1、Gemini Deep Research 是什么？
一键启动大型研究：你只需给出一个研究主题，Deep Research 会自动拆解成多个子任务，生成“研究大纲”供你确认，然后自主调度搜索、浏览和推理，最终整合成结构化、多页的研究报告。
多轮逻辑推理：借助 Gemini 强大的 100 万 token 上下文处理能力，它能在各步骤之间循环推理，补全遗漏，直至达到“自我审查”并输出高质量内容。
超大数据来源：Deep Research 可同时检索并分析数百个网络来源，涵盖学术、新闻、博客等多个层面，在几分钟内生成详尽报告.
2、使用方法
2.1 用骨骼浏览器进入获取Gemini ，然后点击Deep Research(已经登录gemini则忽略这一步)
2.2 输入你要研究的内容，点击发送即可。
2.3 开始研究
2.4 等待几分钟即可获得研究报告
2、 学术探究提示词
系统性文献回顾是学术研究的基石，但其过程耗时且劳动密集。LLM能够极大地加速这一过程，特别是在文献筛选和初步综合阶段 。
任务目标：根据预设的PICO标准（人群、干预、对照、结果），自动筛选大量论文摘要，并提取关键信息。
提示词策略：
框架选择：采用结构化方法 ，因为它强调角色、目标、上下文和任务定义，非常适合严谨的学术场景。
核心要素定义：
角色：你是一名经验丰富的生物医学研究员，正在进行一项关于[具体疾病]治疗方案的系统性文献回顾。你的工作必须严谨、客观，并严格遵守预设标准。
上下文：提供完整的PICO标准作为核心上下文。例如：人口(P): 成年intrabony/furcation缺损患者。干预(I): Emdogain + 骨移植物。对照(C): 单独使用骨移植物。结果(O): 临床附着水平(CAL)增益或探诊深度(PD)减少。 。同时，可以上传几篇已知的符合和不符合标准的论文摘要作为
少样本示例 。
任务分解与步骤：采用思维链（CoT）*和*任务分解的思路，要求模型对每一篇摘要进行分步评估。
高级技术整合：整合自我批判机制，要求模型给出决策理由。
终极提示词范例：
# 角色你是一名经验丰富的生物医学研究员，正在进行一项关于牙周再生疗法的系统性文献回顾。你的任务是根据以下PICO标准，评估提供的论文摘要是否应被纳入进一步的全文审查。你的评估必须严谨、客观，并为每一个决策提供清晰的理由。# 上下文与PICO标准以下是本次系统性回顾的纳入标准：- 人口(P): 仅限患有骨内缺损（intrabony defects）或根分叉缺损（furcation defects）的成年患者。如果摘要未提及患者年龄或缺损类型，则不视为违反标准。- 干预(I): 研究必须明确提及或强烈暗示使用了Emdogain与骨移植物的联合治疗。- 对照(C): 研究必须包含一个仅使用骨移植物的对照组，或至少有一个缺少Emdogain的对照组。- 结果(O): 研究必须测量临床结果，如临床附着水平（CAL）增益或探诊深度（PD）减少。如果摘要未提及具体结果指标，不视为违反标准，除非明确指出未测量任何临床结果。# 任务与步骤对于下方提供的论文摘要，请遵循以下“思维链”步骤进行评估：1. **PICO评估**：逐一评估摘要内容是否满足上述P、I、C、O四个标准。对于每一项标准，明确指出“满足”、“不满足”或“信息不足”，并从摘要中引用一句话作为证据。2. **最终决策**：基于PICO的综合评估，给出最终决策：“纳入（Include）”或“排除（Exclude）”。3. **决策理由**：用一句话简洁地解释你做出该决策的核心原因。# 输出格式请严格按照以下JSON格式返回你的评估结果：{ "pico_evaluation": { "population": { "status": "满足/不满足/信息不足", "evidence": "引用的原文句子" }, "intervention": { "status": "满足/不满足/信息不足", "evidence": "引用的原文句子" }, "comparison": { "status": "满足/不满足/信息不足", "evidence": "引用的原文句子" }, "outcome": { "status": "满足/不满足/信息不足", "evidence": "引用的原文句子" } }, "final_decision": "纳入/排除", "justification": "你的决策理由"}# 待评估的摘要[此处粘贴论文摘要文本]