01. 红队实战：Github 1.1K Star，一个AI写报告，四个AI来拆台
投资红队框架前文全员看多，股价腰斩：你需要建立投资分析的红队——三层六角度，从贝叶斯到博弈论到常识。但框架是纸上的，思维在脑海中，没有手上的趁手工具。
这两天逛GitHub，发现一个好玩的Claude Code skill：Hyper Research。一份研究报告，四个AI围上来从不同角度攻击它，攻击完又补了一轮搜索，补完再攻击。16步流水线，4个并行评论员围着你的研究报告挑刺。这恰好是我前两天写的红队思维的AI工具实现，于是第一时间装了研究一下。
AI SaaS ToB行业产品老兵，创业者，欢迎关注并理性讨论。
02. 前文回顾：红队到底在做什么
第一篇全员看多，股价腰斩：你需要建立投资分析的红队的核心是三层红队逻辑：
- 第一层， 数字会说谎 。
- 第二层， 人会自利 。
- 第三层， 市场在定价 。
第二篇书接前文：解禁前17天，SpaceX突然有了520亿AI大单的核心是动态跟踪和持续监控
当时文章发完，就有人问：这套框架不错，但每次人肉动脑子跑一遍容易错漏，而且每个不同案例会被忽略的信息角度都不一样，有没有一个东西，能把红队流程自动化？
截至目前，我认为这个Hyper Research就是。而且它的设计思路，恰好跟红队框架一一对应——还比我的框架多了一个维度。
03. Hyper Research：一支自动化的AI研究红队
Hyper Research是GitHub上一个开源项目，作者Jordan Gibbs（ https://github.com/jordan-gibbs/hyperresearch ）。它的核心功能是把Claude Code变成一个深度 找茬Agent ，用16步流水线把一个研究报告充实变成一份经过对抗性审查、每条引用都可追溯的研究报告。
完整的16步框架流程：
橙色步骤 = 红队相关（步骤3第一层、步骤8第二层、步骤14.5第三层）
红色步骤 = 红队核心（4评论员并行攻击）
其中跟红队思维框架直接相关的核心步骤：
步骤3：矛盾图谱（Contradiction Graph） ——不是收集所有说同一件事的来源，而是主动寻找不同来源之间的互相矛盾，然后聚类排名。这恰好是红队第一层”数字会说谎”的AI版本：不只看数字，看数字被放进了什么框架；不只看来源说了什么，看来源之间在吵什么。
步骤8：语料批评家（Corpus Critic） ——在草稿写出来之前，先问一个反事实问题：“什么样的信息会推翻当前的结论？“然后针对性地去搜索那些信息。这比人类红队更彻底——人类红队也会有确认偏误，但AI批评家被明确编程为”找反证据”。
步骤12：四个并行评论员（4 Parallel Critics） ——这是最红队的部分。草稿写完后，四个AI评论员同时从不同角度攻击它：
- 辩证评论员：找草稿遗漏的反证据
- 深度评论员：找浅薄的分析点
- 广度评论员：找草稿没覆盖的话题角落
- 指令评论员：检查草稿是否偏离了最初的研究问题
步骤14.5：引用验证（Cite-Check） ——逐条验证每个引用是否真的支持它声称的观点。如果发现引用的原文跟草稿里的表述不一致，直接标记为硬错误。这个机制直接对应红队框架里”不看研报结论，看分析师的激励机制”——不只看引用列表有多长，看每条引用是不是真的在说它被声称在说的东西。
步骤12的组合拳，加上步骤3的矛盾图谱和步骤8的语料批评家，本质上就是一支完整的AI红队。 它不比你更聪明，但它的工程化执行能力远超人类——不会因为”大家都这么写”而放弃质疑、不会跳过任何一条该查的反证据、不会在第四步之后开始偷懒。
04. 从三层到四层：Hyper Research解决了工程化问题。
我的投资红队框架是三层：数字（第一层）→ 人（第二层）→ 市场（第三层）。
把Hyper Research的机制映射进去不仅覆盖了这三层，而且多了一个最重要的工程化层。
第一层对应：矛盾图谱 + 引用验证。 红队问”数字被放进了什么框架”，Hyper Research问”这些来源之间在吵什么”和”每条引用真的支持它被声称的观点吗”。同一个逻辑——不质疑表面数据，质疑数据的呈现方式和来源质量。
第二层对应：来源独立性审计。 Hyper Research有一个”独立性审计”机制：自动聚类衍生副本和转载。五篇转载同一篇新闻稿，在报告中只算一票。这在红队框架里对应的是”18个分析师不是18次独立判断，是一次判断被复制了18次”。Syndication doesn’t count as consensus——这是同一句话的两种表达。
第三层对应：知识库复用 + 撤回检测。 红队说”市场在定价”——债券利差、历史基准是真金白银的信号。Hyper Research对应的是两个机制：每次研究的来源永久保存在可搜索的知识库里，下次研究复用；每篇论文的撤回状态在每次输出前重新检查，今天撤回的论文明天就拦截。在AI研究的语境下，“市场”就是知识库——积累的、可验证的、持续更新的信息来源。
最重要的是第四层：工程化。 人类红队受限于精力、注意力、确认偏误。你让一个人做4个不同角度的批评，第三个角度可能已经开始敷衍。但Hyper Research把红队流程变成了一套可重复、可并行、可验证的工程系统——四个评论员并行跑，每个都从自己的角度彻底检查；16步流水线每一步都有独立工作空间和明确产出物；引用验证不是”抽查”而是每一条都过。人类红队可以做深度，但做不了这种”工程化的系统覆盖”。
这正是红队思维的AI升级版： 不是替代人类判断，是让人类把精力花在AI也查不到的地方。
你可能注意到了——我没有提”AI红队比人类红队更聪明”。因为这不是事实。AI红队比人类红队强的地方不是智力，是工程化能力。它不会在第三步之后开始偷懒，不会因为前三个来源都说了同一件事就跳过第四个。它唯一的超能力是： 把”找茬”变成了一套可重复执行的工程化流程。
05. 实操：5分钟搭一支你的AI红队
说了这么多，具体怎么用？
安装： 一行命令。
pip install hyperresearch && hyperresearch install要求Python 3.11-3.13，Claude Code已安装。装完后在Claude Code里输入/hyperresearch <你的研究问题>就行了。
三级分层： Hyper Research有三种运行模式，按你的需求选：
| 级别 | 时间 | 来源数 | 适合场景 |
|---|---|---|---|
| Light | 30-40分钟 | 55-80 | 事实查询、调查、对比 |
| Full（默认） | 1.5-2.5小时 | 100-130 | 深度分析，完整对抗性审查 |
| Dissertation | 4-8小时 | 300-450 | 分章报告，25K-80K字 |
大部分日常研究用Light就够了。需要做决策的研究——比如投资尽调、竞品分析、行业判断——开Full。写书或者做系统性学术研究才需要Dissertation。
配置建议： 默认配置已经够用。如果想调高深度，一行命令：
hyperresearch profile use premier知识库： 这是Hyper Research最被低估的功能。每次研究的所有来源自动保存到research/notes/，SQLite索引，支持全文搜索和语义搜索。下次研究相关话题时，它会先搜知识库再搜外网。越用越聪明——这是AI红队的”复利效应”。
踩坑提示：
- 第一，它使用了Claude的SubAgent机制，同时跑的子智能体一堆，token消耗不小。Light模式大概几十块，Full模式大概率跑到百把块，至于Dissertation则去到大几百。建议用各家平台提供的Coding Plan中DeepSeek-V4-Pro[1M]模型。
- 第二，引用验证虽然严格，但不能替代你自己的判断——它验证的是”出处是否支持这个说法”，不是”这个说法是否成立”。
- 第三，跟所有AI工具一样，最终决策是你的。
- 第四，建议把每次研究的知识库路径统一管理——同一个话题的多次研究可以共享知识库，避免重复抓取。
06. 红队思维的终局：从投资到AI研究，再到所有判断
前文说：投资的第一性原理不是”买到牛股”，是”保住本金”。红队不帮你找到下一个十倍股，它帮你避开下一个腰斩股。
把这个逻辑平移到其他研究：研究的第一性原理不是”写出漂亮的报告”，是”不被骗”。红队不帮你写出论证完美的文章，它帮你识别那些”看起来完美但 一面之词 “的结论。
同时，从哲学的层面上讲：Hyper Research也需要被红队思维对待：而且其实Hyper Research的作者在README里就写了：“It doesn’t replace your judgment on which sources matter. The agent picks, you steer.”
我的理解是： AI红队的设计目标不是替你做决策，是替你在决策前消灭信息盲区，为决策提供更多依据。
这就是红队思维的终局。
一个好的红队，不管是人还是AI，不帮你做决策。它帮你消灭”信息盲区”——那些你没看到、没想到、没查到的角落。
Hyper Research不会告诉你”这个结论是对的”，它会告诉你”这四个角度有反证据、有三条引用的原文跟你看到的不一样、有两个来源其实是同一篇新闻稿的转载”。然后你自己判断。
工具可以帮你跑完16步流水线。但决定”这个研究值不值得做""这个结论能不能信""这个风险能不能承受”的，还是你。
07. 原文来源
原文发表于微信公众号“中老年叨叨”（2026年7月22日 07:50）。查看微信公众号原文。