深度研究报告里的图表？核对数据的方法

让 AI 搜索做一份深度研究，交回来的报告常常图文并茂：趋势线、对比柱状图、份额饼图，排得整整齐齐。图表直观，人眼天然信图——一张曲线平滑上升的图，比一段文字更有说服力。但要先立一条意识：图好看不等于数准。报告里的图表多数并非来自原文的截图，而是模型根据检索到的材料重新绘制或重新组织的结果，转写与重排的每一道工序都可能引入偏差。这篇讲清报告图表的来历、最容易失真的几个位置，以及一套顺藤摸瓜的核对方法；报告整体的生成流程，见深度研究流程一篇。

报告里的图表从哪来

先分清图表的三种来历。第一种是转绘：模型从网页或文档里读到一组数据，按自己的排版重新画成图——这类图数据源在检索材料里，但画法是新的，坐标范围、分组方式、单位换算都由模型裁量。第二种是汇总重算：材料里没有现成的完整数据，模型把分散在几处的数字拼在一起算出占比、增长率再作图，这一类的加工链最长，出错机会也最多。第三种是直接引用：个别产品允许报告嵌入原始来源的截图或表格，这类保真度最高，但占比很小。多数深度研究报告以前两类为主。判断手里这张图属于哪类，有个简单办法：看图旁有没有注明「数据来源：某网页」——注明到具体来源的是转绘或引用，语焉不详只写「据公开资料」的，汇总重算的可能性大，核对时要格外用心。

图表最容易失真的三个位置

失真集中在三个位置。一是数字转写：几千亿与几万亿、百分比与小数点，从文字搬到图表的途中抄错一位，图的形状就完全变了——这是最常见也最隐蔽的一类，因为图本身画得没错，错在喂进去的数。二是口径错位：材料里两个数字的统计范围并不同——一个含税一个不含税、一个是全年一个是上半年、一个按出货量一个按销售额——直接放进同一张图作对比，比出来的差距毫无意义。三是时间对不齐：两个来源的数据年份相差一年，模型作图时顺手拉齐了，趋势线漂亮了，事实却被挪动了。这三类失真有个共同点：图表自身看起来毫无破绽，只有回到来源才看得出来。所以核对的对象要放在图背后的数据上，光盯着图的形状找毛病是找不出来的。

顺着引用回源核对

核对的具体路数是一条回溯链。第一步，找图的出处标注：报告引用了哪些来源、图的数据取自哪一条，先定位到引用编号，引用标注的体系见引用来源一篇。第二步，点开来源读原文：重点找与图表对应的原始数字，而不是看原文里有没有类似的图——要核的是数，核对的是文里的数字与图上的数值是否一致。第三步，核口径：原文的这个数字是哪一年、什么范围、什么单位，与图上呈现的是否同一口径，单位换算有没有做。第四步，交叉第二来源：关键数据再找一个独立来源印证，多个来源对不上的数字，宁可不用于决策。整条链走下来，一张图的成色基本见底。想让这一步省力，可以把报告连同来源列表交给 Kimi 或腾讯元宝，让它列出「图上数值与来源原文数值」的逐项对照表，机器对数比人眼扫图快得多，也稳得多。

让图表更可信的使用习惯

核对之外，几个使用习惯能让图表从源头更可靠。一是提要求时就把丑话说在前面：让报告「每个图表注明数据来源、统计口径与年份」，明确要求之下，模型会保留出处指针，回源核对的路也短。二是对汇总重算的数字保持一分警惕：凡是「占比」「增速」这类由模型自己算出来的值，采信前务必回原文验一遍原始数。三是多来源出报告：同一题目让通义千问和豆包各做一遍，对照两份报告的同一组数据——独立检索得到的结果能对上，可信度显著上升；对不上，正好把分歧点圈出来重点核查。材料之间本就存在矛盾的情形另见信源冲突一篇的处理规则。图表是报告的门面，核对是使用者的底线，门面越漂亮，越值得回头把数验一遍。

图表核对速查

• 图表三种来历：转绘、汇总重算、直接引用，加工越多风险越大
• 失真三位置：数字转写错、统计口径混、时间范围挪
• 核对回溯链：找出处标注、读原文数字、核口径、交叉第二来源
• 汇总重算的占比与增速，采信前必验原始数
• 提交任务时要求注明来源与口径，回源的路更短

关于图表核对的三问三答

• 图上的数据为什么常常找不到出处？：转绘与汇总重算的图，出处往往只标注到「据公开资料」的粗颗粒，甚至漏标。这不代表数据没有来源，而是标注环节偷了懒。核对时以报告的引用列表为线索，逐条回原文找对应数字。
• 两张图数据打架，信哪张？：先别急着选，查两者的统计口径与时间范围——多数「打架」是口径不同造成的假冲突。口径确实一致仍对不上的，回溯到两个原始来源看各自的权威性与发布时间，再决定取舍。
• 报告里的图能直接用到自己的材料里吗？：核对通过的数据可以使用，但要注明你回溯到的原始来源，而非写「AI 生成」。未经核对直接搬用的图，数字转写或口径错误会原样带进你的材料，风险由引用者承担。