很多人用 Gemini，还停留在：
“帮我查一下……”
“帮我总结一下……”
“帮我写一篇……”
但 Gemini 有一个更适合做复杂资料搜集的功能：Deep Research（深度研究）。
它不是简单搜索几个网页然后回答你。这次我直接拿一个真实任务测试：
收集智联招聘、BOSS直聘等人才市场关于跨境电商、AI 相关岗位，3 天内新发布的招聘信息，并汇总出来，工作地点限制厦门。
最后 Gemini 不仅搜索了招聘网站，还自己规划研究步骤、浏览多个来源、整理薪资和岗位要求，最后生成了一份完整研究报告。
下面直接看实操。
第一步：打开 Gemini 的 Deep Research
进入 Gemini 后，在输入框下面找到 Deep Research 并开启。
我这次选择的是：Deep Research + Pro。
然后输入自己的研究任务。Gemini 的典型流程是：选择 Deep Research，输入研究问题，生成 Research Plan，确认后开始研究。
我这次输入的 Prompt
收集智联招聘、BOSS直聘等人才市场关于跨境电商、AI相关岗位，3天内新发布的招聘信息，并汇总出来，工作地点限制厦门。
这个 Prompt 看起来很简单，但已经包含了 Deep Research 最重要的几个要素：
- 研究对象：招聘信息
- 地区：厦门
- 行业：跨境电商 + AI
- 时间：最近 3 天
- 来源：智联招聘、BOSS 直聘等人才市场
- 最终任务：汇总分析
写 Deep Research Prompt 时，不一定要写几千字。关键是把 研究什么、去哪里找、范围是什么、时间限制是什么、最终要什么 讲清楚。
第二步：不要急着搜，先看它的研究方案
这是 Deep Research 和普通 Gemini 最大的区别之一。
提交 Prompt 后，它不会马上甩给你一个答案，而是先生成一份研究方案。
比如这次，它把任务拆成了几步：
- 搜索智联招聘和 BOSS 直聘，筛选厦门地区的跨境电商岗位，并限制最近 3 天发布。
- 搜索厦门地区 AI / 人工智能岗位，同样限制发布时间。
- 浏览其他主流人才网站，补充更多符合条件的数据。
- 提取关键字段，包括职位名称、公司名称、薪资、岗位要求、发布时间、招聘平台等。
这一步非常重要，因为 Deep Research 真正开始工作之前，会先告诉你“它准备怎么查”。
如果发现研究方向不对，千万不要直接点开始。可以点击 修改方案，补充要求，例如：
- 增加薪资分析。
- 只要最近 3 天，不要一个月以前的数据。
- AI 岗位进一步区分大模型、Agent、机器视觉和算法岗位。
修改完成后，再开始研究。
第三步：点击开始研究
确认 Research Plan 没问题以后，点击 开始研究。
接下来才真正进入 Deep Research 的核心阶段。Gemini 会开始自己搜索网页。复杂任务通常需要几分钟，研究过程中也可以离开当前对话，完成后再回来查看。
我这个案例里，可以看到它正在研究多个网站，而且不是只显示一个进度条。点击 显示思考过程，可以观察它当前正在做什么。
第四步：看 Gemini 怎么自己找资料
这一步是 Deep Research 最有意思的地方。
它不是一次搜索结束，而是在不断：
搜索 → 找到线索 → 分析 → 发现缺失 → 再搜索 → 打开具体页面 → 补充资料
例如第一次搜索后，它会判断当前数据是否完整，时间筛选是否可靠，是否需要补充其他来源。
于是它会继续扩大搜索范围，比如前程无忧、猎聘、厦门本地招聘网站等。
这已经很接近一个人在做 Research 的工作逻辑。
第五步：根据中间结果继续调整研究方向
继续运行以后，它会开始梳理岗位类型。
跨境电商方向可能包括：
- 亚马逊运营
- TikTok 投手
- 跨境电商运营主管
- Shopee / Lazada 运营
- Ozon 运营
AI 相关岗位可能包括：
- 大模型
- AI 算法
- 机器视觉
- Agent
- 飞控算法
- 人工智能研发
它还会根据已经找到的信息继续扩展研究路径。也就是说，Deep Research 并不是完全按照第一次关键词机械搜索，而是会在研究过程中继续补充和修正。
第六步：深入打开招聘详情页
普通搜索结果只能告诉你“这里有一个岗位”。但做研究还不够。
所以 Gemini 接下来会继续打开已经锁定的具体岗位页面，并提取更细的字段：
- 岗位名称
- 企业名称
- 薪资范围
- 学历要求
- 工作经验
- 岗位职责
- 技能要求
- 发布时间
- 招聘平台
最终报告里就能出现更具体的岗位分析。
例如这次研究中，厦门部分跨境电商中级岗位集中在亚马逊运营、TikTok 投手等方向，中级专业层薪资大约集中在 6,000～12,000 元/月；更高级的资深产品开发、独立站运营等岗位，薪资会进一步上升。
第七步：Deep Research 不只是搜，还会做二次分析
这个功能真正有价值的地方，不只是找到几十个网页，而是把多个网页的信息重新组织成研究结论。
我原始要求只是：找厦门最近招聘的跨境电商和 AI 岗位。
但最终 Gemini 会把信息整理成不同层级：
- 基础执行层
- 中级专业层
- 高级专家层
- 管理决策层
并进一步比较岗位、代表企业、薪资区间、核心能力和市场稀缺程度。
所以最后不是“这里有 20 条招聘信息”，而是更接近：厦门跨境电商人才市场目前是什么结构？
这才是 Deep Research 的价值。
第八步：从招聘数据里研究产业趋势
AI 岗位部分也很适合用 Deep Research 做拆解。
它可以把岗位拆成：
- 大模型安全与微调
- Agent 研发
- 机器视觉
- 多模态 / 具身智能
- AI 技术专家 / 架构师
然后分析对应技术要求。
例如，大模型安全与微调岗位可能涉及 PyTorch、SFT、LoRA、RLHF 等能力；Agent 研发可能涉及 ReAct、Plan-and-Execute 和端侧模型部署；机器视觉方向则会涉及 OpenCV、PyTorch、工业通讯等不同技能栈。
这时候它已经完成了一个重要转变：
招聘信息 → 结构化数据 → 人才需求 → 技能趋势 → 产业变化
这就是普通问答和 Deep Research 最明显的区别。
第九步：等待几分钟，生成完整研究报告
研究结束以后，Gemini 会自动生成报告。
我这次最终拿到的是一份关于厦门地区人才市场新发招聘动态与产业升级趋势的深度研究报告。
报告不只是两三百字，而是被组织成：
- 引言与宏观背景
- 厦门跨境电商人才需求
- 厦门 AI 与算法工程
- AI + 跨境电商融合
- 组织与人才趋势
- 研究结论与建议
并包含表格、薪资数据、企业案例和引用来源。
所以最终得到的已经不是简单的 AI 回答，而更像一份 AI 辅助完成的 Research 初稿。
第十步：报告还能直接导出
报告生成以后，顶部通常可以找到 分享和导出 相关操作。
你可以分享报告、复制内容，或者导出到 Google Docs。
整个工作流就变成：
- 提出研究问题
- AI 制定研究计划
- 自动搜索多个网站
- 不断补充搜索
- 读取具体页面
- 提取数据
- 交叉分析
- 生成完整报告
- 导出继续编辑
一个更实用的 Deep Research Prompt 模板
看完这个案例，可以总结出一个简单模板：
请研究【主题】。
重点搜索【信息来源】。
时间限制：【时间范围】。
地区限制：【地区】。
重点收集：【数据字段】。
请对不同来源进行交叉验证。
最终按照【分类方式】整理，并分析【我最终想知道的问题】。
重要数据保留原始来源。
把我这次的 Prompt 升级一下，可以这样写：
请深度研究厦门地区最近 3 天新发布的跨境电商和人工智能相关招聘岗位。
优先搜索智联招聘、BOSS 直聘、猎聘、前程无忧以及厦门本地招聘网站。
每个岗位尽可能收集：公司名称、岗位名称、薪资范围、工作地点、学历要求、经验要求、核心技能、发布日期和原始招聘链接。
将岗位分为：跨境电商、AI 大模型、Agent、算法、机器视觉及其他 AI 相关岗位。
对信息进行交叉验证，严格区分“招聘页面直接信息”和“基于招聘数据得出的趋势判断”。
最终分析：哪些岗位需求较高，哪些岗位薪资较高，企业最需要哪些技能，AI 正在如何影响跨境电商岗位，以及厦门未来值得关注的人才方向。
最后输出结构化研究报告，并保留所有重要信息来源。
这个版本比原始 Prompt 更稳定，因为它提前把“收集招聘信息”和“分析产业趋势”两个层级都写清楚了。
Deep Research 最大的坑：别把“有引用”等同于 100% 正确
Deep Research 很强，但它不是权威数据库。
比如一份报告里可能同时混合了招聘网站、行业报告、媒体文章和第三方文章。
所以看到这类关键数字时，最好点开原始来源再核实：
- AI 岗位增长了多少
- 行业薪资上涨了多少
- 某岗位平均年薪是多少
- 某平台最近 3 天到底有多少真实新增岗位
正确使用方法不是“Deep Research 生成报告，然后直接相信”，而是：
Deep Research 帮你完成 80% 的资料搜集和整理，人负责验证最关键的 20%。
最后总结
如果普通 Gemini 是“帮我回答一个问题”，那么 Deep Research 更像是“给你一个研究任务，你自己去查，查完给我一份报告”。
这次实际测试就是：一句 Prompt，Gemini 规划研究方案，搜索多个网站，继续补充缺失数据，分析岗位、薪资、技能，最后形成跨境电商 + AI 人才趋势判断。
它特别适合：行业调研、竞品分析、选品研究、职业调查、市场研究、论文前期资料搜集，以及自媒体选题研究。