把 Claude Code 引入政策研究流程，对我来说是一次很实在的效率革命。做政策文本分析的人都知道，日常工作最重的一块不是动脑写结论，而是没完没了地读材料、做摘录、画对照表：几十份文件堆在文件夹里，每份几十上百页，光是把“谁发的、发给谁、要求什么、什么时候完成”这些要素捞出来，就足够消耗一整天。Claude Code 这种命令行 AI 工作流代理，恰好能把这套机械劳动接过去。它可以读取你电脑里的研究资料，批量生成摘要、提取结构化信息、对比文件差异，最后把结果整理成 Markdown 草稿。这篇文章写给做政策研究、行业分析、课题报告的朋友，讲讲我如何用 Claude Code 重新搭建整套研究流程，以及实测下来的效果和踩过的坑。
1. 从聊天问答到工作流代理：Claude Code 解决的几个关键问题
1.1 传统聊天式工具的瓶颈在哪
过去几年，用网页聊天机器人辅助研究已经很普遍，但我真正把它用进日常流程后，很快发现三个不舒服的地方。
第一是粘贴限制。长文件没法一次贴进去，只能分段复制，贴到后面前面的内容就记不清了，上下文是断裂的。分析一份几十页的文件，往往要来回贴四五轮，每次粘贴都在消耗精力和上下文窗口。
第二是它没法直接操作本地文件。聊天工具看到的只是你贴给它的那几段文字，看不到你文件夹里还有什么。你换一个文件，就要重新复制、重新粘贴、重新解释背景，本质上还是“复制粘贴式研究”。
第三是会话无状态。今天聊完，明天再开新会话，它什么都不记得。研究项目动辄持续几周，每次都要重新交代一遍课题背景、材料清单、输出要求，非常消耗耐心。
这三个问题，本质上是“聊天问答”形态和“研究任务”形态不匹配。研究不是一问一答，而是一个需要反复读取、整理、比对的工程过程。
1.2 Claude Code 的“项目即上下文”思路
Claude Code 是一个运行在终端里的 AI 代理（Agent），它最大的特点是：以项目目录为工作单元。启动后，它能直接看到你当前文件夹里的文件结构，可以自行读取文件内容，也可以执行命令、写文件，在多轮对话里自主完成一连串子任务。
这意味着交互方式完全变了。以前你问的是“这段文字讲了什么”，现在你可以说“把 01_extracted 目录下所有文件读一遍，按模板生成摘要，写到 02_abstracts 文件夹里”。它真的会去读、去写、去执行，而不是等你复制粘贴。
我日常用得最多的是这几种能力：
- 文件读写：读取指定目录的多个文件，把结果写入新的 Markdown 文件。
- 命令执行：调用系统工具完成批量操作，比如批量转换文本格式、统计文件行数。
- 多轮子任务：把“读摘要—提取字段—生成表格—写备忘录”串成一条流水线。
- 结果落盘：每次分析结果都保存为文件，方便后续人工复核和版本管理。
这套能力组合起来，Claude Code 就不只是一个问答工具，更像一个能听懂指令的研究助理。
1.3 为什么它对文本密集型研究特别友好
政策研究本质上是一种文本密集型工作：语料量大、格式多样、需要反复比对。Claude Code 恰好在这几个点上优势明显。
以文件夹为上下文，意味着整个语料库都能成为分析对象。你不需要先告诉它“还有第三份文件”，只要文件在目录里，它就能按需读取。
输出可以直接落盘为 Markdown，摘要、表格、备忘录都能用文件沉淀下来。研究最怕成果散落在聊天记录里，落盘之后，每一轮分析结果都变成项目资产。
配合 git 还能全程留痕。我习惯每个研究项目都建 git 仓库，每次 AI 生成的版本都提交一次。想回看某个结论当时是怎么推出来的，一条命令就能查。
批量处理能力更是传统方式比不了的。我处理过一个几十份样本的语料库，用聊天工具一份份粘贴至少要两天，用 Claude Code 批量跑摘要加提取，一个下午就出了初稿。
2. 研究型工作区怎么搭：目录、文本化与项目级提示词
2.1 一个能跑起来的目录结构
很多人在 Claude Code 里做研究效率不高，根因是材料没整理。它虽然能读取文件夹，但如果你把 PDF、Word、扫描件、表格全堆在一个目录里，它处理起来会很吃力，输出也会乱。我现在的标准做法是先把目录设计好：
research_project/ ├── 00_source/ # 原始材料，保留 PDF、Word 原件 │ └── pdf/ ├── 01_extracted/ # 文本化后的统一格式材料，后续分析只读这里 ├── 02_abstracts/ # 每份文件的摘要 ├── 03_structured/ # 结构化提取的字段和表格 ├── 04_drafts/ # 研究备忘录、对比分析、初稿 └── prompts/ # 常用提示词模板这个结构的核心思路是“分层流转”：原始材料只进不出，文本化后的材料是分析主对象，每一层处理结果都落到独立目录。好处是 Claude Code 的读取范围很明确，不会在无关文件上浪费上下文；人也很容易搞清楚每一步加工出来的东西在哪。
2.2 把 PDF 先批量转成纯文本
Claude Code 虽然可以直接处理 PDF，但实测下来，纯文本的效率和准确率都明显更高。PDF 的排版信息会干扰解析，扫描件更是直接读不了。所以我先做一步统一转换：把 PDF 全部转成 txt，集中放到 01_extracted。
# 批量将 PDF 转为纯文本，需要本机安装 pdftotext mkdir -p 01_extracted for f in 00_source/pdf/*.pdf; do base=$(basename "$f" .pdf) pdftotext -layout "$f" "01_extracted/${base}.txt" done这里的-layout参数很关键，用于尽量保留原文的版式结构。政策文件里大量出现条、款、项，如果版式丢了，后续提取“第几条”就很容易错位。
如果遇到扫描版 PDF，pdftotext 转出来是空的，那说明是图片型文件。我的处理是先用 OCR 工具把扫描件转成文本，再做后续分析。这一步别指望 Claude Code 替你完成，它没法直接“看”图片型 PDF 里的文字，老老实实先走 OCR 流程。
2.3 用 CLAUDE.md 固化项目背景
这是我觉得最值得养成的一个习惯：在项目根目录放一个 CLAUDE.md 文件。Claude Code 每次会话启动都会自动读取它，相当于给 AI 建立项目记忆，不用每次重复交代背景。
我的研究项目里，CLAUDE.md 大概是这样的：
# 项目背景 本目录是某课题研究材料库，分析对象为 01_extracted 下的文本文件。 目标产出：材料摘要、关键字段提取表、多文件差异对比、研究备忘录。 # 输出规范 - 摘要控制在 300 字以内，先写核心结论，再列执行要点。 - 字段提取必须包含：主体、对象、时间节点、支持措施、量化指标、约束条件。 - 引用原文时必须标注来源文件名，禁止编造原文。 - 所有输出使用 Markdown 格式，写入对应子目录。有了这个文件，后面每一轮对话我只需要说“按项目规范把新文件也提一遍”，它就知道该怎么干。这个记忆机制省掉的重复沟通量，比想象中大得多。
3. 四个核心用法拆解：摘要、提取、对比、起草
3.1 批量摘要：让 AI 先替你读完一遍
材料入库之后，第一件事永远是通读。以前这项工作要么自己啃，要么让实习生啃，现在我会让 Claude Code 批量生成摘要。
逐个读取 01_extracted 目录下的 txt 文件，为每个文件生成一份中文摘要。 按以下结构写入 02_abstracts 目录，文件名与原文对应： - 文件名称 - 核心结论 - 涉及主体 - 关键要求 - 时间节点这里有个实操细节：一定要要求它“读完一个写一个”，而不是“全部读完再统一写”。逐个写入的好处是，即使处理到一半上下文不够，已经生成的部分也完整保存在目录里，不会全部丢。
摘要生成后的结果我一般不会直接信，而是先扫一遍，看有没有自相矛盾的地方。AI 在单份文件摘要上通常表现不错，但偶尔会把两份文件的内容串在一起，快速浏览一遍就够发现问题。
3.2 结构化提取：把几十页压成一张表
摘要解决“每份讲了什么”，但研究还需要“横向可比”。这时候结构化提取就派上用场了。我会让 Claude Code 从每份文件里抽出固定字段，生成统一的表格。
对 01_extracted 目录下的每一份文件，提取以下字段并汇总到 03_structured/overview.md： - 主体：发布或实施的主体 - 对象：主要面向的人群或组织 - 时间节点：关键日期或实施周期 - 支持措施：列出的扶持、奖励、便利化措施 - 量化指标：所有带数字的目标或指标 - 约束条件：限制性、禁止性条款字段设计看起来很简单，但它是整个项目的地基。你希望最后能回答什么研究问题，就提前把相关字段定下来。比如你想分析“不同地区在支持力度上的差异”，那“支持措施”和“量化指标”这两个字段就必须拆得足够细；如果只关心时间节奏，字段就围绕时间节点设计。
提取完成后的表格，我会抽查两三行去和原文核对。重点看数字，政策文本里的数字错一个单位，结论就可能反转。
3.3 多文档对比：让差异自动浮现
材料多了之后，最头疼的是比对。几份文件看着都差不多，真要说出哪里有差异时，又得翻来翻去。Claude Code 擅长处理这种“一次性读多份、输出差异”的任务。
阅读 03_structured/overview.md 中的三份样本记录，生成对比矩阵： - 共同点：三份文件都覆盖的共性内容 - 差异点：逐项列出不同之处 - 量化指标差异：重点标出数值和目标表述的差别 - 待核实项：你觉得需要人工确认的疑点实际使用中，我觉得单次对比的文件数量最好控制在两三份。文件太多时，AI 容易顾此失彼，对比深度明显下降。宁可每两到三份跑一轮，最后再汇总，也不要指望一次把十几份文件全部对比到位。
“待核实项”这个字段是我特别坚持的。它逼着 AI 把自己不确定的地方单独列出来，而不是含糊带过。这份清单同时也是我给自己的核查指引，照着它去翻原文，效率很高。
3.4 研究备忘录与初稿生成
结构化表格和对比矩阵都齐了，写备忘录就水到渠成了。我会把前面所有产物汇总，让 Claude Code 起草一份研究备忘录，但明确要求它区分事实与判断。
基于 02_abstracts 的摘要和 03_structured/overview.md 的表格，写一份研究备忘录： - 资料概况：材料数量、类型、覆盖范围 - 共性特征：多份文件共同体现的特点 - 差异分析：显著不同的处理方式和数据 - 疑点清单：需要人工核实或进一步获取信息的问题 - 所有判断不得超出材料内容，不确定处标注"待核实"备忘录初稿出来后，我会在它基础上直接改，而不是从头写。原来写一份三千字的分析材料，从空白到成稿怎么也得半天，现在半小时到一小时就能出一个质量相当不错的版本。省下来的时间，我全部用来做疑点核实和判断推演，这才是研究里真正有价值的部分。
4. 完整实操：三份样本文件的分析全记录
4.1 任务设定与材料准备
说再多不如跑一遍。我用一个模拟任务演示完整流程：分析三份产业培育类的样本文件，产出研究简报。三份样本分别叫“样本A”“样本B”“样本C”，都是虚构内容，放在 00_source/pdf 里。
先把样本全部转成文本，确认 01_extracted 目录下有三份 txt 文件，然后在项目根目录写好 CLAUDE.md，启动 Claude Code。
cd research_project claude4.2 阶段一：全库扫描与摘要
第一轮只做一件事：全库摘要。
逐个读取 01_extracted 目录下的三份文件，每份生成一份摘要。 摘要写入 02_abstracts，包含核心结论、涉及主体、关键要求、时间节点四部分。 每完成一份就写入一份，不要等全部读完再统一写。大约两三分钟后，02_abstracts 里出现了三份摘要文件。我打开快速扫了一遍，样本A的摘要已经列出了核心结论和几个关键时间节点，样本B和样本C也基本准确。有个小问题：样本B的“关键要求”部分把两个不同章节的内容合并了，不算错，但表述上容易让人误以为它们是一体的。我手动拆开重写了一下，顺手在 CLAUDE.md 里加了一句“涉及不同章节的内容分开列示”。
4.3 阶段二：字段提取与差异对比
摘要通过后，进入结构化提取和对比。
对三份文件提取统一字段并写入 03_structured/overview.md，字段包括：主体、对象、时间节点、支持措施、量化指标、约束条件。 提取完成后，基于表格生成三份文件的对比矩阵，重点标注量化指标差异，输出到 04_drafts/comparison.md。生成的 overview.md 让我很满意：支持措施被拆成了具体条目，量化指标单列一栏，三份文件的差异一眼就能扫出来。对比矩阵里更是直接点出了几个关键差异：样本B的量化指标口径和其他两份不一样，样本C多了一条样本A和样本B都没有的约束条件。
这里我尝到甜头了。以前做这种对比，要在三份几十页的文件之间来回翻，至少一上午；现在机器把差异清单直接递到你手上，剩下的只是核实和判断。
4.4 阶段三：按需追问与人工复核
结构化结果出来后，我往往会再追加几轮追问，把模糊的地方问清楚。
样本B和样本C在支持力度的表述口径上有什么不同？用表格对比。这一轮的速度快得多，因为上下文里已经有前面提取的信息。表格输出把口径差异拆得很清楚：一个是按单项金额表述，一个是按综合比例表述，直接决定了两者能不能放在同一维度比较。
到这里，机器部分的工作就结束了。我会打开所有生成的文件，重点复核三样东西：表格里的数字是否和原文一致；对比矩阵里的差异判断是否真实存在；备忘录的措辞是否准确，没有夸大或过度推断。原则上，凡是涉及结论性表述的地方，都必须在原文里找到依据。
5. 高频问题与排查技巧实录
5.1 上下文超长怎么办
政策研究的特点就是材料多、文本长，最容易碰到的问题就是上下文窗口被塞满，到后面 Claude Code 开始“遗忘”早期内容，输出质量明显下降。
我的应对办法是三个：
- 分批处理。不要一次让它读整个目录，而是按子目录或按文件列表分批，每批控制在合理范围内。
- 先摘要后细节。第一轮只要摘要，第二轮基于摘要选重点文件做深度提取，避免把全部原文都塞进同一轮对话。
- 及时压缩。Claude Code 提供上下文压缩工具，感觉对话变慢、开始丢信息时，主动压缩一轮，把之前的结论提炼成精炼记录，再继续新任务。
5.2 引用原文张冠李戴怎么防
AI 最让我警惕的问题不是写不出来，而是“写得很像那么回事但引用错了”。我有一次让它提取某份文件里的约束条件，它把另一份文件里的条款标成了这份文件的原文，不仔细核对根本发现不了。
防法就三条：第一，所有提取任务都强制要求标注来源文件名，模板里固定写“引用原文时必须标注来源文件名，禁止编造原文”；第二，对关键字段做交叉抽查，特别是数字和时间节点，抽查比例我一般放在 20% 以上；第三，要求它输出“待核实项”，逼它把没有把握的内容单独列出来。
5.3 输出格式不稳定
格式漂移是另一个常见问题。同一套字段，第一次输出 Markdown 表格，第二次可能就变成列表，第三次干脆字段改名。我踩过几次坑之后总结出两个办法。
一是把格式规范写进 CLAUDE.md，强制要求所有输出使用统一模板。二是每轮给出一到两行示例，让它照着走。比如“量化指标请按：指标名称 + 目标数值 + 口径说明的格式逐条列出”，比单纯说“列出指标”有效得多。
5.4 任务范围太大导致结果跑偏
想让 AI 在同一个会话里既做完摘要、又做完提取、还写完备忘录，结果往往每一项都差强人意。它跟人一样，任务太杂就容易顾此失彼。
我现在严格遵守“一次会话只做一个子任务”的原则。摘要归摘要，提取归提取，对比归对比，起草归起草。每个阶段结束，检查产物质量，确认没问题再进入下一阶段。这看起来多开了几次会话，实际上总效率反而更高。
5.5 数据安全与合规
Claude Code 处理材料时需要把文件内容发送到服务端，这一点研究团队必须心里有数。我的习惯是：进入流程前，先确认材料是否属于可对外处理的范围，涉密和未公开的材料绝不放进项目目录，严格遵守所在机构的保密规定。宁可在前期筛材料时多花时间，也不要在数据安全上抱侥幸心理。
5.6 费用与 token 控制
把几十份文件全部交给 AI 分析，费用会随上下文消耗明显上涨。我的控制思路不是少用，而是用得聪明：尽量用摘要结果决定哪些文件值得深入，而不是每份都做全量深度分析；一个会话能完成的批量任务不要拆成多个会话重复读取相同文件；任务完成后及时结束会话，避免挂着长对话继续积累上下文费用。
6. 我的使用心得与几个工作习惯
用了大半年 Claude Code 做研究辅助，最大的体会是：它真正解放的是“机械整理”的时间，而不是“思考判断”的责任。摘要、提取、对比这些环节，过去占据了我至少一半的工时，现在压缩到了原来的零头；但材料背后哪些信息重要、哪些差异有实质意义、结论该怎么下，这些仍然必须由人来判断。AI 可以把一份一百页的文件压缩成几百字的摘要，但“为什么这个指标值得关注”这个问题，它回答不了，也不该由它回答。
几个我现在坚持的工作习惯，分享给想上手的朋友：
- 每个项目必建独立目录和 CLAUDE.md，不混用、不将就。
- 每轮任务开始时，用一句话说清任务边界和产出位置，宁可多写一句也不让它猜。
- 要求 AI 在每份产出末尾附“待核实项”，把不确定内容显性化。
- 人工复核永远放在最后一步，重点核对数字、引用和结论性表述。
最后再分享一个小技巧：我习惯把所有提示词和模板存到 prompts 目录里，用 git 管起来。每当发现某个提示词效果好，就更新模板；效果不好，就回退旧版本。时间长了，这套提示词本身就成了团队的研究资产，新人上手时直接调用现成模板，很快就能产出合格的分析初稿。工具会迭代，但这种把经验和流程沉淀下来的习惯，带来的收益是长期的。
