一、先划清它能做什么、不能做什么

1. 擅长的三类任务

一是结构化整理：把散乱的笔记、会议记录、文献截图变成条目化的信息，字段固定、便于检索。二是跨文档比对：同一方法在多篇工作中的设定差异、指标口径差异，人看十篇容易混，机器逐条摆出来反而清楚。三是初稿起草：综述框架、实验方案要点、报告章节、教学讲义骨架，先出一版可用结构，再由人改。

这三类任务的共同点是「有材料、有格式要求、不需要承担责任性结论」。材料给得越具体，产出质量越高；反过来，只给一句「帮我写篇综述」，得到的大多是漂亮的空话。

2. 不擅长的四类事情

一是原创判断：某个方向值不值得做、这个假设是否成立，属于研究者的判断，助手只能提供参照。二是需要实验验证的结论：任何未经实测的数值都只是推测，写进论文前必须回到实验。三是涉密与受限数据：未发表数据、合作方受限材料、含个人信息的问卷，不宜进入对话。四是责任性签字：基金申请、伦理审查、安全承诺这类需要有人负责的文本，不能由助手代笔后直接提交。

把边界贴在显眼处，比事后追责有效。

还有一类容易被误判为「能做」的事：外文文献。术语与表述习惯差异大，助手可以先出译文与术语对照表，再让人复核专业名词，比逐句查词典快；但课题组的译名不统一时，它会自造一套说法，读起来顺、查起来对不上。所以术语表要先由组内建好，再交给它用。

二、文献阶段：从找到到读懂

1. 检索式扩展与去重

麻烦在于检索词写窄了漏文献、写宽了读不完。用法是：给出研究问题与已知的几篇关键文献，让助手列出同义表述、上下位概念、方法名称的不同叫法，扩成一到三组检索式；检索结果汇总后做去重与初筛，按「必读、参考、排除」三档分类，并说明排除理由。

产出是一张带理由的清单，不是一堆标题。复核动作：随机抽十篇排除项，确认排除理由站得住。

2. 结构化精读

麻烦在于读完记不住、几个月后想不起结论出自哪篇。用法是给每篇文献规定同样的字段：研究问题、所用方法、数据规模与来源、主要结论、局限与适用条件。逐篇填成条目，条目之间用方法与数据集打标签互相关联。

产出是一份可检索的条目库。复核动作：抽三篇回原文核对，重点看结论与局限是否被误读，数值有没有抄错量级。

3. 综述草稿与来源标注

麻烦在于把不同设定下的数字摆在一起比。用法是先让助手按主题分块列出各工作的共识与分歧，每一句结论后面带来源编号；再让它单独列一张「口径不一致清单」，标明哪些数字因为实验条件不同而不可直接比较。

产出是一份带引用的框架稿。复核动作：逐条点开引用，确认来源真实存在、原文表述与转述一致。这一步不能省，模型对引用格式很熟练，但对文献是否存在并不负责。

跨年度的综述还有一件事值得做：让它按年份把方法与结论摊成一条线，标出哪一年之后某个指标的口径变了。这类拐点单看几篇文献很难察觉，摊在一条线上就明显了，写讨论时也用得上。

三、数据处理与分析阶段

1. 清洗规则的生成与核对

麻烦在于清洗步骤散在各人的临时记录里，换一批数据就要重想一遍。用法是把数据概况说清楚——有多少行、哪些字段、缺失与异常长什么样，让助手把清洗规则写成一份清单：每一步做什么、依据是什么、异常值怎么处理、处理后留多少条。规则要能被人读懂并复现。

产出是一份清洗说明。复核动作：按说明重跑一遍，看结果是否与之前的处理一致；不一致的地方往往说明规则描述含糊。

2. 分析思路与结果解读

麻烦在于拿到一堆指标不知道怎么讲。用法是先说清研究假设与数据形态，让助手列出三到五种可选分析路径，各自的前提条件与结论的可信程度；选定路径后，再让它把结果按「现象、可能原因、需要排除的替代解释」三段写出来。

这一步的价值不在给出结论，而在把替代解释摆上桌。复核动作：逐条检查替代解释是否被数据排除，没排除的写进局限。

分析做完之后补一步可复现性检查：让助手照清洗说明与分析路径写一份操作记录，换一个人按记录重跑一遍，看结果是否一致。不一致的地方，通常是某一步的隐含假设没写出来，比如样本剔除的门槛、缺失值的处理方式。

3. 图表与口径核对

麻烦在于图表与正文数字对不上、单位混用。用法是把图表说明与正文对应段落一起给助手，让它做一次逐项核对：数值、单位、样本量、显著性标记、图注与正文表述是否一致。这类纯一致性检查机器做得又快又稳，比人眼扫一遍可靠。

产出是一张差异清单。复核动作：按清单逐条改，改完再核对一次。

四、写作与投稿阶段

1. 结构搭建与语言修改

用法是先定结构再改语言：让助手按目标期刊或报告体例给出章节骨架与每节要点，人确认结构后再逐段润色。润色要求写具体，例如「保持术语一致、不用口语、句子不超过一定长度」，笼统地说「改得学术一点」通常无效。

摘要与图注值得单独过一遍。摘要有字数限制，压缩长段正是它擅长的；图注要求自足，让它按「这是什么、怎么来的、关键参数」三句写，读者不看正文也能看懂。这两处改好了，审稿人少挑一半格式毛病。

产出是可编辑的段落。复核动作：通读一遍，确认专业表述没有被改错——模型很容易把精确表述改成通顺表述。

2. 引用格式与一致性

麻烦在于投稿前格式返工。用法是把体例要求与文献清单一起交给助手，做三件事：格式统一、编号与正文对应、重复条目合并。产出一份可直接替换的清单。

3. 审稿意见的回应整理

麻烦在于意见多、条目乱、容易漏答。用法是把意见逐条编号，让助手整理成表格：意见原文、回应要点、修改位置、修改说明；再由人补实质内容。助手负责不遗漏、表述得体，人负责技术回应。

五、教学与团队知识沉淀

1. 备课与习题

用法是先给课程目标与学时，让助手出三层内容：概念讲解的类比、课堂提问清单、课后习题与参考答案。习题要标注考察点与难度，方便按学生情况取舍。产出是备课包，教师负责删减与本地化。

答疑环节可以留一份常见问题条目：把学生反复问的点整理成问答，下次开课直接复用。这份条目同时也是课程改进的线索，某个问题年年被问，说明那一节讲得不清楚，下一轮该调整。

2. 课题组知识库

把历年实验记录、组会纪要、仪器操作规范整理成条目入库，新成员提问时先查库、再问人。这一条能显著减少「同一个问题每年回答十遍」的消耗。入库前要做清洗与授权，涉及未发表数据的分层处理。

六、四条使用边界与一套验收办法

1. 四条边界

一是事实必须回溯来源，答复里没有出处的数字不采信。二是敏感数据不入对话，受限数据只给元信息。三是输出必须人工复核，尤其是数值、引用、结论三处。四是责任留在人身上，签字与承诺不由助手代行。

2. 一套验收办法

先列一张场景清单，写清每个场景的输入、期望产出、复核人；跑两周后按清单逐项打分，能稳定通过的留下，不稳定的降级为辅助。清单每学期更新一次，把新发现的好用法补进去，把反复出错的场景删掉。

结语

科研AI助手的价值不在惊艳，而在把重复劳动压缩掉一部分：文献从散到整、数据从乱到清、文本从无到有、教学从零到有骨架。凡是需要判断与责任的地方，交回给人；凡是需要整理与比对的地方，交给它。衡量是否用对了，看两个现象：同一件事花的时间有没有下降，出错返工的次数有没有减少。两样都在改善，说明场景选对了；只有时间下降、返工上升，说明复核环节被省掉了，得补回来。