AI 辅助研究与分析（防幻觉工作流）
†ai-analysis-four-failure-modes → ai-analysis-verification-pass → quote-selection-rules-verification（引语幻觉/缝合怪检测）→ few-shot-calibration-scale → llm-selection-for-analysis（Caitlin Sullivan 全套）、llm-disconfirmation-research（Shaun Clowes：让 LLM 反驳你）、ai-meeting-synthesis-guardrails、ai-summaries-degrade-intuition（哪些环节必须自己保留）。
AI 分析四种失效模式AI Analysis Four Failure Modes
用 LLM 分析客户访谈、问卷等定性数据时，输出永远显得自信，但可能充满幻觉引语、伪洞察和错误结论。这些错误是隐形的——直到干系人问出你答不上的问题，或三个月后决策崩盘。本框架用来系统识别并修复 AI 分析的错误。
AI 分析人工验证流AI Analysis Verification Pass
AI 的第一遍分析永远是一份"看起来完整"的草稿：主题清晰、引语动人、表格能直接进 deck，且所有内容都以同等自信呈现——它不会主动说"P03 我其实不确定"。人类专家会本能地做多遍复查，LLM 默认不会，除非你明确要求。这是作者认为最常见的失败模式。
引语幻觉验证规则Quote Selection Rules Verification
AI 分析中的引语幻觉：完全虚构的"客户原话"，以及把访谈中多处发言缝合成的 "Frankenstein quotes"。它们会顶着真实参与者的名字进 deck，影响产品语言和百万级决策。
少样本校准量表Few Shot Calibration Scale
AI 给的是计数和分类（"22 人提到想要屏幕""情感 72% 正面"），不是决策清晰度。它分不清"屏幕能直接留住的人"、"其实只需要改 App UX 的人"和"屏幕完全无关的流失"，所有 mention 被同等对待。
分析型 LLM 模型选择法LLM Selection For Analysis
做定性数据分析（访谈/问卷）时选哪个 LLM；以及理解你正在用的那个模型的盲区——多数团队只有一家的企业账号，永远看不到自己模型的短板。
LLM 驱动证伪研究法LLM Disconfirmation Research
PM 面对海量定性信息（用户访谈、inbound 反馈、竞品资料）时，过去只能靠大脑当"总结机"，慢且说不清依据；用上 LLM 后又容易只让它复读自己想听的话。这套 playbook 教你用 LLM 做**证伪式**研究综合。
AI 会议综合提炼护栏AI Meeting Synthesis Guardrails
AI 会议纪要很流行但经常失准——漂向宽泛抽象、丢失细微差别。而 synthesis（综合提炼）对 PM 不是行政杂务而是关键技能：PM 参加别人不在场的会（客户电话、高管战略评审、技术讨论），他们的综合决定了组织能否理解决策的"为什么"，而不是沦为"CEO 说了算"。问题：如何用 AI 省力而不让它变成拐杖、废掉这块肌肉。
AI 摘要削弱直觉AI Summaries Degrade Intuition
决定 AI 在你的客户信号处理流程里扮演什么角色：哪些环节交给 AI，哪些必须自己保留。