研究报告应该帮助我们选择要做什么、讲解什么。否则，它只是一份整齐的阅读清单。我们会先研究问题，再检查来源，最后把推理保存在来源旁边。下方以课堂科学讲解为演示案例；使用这个流程并不要求你也做课堂内容。
Kabo，面向创作者研究的 AI 智能体，寻找公开的 YouTube 参考；Codex 将已接受的来源记录保存在它们所支持的教学决策旁。
准备课程问题与课堂限制条件
[ ] brief.md — 观众问题、受众水平，以及希望研究帮助我们作出的决策。 [ ] reference-links.txt — 已知的公开视频 URL；如需寻找参考，也可以提供主题。 [ ] scope.md — 确切的发布日期范围、语言、形式和纳入规则。 [ ] classroom-constraints.md — 限制条件示例文件：设备，以及能演示哪些内容。 [ ] research/ — 保存来源表和简短决策记录的位置。
2. 在项目内连接 Kabo
在 Codex 中安装 Kabo，完成登录，再打开一项新任务，让工具列表刷新。将任务保留在下方指定的内容文件夹中。
3. 让 Codex 区分研究问题与搜索词
一位科学老师准备给初中生做一期视频，讲解可能误导人的电池续航说法。研究需要区分容易理解的演示，与课堂无法复现的技术基准测试。
告诉 Codex 读取课堂限制条件，并创建 research-plan.md。文件应列出什么样的参考才有用：明确的工作负载、看得见的方法，以及学生能跟上的讲解。搜索前先复核纳入规则。手机维修视频可能提到电池，却未必有助于这堂课。
读取 brief.md、scope.md 和 classroom-constraints.md。拟一份研究计划，写明纳入规则，以及证据必须回答的 3 个问题。解释每个问题为什么对视频重要。收集前先等我纠正。
4. 写报告前先建立 sources.csv
让 Codex 使用 Kabo 收集主题候选，再补充一个规模小、相关性高的候选清单。保存公开 URL、发布日期、返回的指标和检索日期。综合归纳前，先让它展示文件。在这个阶段去掉不相关的演示，使书面建议基于你实际接受的样本。
为什么这里要保存 CSV？我们会逐行比较来源，之后也可能要筛选。它是证据索引，不是什么必须先学会才能制作视频的神秘交付物。来源不多时，Markdown 表格也可以。
如果缺少的是观众问题，评论研究流程可以帮助把公开样本转化为具体的教学需求。
使用 Kabo 执行已商定的 YouTube 研究计划。收集一小组候选，展示相关性，再补充已接受的候选清单。将 URL、发布日期、检索日期、证据类型和缺失字段保存到 research/sources.csv。然后编写 research/decision.md，列出有依据的观察、拟议的演示和尚待核对的事项。只保留返回过或核实过的时间戳。
5. 把报告与证据并排打开
要求生成 research-notes.md，将观察与教学选择分为两个部分。使用现有转录检查讲解顺序。若要通过 /mcp-pub 创建并保存一项新的 Kabo 视频分析，应先提出建议；无需 Pro，但仍需本人确认。没有依据的画面判断应保留为待核对问题，由你查看原视频确认。
仍能看见收集过程的决策记录
假设我们要讲解为什么电池续航说法取决于工作负载。笔记应该收敛课程内容，而不是评选产品赢家：
- 拟议角度：为什么“最长 12 小时”并不代表一个通用测试。
- 演示：在两种有记录的工作负载下比较同一台设备。
- 要附上的来源：检索得到的视频 URL 与相关时间戳。
- 待解决的问题：我们的设备能否记录一种可重复的工作负载？
- 不应下的结论：某个电池品牌最好。
6. 有针对性地做第二轮
阅读推荐的演示，指出哪些地方超出课堂资源。给出一项具体修正，再让 Codex 更新决策记录，同时保留原来源表。完成后的笔记应该能告诉另一位老师：可以尝试什么、需要核实什么，以及哪些视频提供了背景。
建议的测试需要功率计，但我们没有。保留关于工作负载差异的教学内容，只使用 classroom-constraints.md 中的设备重新设计演示。
写课程脚本前先检查演示
用最终笔记在 Google Docs 中编写课程脚本，并把来源记录附在旁边，便于核实事实。亲自拍摄演示，不要把其他评测者的结果拿来当作你们班测得的数据。
文中的完整示例用于说明方法。产品截图展示的是 Kabo 网页端已有的结果，并非本指南示例的实际执行记录。请使用自己的素材，以及您的任务实际返回的证据。