信息源判断

在 AI 搜索与 Agent 工作流中，判断一条资料能否进入当前任务上下文的能力；核心不是“有没有搜到”，而是“这个来源是否足以支撑后续决策和执行”。

简介

信息源判断是 AI 时代产品经理、AI 应用 Owner 和使用 Coding Agent 的人都必须具备的基础能力。它回答的问题不是“AI 找到了什么”，而是“找到的材料能不能进入当前任务”。在 AI 工具执行范围越来越大的情况下，这个判断变得比以往更重要：如果错误资料进入上下文，Agent 会沿着错误前提持续推进，把调研、方案、流程、页面、配置和验收一起带偏。

2026-07-08-woshipm-ai-coding-web-search-efficiency 将这个能力放到 Web Search 语境下说明：联网检索入口已经普及，但很多人没有建立信息判断流程，容易把“AI 查过了”误认为“结论可信”。真正会用 Web Search 的人，不是让 AI 多找几条链接，而是知道哪些资料能进入上下文，哪些只能作为线索，哪些必须挡在执行链路外。

关键信息

类型：AI 协作核心能力 / 产品判断能力 / 信息素养
适用场景：竞品调研、行业数据引用、产品方案设计、AI Coding、Agent 任务执行、AI 产品 PRD、评测集构建
核心问题：来源是否原始、是否当前有效、是否有商业立场、是否适用于当前业务、是否存在样本偏差、是否可能是软文或 GEO 内容
主要产出：可进入上下文的事实、只能参考的线索、必须排除的资料清单
关联页面：Web Search、上下文工程、AI竞品分析、AI产品经理工作流、GEO

核心特性

资料进入任务前必须先回答六个问题

一条资料能否进入当前任务，至少要回答六个问题。第一，它是不是原始来源，还是转述、聚合和二手加工？第二，它是否仍在当前时间有效，尤其是价格、政策、平台规则和产品能力是否发生变化？第三，它是否带有商业立场，例如营销稿、软文、厂商 PR 或导购内容？第四，它是否适用于你的业务场景，还是只适合完全不同的人群、地区、规模和约束？第五，它是否存在样本偏差，例如只看了极端评论、只看了成功案例、只看了首页而没有看帮助中心？第六，它是否为了被模型引用而生产，例如 GEO 内容把某个工具包装成行业标准但缺少边界。

这些问题不是形式主义，而是防止 Agent 在错误上下文上高效执行的防线。AI 的执行力越强，越需要在执行前把信息源判断做扎实。

三层来源分层

信息源判断最实用的落地方式是来源分层。

第一层是原始来源：官方页面、帮助中心、价格页、服务条款、产品更新记录、监管文件和平台规则。这类材料不一定最好读，但最适合作为依据。它们定义的是产品、平台、法律和规则本身。

第二层是可验证公开资料：行业报告、研究机构数据、公开访谈、真实用户评论、社区讨论和应用商店评价。这类资料能补充视角，但必须检查发布时间、统计口径、样本范围和发表立场。

第三层是经验文章、教程、媒体稿和聚合内容：它们可以帮助理解问题、发现关键词或形成初步假设，但不能直接作为最终依据。尤其在 AI 搜索时代，面向模型推荐生产的内容可能读起来完整、结构清晰，却缺少真实证据和适用边界。

信息判断与产品判断同源

对 PM 来说，信息源判断不是文献综述技能，而是产品判断的一部分。新功能立项前，需要查竞品和用户反馈；方案设计前，需要查平台规则和成熟案例；涉及第三方能力时，需要查价格、权限和服务条款；涉及内容或数据时，需要查来源、口径和更新时间；进入上线前，需要确认风险、边界和验收条件。

这些动作决定方案是否建立在正确事实上。错误信息会让需求判断失真，也会让排期、验收、协同和上线风险一起失真。因此，信息源判断是 AI产品经理工作流中“AI 做 80% 事务、人做 20% 判断”的重要组成部分。