一家、都写「最多」，却不一样——这本身就是数字层层加码的信号。
这就是交叉验证的杠杆：单源消费的信息熵很高（你分不清哪句可靠）；多源对账把「可靠度」变成了可量化的东西（几源支持、是否厂商自述、有无 benchmark）。你消费信息的方式，决定了你相信的版本。
ego-lite 只是个小案例。上周我用同一套流程核实那份疯传的 DeepSeek 投资人会议稿，抓住过一个更隐蔽的错误：一手稿里，当事人的原话是某项关键技术「我们家出了一个技术」。我拿 GitHub 仓库、arXiv 论文、项目官网三个独立来源交叉一对——TileLang 实际是北大团队主导的开源项目，这家公司是它重要的使用者和深度贡献者，但「自研」是夸大表述。
注意这次差点骗到你的不是二手评测，而是当事人本人。所以这套方法的适用范围比「防营销话术」大得多——一手信源也要过交叉验证这一关。完整过程我写在 《那份疯传的 DeepSeek 会议稿，我核实出三个反转》：那篇是核实的结果，这篇是核实的机器。
有人会说：这不就是「多看几篇评测」吗？不是。差别在六个字：结构、积累、调用。
• 结构化：每个事实挂在来源表里，带权威度评级、贡献日期。半年后回头看，我知道每句话哪来的，不会变成「好像在哪看过」。
• 可积累：这次调研 ego-lite 的方法论，下次调研别的产品直接复用。更关键的是——知识本身沉淀下来了。下次 ego-lite 出新版、或有竞品要对比，我不是从零开始，是站在这次的肩膀上。
• 可调用：这些结构化的认知，将来我的 agent 能直接调用。我做调研的成果，不只服务这一次决策。
• 反面：人脑记不住八个来源的细节对比。你以为「多看几篇」就懂了，其实只记住了印象最深、最早看到的那一篇——通常是第一个视频。
很多人把「第二大脑」「知识库」当成记忆外包——怕忘了，存起来。这是对它最浅的理解。
真正的价值，是它重构了你消费信息的方式：从「被动接收别人给的结论」，变成「主动对账、验证、形成自己的判断」。
在 AI 能替你总结一切的时代，「记住事实」不值钱了，「穿透话术看本质」才值钱。而后者只有一种训练方式——反复练习「对账」，而不是反复练习「收藏」。
知识库就是你对账的场地。大模型当你的记账员，把八份材料摆齐、标好矛盾；你当思考者，做最后那个「我信哪个、我不用哪个」的判断。这个判断，才是 AI 替不了你的部分。
产品调研的护城河，不是信息量，是信息处理方式。 同样的八个来源，单源消费的人得到三个错误结论；交叉对账的人得到三个真相和一套可复用的认知资产。
怎么开始？很简单，下次调研任何东西：
1. 别只看一个视频/一篇文章——至少找三个不同类型的来源（官方、第三方评测、社区讨论）
2. 别混着看——逐个独立记要点
3. 最后对一遍账——专门找「对不上的地方」，那里藏着厂商不想让你知道的事
第三步最难，也最值钱。
💬 你最近一次「差点被单一来源带偏」是哪件事？评论区说说——点赞最高的，我用这套流程替你对一次账。
本文方法论基于作者 AI OS 知识库实际执行的两次调研：ego-lite 8 源交叉（2026-07-29）与 DeepSeek 会议稿核实（2026-07-27），事实均标注可溯源。配套的 ego-lite 产品分析见 《给 Agent 一个浏览器》，DeepSeek 核实结果见 《三个反转》。
飞说｜feitalks
评论