科研并不是一篇论文，而是一条完整链路。
一篇论文只是这条链路的输出结果。
如果把科研过程拆开，你会发现它大致包括：
- 选题
- 文献综述
- 研究问题定义
- 方法设计
- 数据处理与分析
- 结果解释
- 论文写作
- 投稿修改
- 回复审稿意见
而 AI 最有价值的地方，是帮助你在这条链路上实现：
- 更快的信息筛选
- 更清晰的结构整理
- 更稳定的表达输出
- 更低成本的错误检查
- 更高效率的迭代修改
下面我们按科研流程，逐步拆解。
一、AI 不是一个工具，而是一套科研工作流加速器
很多人把 AI 理解为“一个聊天机器人”，这其实低估了它。
更准确的理解是：
AI 是一个能够嵌入科研 workflow 的多功能认知助手。
它可以承担的角色包括：
- 文献筛选器
- 结构化摘要器
- 提纲生成器
- 逻辑审查员
- 写作润色员
- 图表解释辅助员
- 审稿人视角检查器
- 投稿前自查助手
但前提是，你要给它足够清晰的任务边界。
二、从选题开始：AI 如何帮助你找到一个“值得做”的问题？
选题阶段最容易犯的错误有两个：
AI 在选题阶段最适合做三件事：
- 帮你发散方向
- 帮你收敛问题
- 帮你检查选题可行性
1. 选题发散：从一个方向扩展多个可能问题
推荐 Prompt
我目前关注的研究方向是：[填写领域]
请基于该方向，帮我发散出 10 个可研究的问题。
要求：
1. 覆盖不同研究层次；
2. 包括机制、应用、方法、对比、优化等不同类型；
3. 每个问题都说明潜在研究价值；
4. 尽量避免过于空泛或无法落地的方向。
这个阶段的目标不是立刻决定做什么，
而是先把“可能性空间”打开。
2. 选题收敛：判断一个题目是否值得做
推荐 Prompt
请作为科研导师，评估以下研究选题的可行性和价值：
[填写题目]
请从以下维度分析：
1. 科学问题是否清晰；
2. 创新性是否足够；
3. 数据或实验是否可获得；
4. 研究周期是否合理；
5. 是否存在明显风险；
6. 适合发什么层次的成果。
这个 Prompt 很适合在你犹豫“要不要开题”时使用。
3. 选题校验：检查是否只是“换皮题目”
推荐 Prompt
请判断以下题目是否只是已有研究的轻微变体，还是具有真正的研究增量。
题目如下：
[填写题目]
请帮我分析：
1. 与已有工作的差异在哪里；
2. 创新点是否明确；
3. 哪些地方需要进一步加强才能更像一个真正的研究问题。
三、文献阶段：AI 如何帮你从“海量阅读”变成“结构化理解”？
文献阶段不是“读得越多越好”，
而是“读得越有结构越好”。
AI 最适合做的，不是替你理解一切，而是帮你完成以下任务：
- 快速摘要
- 关键词提取
- 文献分组
- 观点对比
- 研究空白识别
- 阅读笔记整理
1. 文献摘要：快速抓住一篇文章的核心
推荐 Prompt
请帮我用结构化方式总结这篇论文，输出以下内容：
1. 研究问题；
2. 研究方法；
3. 核心结果；
4. 作者结论；
5. 这篇文章的局限；
6. 对我研究方向的启发。
如果你读文献速度慢，这个方法能显著提升效率。
但注意：AI 生成的摘要只能做初筛，关键论文仍需人工精读。
2. 文献对比：看几篇文章到底差在哪
推荐 Prompt
请比较以下几篇论文在研究问题、方法、数据、结论和局限上的异同。
要求：
1. 用表格输出；
2. 明确指出共识与分歧；
3. 识别可能的研究空白；
4. 不要只做简单复述，要给出结构化分析。
这个方法特别适合文献综述阶段。
3. 研究空白识别
推荐 Prompt
请基于以下文献摘要，帮我识别当前研究领域可能存在的空白。
请从以下角度分析：
1. 是否存在未被充分讨论的变量；
2. 是否缺少跨场景验证；
3. 是否缺少机制解释；
4. 是否缺少方法比较；
5. 是否缺少长期或真实世界数据。
4. 文献管理笔记模板
你可以把每篇文献整理成统一结构，方便后续写作。
literature_note.md
# Literature Note
– 文献标题：
– 作者与年份：
– 研究问题：
– 方法：
– 数据/样本：
– 核心发现：
– 作者结论：
– 局限性：
– 可借鉴点：
– 与我课题的关系：
四、研究设计阶段：AI 帮你把“想法”变成“问题”
很多研究卡在一个点上：
有想法，但不知道怎么变成可执行的研究设计。
AI 在这里可以帮你完成：
- 变量拆解
- 假设生成
- 研究路径规划
- 方法对照
- 风险预判
1. 从研究想法拆出变量和问题
推荐 Prompt
我目前的研究想法是：[填写想法]
请帮我拆解成：
1. 核心研究问题；
2. 可能的自变量、因变量和控制变量；
3. 可检验的假设；
4. 可能的研究设计路径；
5. 最容易出问题的地方。
2. 设计多个研究方案，比较优劣
推荐 Prompt
请针对以下研究问题提出 3 种不同的研究设计方案：
[填写问题]
要求：
1. 每种方案说明方法特点；
2. 说明优缺点；
3. 说明对数据、时间和资源的要求；
4. 推荐最适合当前条件的一种。
3. 方法选择辅助
推荐 Prompt
请根据以下研究问题，比较适合的研究方法，并说明为什么：
[填写问题]
请从以下方面分析：
1. 适配性；
2. 可操作性；
3. 数据需求；
4. 结果可信度；
5. 可能的偏差来源。
五、数据处理与分析：AI 适合做“检查”和“解释辅助”，不适合瞎猜
如果你的研究涉及数据分析，AI 的作用非常大，但也最容易出错。
正确使用方式是：
- 帮你检查逻辑
- 帮你解释图表
- 帮你生成分析思路
- 帮你发现异常
- 帮你优化可视化表达
但不要让它替你“猜统计结论”。
1. 数据分析前检查
推荐 Prompt
请帮我检查以下数据分析思路是否合理：
1. 变量定义；
2. 分析方法与研究问题是否匹配；
3. 是否存在统计假设风险；
4. 是否需要控制变量；
5. 哪些地方容易出错。
2. 图表解释辅助
推荐 Prompt
请先只根据图表的可见信息进行客观描述，不要直接解释原因。
请回答：
1. 图中有哪些主要趋势；
2. 组间差异是什么；
3. 是否存在峰值、拐点或异常值；
4. 哪些内容可以直接下结论，哪些不能。
这类 prompt 可以明显减少“AI 胡说八道”的概率。
3. 结果解释
推荐 Prompt
请基于以下图表信息，给出可能的解释。
要求：
1. 区分事实与推测；
2. 对每条解释说明依据；
3. 提供备选解释；
4. 不要把相关性写成因果；
5. 不要超出图表信息范围。
4. 数据分析 workflow.md
# Workflow: AI-Assisted Data Analysis
1. 明确研究问题与变量定义
2. 检查数据质量与缺失情况
3. 选择匹配的分析方法
4. 先做客观描述，再做解释
5. 检查图表与正文一致性
6. 标记统计显著性与局限
7. 最后回到原始数据核对
六、写作阶段：AI 最适合做的不是“代写”，而是“结构化表达”
写作阶段，AI 的价值主要体现在：
- 提纲生成
- 段落改写
- 学术风格统一
- 中英互译
- 逻辑边界检查
- Results/Discussion 区分
- 图注与摘要优化
1. 先生成论文提纲，而不是直接写全文
推荐 Prompt
请根据以下研究内容，帮我生成一篇论文的大纲。
请包含：
1. 引言逻辑；
2. 方法结构；
3. Results 的组织方式；
4. Discussion 的讨论层次；
5. 结论应该强调什么。
研究内容如下：
[填写摘要或研究简述]
2. Results 和 Discussion 分层
推荐 Prompt
请将以下段落拆分为两部分：
1. Results：只保留可观察到的数据、趋势、差异和统计结果；
2. Discussion：保留解释、推论、意义和与文献的联系。
请不要新增事实，只做结构拆分和重组。
3. 避免结果写成讨论
推荐 Prompt
请检查以下 Results 段落，找出其中的解释、推测、评价或机制暗示表达，并建议如何改写得更客观。
4. 论文语言润色
推荐 Prompt
请将以下段落润色为更符合学术论文语体的表达。
要求：
1. 不改变原意；
2. 保留术语准确性；
3. 消除口语化、冗余和歧义；
4. 语言更简洁、清晰、正式。
七、投稿前：AI 帮你做一次“预审稿人”式自查
论文写完不等于可以投稿。
投稿前最重要的一步之一，是做系统自查。
AI 可以在这一阶段扮演：
- 逻辑检查员
- 结构检查员
- 风险扫描员
- 审稿人预演器
1. 论文逻辑自查
推荐 Prompt
请扮演一名严格的学术审稿人，检查这篇论文的逻辑链条是否完整。
请重点判断：
1. 研究问题是否清晰；
2. 方法是否回应了研究问题；
3. 结果是否支持结论；
4. 讨论是否合理解释了结果；
5. 全文是否存在前后不一致或逻辑跳跃。
请按“问题—证据—建议修改”三列输出。
2. 图表与正文一致性检查
推荐 Prompt
请检查以下正文描述与图表信息是否一致。
请关注：
1. 正文是否准确反映图表趋势；
2. 是否遗漏了图中的关键对比；
3. 是否把图中的现象解释过度；
4. 是否有与图表不符的表述。
3. 结论强度检查
推荐 Prompt
请检查以下结论部分是否存在结论过强、证据不足或推断超界的问题。
请重点关注：
1. 是否把相关性写成因果关系；
2. 是否把局部结果推广成普遍结论；
3. 是否使用了绝对化表述；
4. 是否需要增加限定条件或保留语气。
4. 投稿前 workflow.md
# Workflow: Pre-submission Self-Check
1. 检查研究问题与主线
2. 检查章节结构
3. 检查 Results/Discussion 边界
4. 检查图表与正文一致性
5. 检查结论强度
6. 检查语言与术语
7. 检查引用与格式
8. 形成修改清单
9. 人工核对原始数据
10. 定稿投稿
八、AI 科研工具包的核心——“分工明确”
这件事非常重要。
很多人对 AI 的误解在于，总想让它“一次性解决所有问题”。
实际上，高效使用 AI 的关键在于：
把任务拆开，把流程标准化，把 AI 放到最适合的位置。
比如：
- 选题阶段用 AI 做发散和筛选
- 文献阶段用 AI 做摘要和对比
- 设计阶段用 AI 做结构拆解
- 数据阶段用 AI 做客观描述和风险检查
- 写作阶段用 AI 做结构化表达
- 投稿阶段用 AI 做预审和自查
这才是成熟的科研 AI 工作流。
九、一个适合长期使用的科研 toolkit
下面这套工具包，建议你直接建立成自己的科研模板库。
research_toolkit.md
# Research Toolkit with AI
## 1. 选题
– 研究方向发散
– 题目可行性判断
– 创新性校验
## 2. 文献
– 论文结构化摘要
– 文献对比表
– 研究空白识别
## 3. 研究设计
– 变量拆解
– 假设生成
– 方法匹配
## 4. 数据分析
– 分析思路检查
– 图表描述
– 结果解释辅助
## 5. 写作
– 大纲生成
– 段落重构
– Results/Discussion 边界检查
– 学术润色
## 6. 投稿
– 逻辑审查
– 图文一致性检查
– 结论强度检查
– 审稿人视角预检
十、可以直接复用的 skill.md
如果你想把 AI 赋能科研变成长期能力，而不是零散使用，可以建立一个 ai_research_skill.md。
# Skill: AI-Assisted Research Workflow
## 目标
帮助科研人员在选题、文献、设计、分析、写作和投稿各阶段使用 AI 提高效率，并降低结构性错误。
## 输入
– 研究方向
– 文献摘要
– 实验设计
– 数据结果
– 初稿文本
– 投稿要求
## 输出
– 结构化分析
– 研究问题拆解
– 论文内容分层
– 风险提示
– 修改建议
– 投稿前自查结果
## 核心原则
1. 先分解任务，再调用 AI
2. 先描述事实，再做解释
3. 不让 AI 替代事实核对
4. 所有输出都要可回到原始证据
5. AI 负责加速，不负责拍板
十一、最常见的 7 个错误用法
1. 直接让 AI 代写整篇论文
风险最大，容易结构失真。
2. 不给上下文就让 AI 解释图表
AI 很容易补充不存在的信息。
3. 把 AI 当翻译器，而不是审稿助手
只润色语言，忽略结构问题，是低阶用法。
4. 让 AI 直接下统计结论
必须由研究者自己核对数据和方法。
5. 把 Results 写成 Discussion
这是科研写作中最常见的问题之一。
6. 只在最后一天才想起用 AI
AI 最适合嵌入流程，而不是临时救火。
7. 不建立自己的 prompt 和 workflow 资产
长期使用 AI 的关键在于积累模板，而不是每次从零开始。
十二、把 prompt 变成研究资产
优秀科研人使用 AI，不是“会问问题”，而是“会沉淀资产”。
这些资产包括：
- 选题 prompt 库
- 文献摘要模板
- 数据分析检查表
- 图表解释模板
- Results/Discussion 边界模板
- 投稿自查清单
- 回复审稿意见工作流
这意味着你每次科研实践都在增强下一次科研效率。
附：可直接复制的 Prompt / workflow / skill.md
1. 选题 Prompt
请基于以下研究方向，帮我发散出可研究问题，并评估每个问题的价值、可行性和创新性。
2. 文献综述 Prompt
请帮我对以下文献进行结构化总结，并比较它们的共同点、差异点和研究空白。
3. 结果解释 Prompt
请先客观描述以下图表，再给出有限度解释，不要把相关性写成因果。
4. 投稿前自查 Prompt
请扮演严格审稿人，对论文进行逻辑、结构、边界、语言和图文一致性检查，并输出修改建议。
5. workflow.md
# Workflow: AI-Assisted Research
1. 选题发散与收敛
2. 文献总结与对比
3. 研究设计与变量拆解
4. 数据分析与图表解释
5. 论文写作与边界控制
6. 投稿前自查与审稿预检
6. skill.md
# Skill: End-to-End AI Research Assistant
## 核心原则
– 任务拆解
– 上下文充分
– 先事实，后解释
– 先结构，后润色
– AI 加速，不替代核验
