从零到一的AIAgent科研指南（上半）

本文系用户投稿，不代表机核网观点
本文含有AI生成，请注意甄别
⚠️ 未经作者授权禁止转载
前言　写给刚进组的你
这篇文章的目的，是让从来没接触过科研的新人，能借着 AI Agent 快速入门；内容是我个人经验的总结。这份文档本身就是我写了一份提示词、由 AI 起草、再由我逐段编辑修正出来的：关键要点由我提供，表述由它铺开。所以你会读到很多“我会怎么做”的细节，而不是面面俱到的教科书式论述。如果你懒得通读，至少跟着第二章把 Agent 装进你的电脑，然后把这篇文档丢给它，让它给你讲讲关键要点。
还有一件事需要特别提醒。用 AI 辅助做科研的目的，不是成为学术大牛，也不是推动人类科技进展，而是写几篇论文，并尽可能发到更好的期刊上。这份指南里有不少表述会偏离这个本质目的——AI 天然会把科研描述成一项多么高大上的事业，这是不对的（除非你真有那个理想）。你认真读上几篇文献就会知道，这个领域有多“草台”，搞科研本身并不难。对这些程度上的问题我不打算过度修正，你需要自己判断：针对你自己的目标，应该严谨到什么程度。顺便推荐一位 up 主“水导”，他的视频核心是“一个普通研究生该怎么当”，对科研心存幻想的人看了会很受益。
我最初用 AI 的时候，和大多数人一样，把它当成一个“更会说话的搜索引擎”：问它一个概念，它给我一段解释；问它一个报错，它给我一段代码。这样用了一年多，效率确实提高了，但提高的是“查资料”的效率，不是“做研究”的效率。真正的转折发生在两件事之后：第一件是我开始让它直接读写我电脑上的文件——文献、代码、算例、笔记全在本地，它读得到、也改得动；第二件是我意识到，科研里最贵的成本不是“知道得少”，而是“不知道自己不知道什么”，而这一点恰好是 AI 最擅长帮你暴露出来的。
所以这份指南的重点不是“AI 有多神”，而是一套配合 AI 干活的工作方式：怎么把工具装好、权限开对，怎么把一个模糊的方向收敛成一个能动手的具体问题，怎么让文献真正沉淀在你自己的脑子里，怎么让 AI 读懂你读不懂的论文，怎么用它找到文献之间的缝隙，最后怎么把想法落成一个不会失控的实施计划。本文是上半篇，覆盖“从零到跑通第一个课题”；等我把手上这个项目做完，会再写下半篇，讲结果出来之后怎么办、数据怎么处理、初稿怎么写、语言怎么润色、图怎么画、答辩 PPT 怎么讲。
这篇文档是写给谁的：刚进组、还没定题的硕士／博士一年级，或者做毕业设计的本科生；已经有一个大致方向，但不知道从哪一步开始动手的人；以及已经会用聊天框问问题、但还没试过让 AI 直接操作文件的同学。如果你已经能独立跑通一个算例、读完十篇同方向的论文，那这份文档对你来说大概只值第二章和第五章。
第一章　先立边界：AI 不是许愿机
在讲任何操作之前，必须先把一件事说清楚，因为它是后面所有方法的地基：AI 显然不能做到所有事。它不是许愿机——你许一个愿，它并不会替你把课题做完、把论文写出来、把创新点想明白；但它确实能做到很多事，多到如果你只把它当搜索引擎用，会浪费掉它九成的能力。把 AI 当同事而不是当权威，第一步是知道它的能力边界落在哪里。下面的划分不是绝对的：模型在进步，边界也在移动，但大致的形状在可预见的几年里不会变。
它的强项，与你的责任
属于它的强项，是把一个模糊方向拆成一串具体可检索的问题；读懂一篇论文的结构、方法与公式含义，并用大白话讲给你听；写脚本、跑算例、处理数据、画图、改格式；在你报错时定位问题，解释手册里的一句话；帮你把想法写成一页可行性报告、一份周计划。属于你的责任，则是判断这篇论文的方法在你这个问题上到底成不成立；决定哪个问题值得做、哪个问题只是看起来热闹；检查结果在物理上是否合理、量纲对不对、边界条件有没有搞错；判断“跑通了”和“算对了”之间的差别；并对优先级、时间投入、以及自己能不能毕业负责。
一句话概括：它负责“把信息处理成你能用的形状”，你负责“判断这个形状对不对”。前者是体力活加检索活，后者才是科研真正的智力部分。
真正的分水岭：知道自己不知道什么
这句话听起来像鸡汤，但在操作层面它非常具体。科研新手最典型的困境不是“我不会”，而是“我不知道该问什么”：面对一个方向，你连“这里有哪些坑”都想象不出来，自然连问题都提不出来。AI 不是替你填坑，而是把坑的位置标出来。做法很简单，也很反直觉——不要问它“这个方向怎么做”，而要问它“这个方向上，别人做到了什么程度，边界在哪里，以我的能力和目标能做到什么”。这类提问的价值在于，它输出的不是知识，而是清单。你会拿着这份清单去对照自己：哪一条我看懂了，哪一条我其实没懂。没懂的那几条，就是接下来要刨根问底的对象。
别把 AI 当黑箱：刨根问底的三层
“懂得刨根问底”不是一句态度要求，它可以拆成三个层次。同一个概念，你要能在三层上都过一遍，才算真的掌握。
名词层——它到底指什么。一个词你听着耳熟，但说不清楚定义，就是没懂。让它给定义、给反例、给一个你能自己检验的例子。
机制层——它为什么成立。知道定义不够，还要知道因果链条。尤其是模型、公式、算法类的东西：它的假设是什么，假设不成立会发生什么，边界在哪。
判据层——我怎么知道它对了。这是最容易被跳过、也最重要的一层。做仿真的人尤其要问：结果出来了，凭什么说它是对的？量纲守恒？能量守恒？极限工况退化成一个已知解？和文献里的趋势一致？
三层都过完，你才算把这个东西从“AI 说的”变成了“我知道的”。这个过程很慢，第一个月会很痛苦，但它有一个巨大的复利：你过一遍的东西，下次 AI 再提，你能立刻判断它说得对不对，这就是“不当黑箱”的实际含义。
但必须强调另一面：做学术、写论文并不是要严谨证明每一个环节的每一件事——这恰恰是 AI 最不擅长的，也就是划清边界。它总是倾向于面面俱到的严谨考量，而这份严谨在转化成具体方案时，很多时候会偏离你的论文真正想论证的那个问题，还会顺手做掉大量冗余工作，白白耗费时间。这正是你的决策在其中起作用的地方。
三条铁律
第一，凡是它给你的文献、数据、数字，都要能被你自己复核。它会编造不存在的文献、记错年份、把两篇论文的结论混在一起。这不是它“坏”，而是它的工作原理决定的。对策不是“不用它”，而是强制它给出来源，并且你能点开核对，具体做法见第五章。
第二，凡是它替你做的判断，都要留下痕迹。让它改代码，就在改之前先提交一次版本；让它写结论，就让它把“依据哪几段材料”写出来。半年后你回头看，唯一能救你的就是这些痕迹。
第三，不允许它在你没看懂的地方替你做决定。它可以提出三个方案并列出各自的代价，但选哪个必须是你说“就这个”。一旦你把选择权交出去，项目就会在某个你完全没参与的岔路口拐弯，而你不知道为什么。
关于“幻觉”：为什么把文献放在本地是关键
现在的模型已经比两年前老实很多，但只要它是在“凭记忆”回答，就仍然有编造的空间。解决办法不是反复叮嘱它“不要编”，而是改变它回答问题时所依据的材料。如果所有相关文献都在你电脑上的一个固定目录里，你就可以要求它：只能基于这些文件回答，每个结论后面标出文件名和页码，找不到就说找不到。这时它不再依赖记忆，而是在做“有出处的阅读理解”。这是后面反复出现的核心思路——把开放世界的问题，变成闭卷考试。这也是为什么第二章要花那么大力气讲工具、第三章要花那么大力气讲文献归档：它们看起来是准备工作，实际上是整个方法能不能成立的前提。
第二章　先把工作台搭好
这一章讲工具，但它不是“软件安装说明书”，而是讲为什么这样装、这样配、这样开权限。因为后面所有的效率，都来自这一章几个看起来不起眼的设置。在开始之前，你需要先知道四个词——它们经常被混着用，但指的完全是不同的东西，混着用会让你在关键的地方想错。
四个词：模型、Prompt、Agent、Skill
大模型是一台会推理的“文字机器”。它是底座：你给它一段文字，它预测接下来最合理的文字。它读过海量的书、论文、代码和网页，所以能“知道”很多东西；但它没有记忆、没有手、没有眼睛，也不能自己去查资料——你不给它的东西，它只能靠“印象”。关键在于，单次对话里的模型是一个被动的回答者：它不知道你的文件夹里有什么，不能运行你的脚本，也不能在你说完之后自己去验证一件事。这就是它和 Agent 的区别。
Prompt 是你给它的任务说明书。你输入的那段话，就是 Prompt。绝大多数人 Prompt 写得差，不是因为不会“提示词技巧”，而是因为像跟真人说话一样省略了前提：真人坐在你旁边，看得见你的屏幕，知道你在做什么项目；模型看不见。一个好的 Prompt 通常包含五件事：背景（我在做什么、做到哪一步了，一句话就够）、角色（你现在是审稿人／仿真工程师／领域内的博士后）、任务（具体要我产出什么，几段、几张表、什么格式）、材料（依据哪些文件、哪些数据，最好给路径）、判据（什么算好、什么算不合格，这一条最常被漏掉）。对比一下，下面是大多数人的写法，和同一个需求的合格写法：

差别不在于礼貌，而在于后者把“我有什么”和“我要什么形状”都说清楚了。写 Prompt 的功夫，其实是想清楚自己要什么的功夫——这也是为什么它值得练。
Agent 是一个会自己动手的模型。Agent（智能体）不是一个新模型，而是一种用法：让模型在一个循环里工作——想一步 → 调用工具做一件事 → 看结果 → 再想下一步。工具可以是读文件、写文件、跑命令、搜网页、执行代码、截图看界面。这个循环带来三个质变：它能看到你的文件，你告诉它“文献都在 D:\科研\文献库”，它就能真的去读那些 PDF，而不是靠记忆瞎猜；它能动手，写脚本、跑算例、批量改名、生成图表、把结果整理成表格，它自己就做完了，不需要你把代码复制来复制去；它能自我纠错，跑出报错，它读到报错信息，改一版再跑，直到跑通——这个“读报错→改→重跑”的闭环，是它比聊天框强最多的地方。
Skill 是可复用的“操作手册”。如果你每次都要重新解释一遍“读论文的时候请按这个格式输出”，那说明你缺一个 Skill。它本质上是一个写好的说明文件：一段固定的指令、流程、检查清单，存放在约定目录里。Agent 启动时会看到一份“技能目录”（每个技能的名字加一句描述），当任务匹配时，它自己去读全文并照着做。它解决的是“重复教”的问题。科研里真实有用的 Skill 大概长这样：论文精读，固定输出“问题／方法／数据／结论／局限／可复用点”六段，并强制标注原文位置；文献入库，新 PDF 进目录后统一改名、抽取元数据、写进索引表；算例体检，每次仿真跑完自动检查残差、守恒、量纲、异常点，输出一张体检表；周报生成，读本周的日志和 git 提交，生成一段 300 字的进展汇报。
好处有三个：一致性（每次输出格式都一样，方便横向对比）、省上下文（不用每次把长指令贴一遍）、可传承（你毕业了，师弟师妹直接拿去用，这就是组里的资产）。写一个 Skill 非常简单，就是一个 Markdown 文件，开头几行写名字和描述：

放在哪里？两个位置任选：放在项目目录下的 .dsh/skills/ 里，只对这个项目生效；放在用户目录（DSH 主目录）下的 skills/ 里，所有项目都能用。文件既可以是“目录 + SKILL.md”，也可以直接是一个 名字.md。我的建议是：先攒 Prompt，再攒 Skill——一个提示词如果你这周用了三次以上，就把它固化成 Skill；只用一次的，没必要。
安装 DeepSeek Harness
DeepSeek Harness（以下简称 DSH）是目前我用得最顺手的 Agent 客户端之一：本地运行、能读写文件、能跑命令、有技能机制、有完整的权限分级，而且对中文和中文文献的处理不错。下面按“从零到能用”的顺序走一遍。装之前你需要三样东西：一台能正常上网的电脑（Windows 用起来最省事，macOS／Linux 也可以）；一个 DeepSeek 账号（用于登录和计费）；以及建议单独建一个科研工作目录，例如 D:\科研\，不要直接让它在你整个用户目录或桌面上工作。
安装有两条路，选一条即可。路线一是图形化安装，推荐给第一次用的人：打开 DeepSeek 官网，找到 DeepSeek Harness 的下载入口（B 站那个教程的简介里一般也有官方安装包链接），下载对应系统的安装包，双击安装，装完打开就是一个桌面客户端。全过程和装普通软件没有区别，不需要配环境变量、不需要会命令行。路线二是命令行安装，推荐给已经熟悉终端、或者要用服务器的人：前提是电脑上已经装了较新版本的 Node.js（建议 22 LTS 或更新），用包管理器全局装好 DSH 之后，在终端里执行 dsh web，它会启动一个本地 Web 界面，终端里会打印一个带认证信息的地址，用浏览器打开它就行（一般会自动弹出浏览器；想换端口可以加 --port 8080 这样的参数）。以后每次用，都是先 dsh web，再开浏览器。注意：如果以后有人让你把 DSH 升级到某个新版本，先备份工作目录，大版本更新时配置格式可能会变。
装在哪个机器上，是一个值得想清楚的问题。如果你要做的事涉及大量本地文献、工业软件（Fluent、Hysys、Aspen）和公司／学校的授权，那必须装在跑得动这些软件的那台机器上。云端或容器里的 Agent 再聪明，也打不开你实验室电脑上的 Fluent 许可证。如果你更喜欢跟着视频走一遍，B 站这个教程讲得比较全，从安装到实际干活都有，建议边看边操作：
登录、模型与额度
很多人把这一步说成“怎么获取 AGI”，听起来玄，落到实处其实只有三件事：有账号能登录、有模型能调、有余额能跑。缺任何一件，你都会在第一次任务时卡住。第一次打开客户端，它会要求你登录，三种情况各有各的选法：登录 DeepSeek 账号最省事，登录后按用量从余额扣费，不需要自己管 API Key；添加 API Key 适合已经有平台账号和 Key 的人，也适合需要指定模型、或者多人共用一台机器的情况；暂时不登录则只能看界面，发不出任务，它会提示你先登录或充值。
登录成功之后，进 设置 → 账号与余额，你会看到两样东西：可用余额（有时还有赠金余额）和“充值”按钮，点进去按提示充值即可。这里有一条容易被忽略、却决定你该怎么规划用量的提示：余额只在 Agent 真正执行任务时消耗——你停在界面上想事情、读它已经答完的内容，是不花钱的。然后是选模型：在设置里的模型页或输入框旁边的模型选择器里，你会看到提供方和模型两项，一般情况下用默认的就行；如果模型列表是空的，通常是还没登录、或者 Key 无效，先把登录解决好，别急着怀疑软件坏了。关于花钱，有两点经验。第一，把“想清楚再发”当成习惯：一次把背景、任务、判据写全，比来回追问十次便宜得多。第二，长任务（比如“读完这个目录里 40 篇 PDF”）先拿 3 篇试跑，确认输出格式对了再放开跑，否则烧的是你的钱和你的时间。
装完之后，先做一次“体检”
不要一装好就上大任务。先做一个 5 分钟的小测试，确认它真的能看见你的文件、能写文件、能跑命令：

三件事都成功，说明读写和命令执行都通了。如果第 2 步失败，十有八九是权限没开，直接看下一节；如果它反复说“我看不到这个路径”，先检查路径里有没有中文、空格之类的字符，再检查它当前的工作目录是不是你以为的那个目录。
一定要开“完全权限”
这一节我想说得重一点，因为它是新手最容易省掉、也最影响体验的一步：请给 Harness 开“完全权限”模式来工作。不是为了酷，而是因为不开它，你会把大量时间浪费在反复确认上——读一个文件要点一次同意，写一个文件要点一次，跑一条命令还要点一次。
怎么开？两个地方都能设，作用范围不同，别搞混。当前会话：在输入框旁边的权限选择器里切，或者直接输入命令 /permission，在弹出列表里选「完全权限」，只对当前这个会话有效。以后所有新会话：到 设置 → 通用设置 里找到权限预设那一行，把默认值改成「完全权限」，这样以后新建会话默认就是全开。第一次选「完全权限」时，界面会弹一个风险确认，要你明确点同意。这个确认是有意义的，请读完再点：它告诉你，从现在开始，这个 Agent 可以在你机器上执行命令、改文件，出了问题它不会替你兜底。
注意：开完全权限的前提，是先把“防呆”做好。完全权限不等于“随便来”，开之前至少做到四条，这四条能挡住 95% 的灾难：限定工作目录，只把某个项目文件夹交给它，不要在主目录、桌面、整个 D 盘根目录下开工；重要东西先备份，数据、代码、论文稿先复制一份或提交一次版本，有条件就用 git，让每次改动都能回退；先让它说计划，再让它动手，大任务的第一句永远是“先告诉我你打算怎么做，不要动文件”，看完计划再放行；敏感目录不进工作区，身份证、成绩单、合同、别人的未发表数据，不要把整个盘都开给它。
开完之后你该盯什么？全开模式下它不会每一步都问你，所以你要换一种监督方式：不看过程，看事后差异。具体是三个习惯：让它每次改完文件，汇报“改了哪几个文件、每个文件改了什么、为什么改”；关键节点前提交一次版本（git commit 或复制一份带日期的备份），出问题就回退；定期让它把当前进度写成一段 notes/进度.md，你读那一段就够，不必读全部输出。
如果你更喜欢跟着视频走一遍，B 站这个教程讲得比较全，从安装到实际干活都有，建议边看边操作：https://www.bilibili.com/video/BV1REx46NEc4
把工作目录整理成“AI 看得懂”的样子
Agent 的能力，很大程度取决于你给它什么样的目录。文件乱堆在一起，它每次都要先花力气搞清楚“哪个是哪”，既慢又容易错。我的建议是固定成下面这套结构，之后所有项目都套用：

有三条规则值得坚持：原件和笔记分开，原件永不修改，笔记随便改；结果只增不改，每次跑完存一个带日期的新目录，方便回溯；文件名带日期和版本，2026-11-02_v2_基准算例.xlsx 比 最终版(3).xlsx 有用得多。
为什么坚持“文献放本地”？因为这是让 AI 从“凭记忆胡编”变成“有据可查”的唯一办法。文献在你本地，它就只能读你给它的东西，每个结论都能对应到一个文件、一页纸。第五章讲的“强制溯源”，前提就是文献在本地。
用 AGENTS.md 写“长期约定”
有些规矩你不想每次重复：文献必须放哪个目录、回答必须用中文、引用必须标页码、不要动 05_结果 里的原始数据……把这些写进项目根目录的 AGENTS.md，Agent 每次开工都会先读它。放在用户主目录下的 AGENTS.md 则对所有项目生效，适合写“我永远希望你怎么做”。片段大概是这样：

这一个小文件的效果，比你在每次对话里反复叮嘱十遍都强。而且它是可以继承的：等你毕业、师弟师妹接手这个项目，规矩还在。换句话说，这是 Agent 的记忆。
第三章　定题：从一个大方向到一个能动手的问题
装好工具之后，真正的第一步不是读论文，而是把方向收敛成一个问题。这一步做不好，后面的文献会读得又累又散，复现也不知道该复现哪篇。收敛的过程像漏斗：大方向 → 子方向 → 具体问题 → 可检验的假设，每过一层，范围小一半，具体度翻一倍。下面按这四层走。
从“大方向”入手，不要从“具体问题”入手
刚进组时你大概只知道自己“做能源”或者“做控制”，这足够开始了。先别急着找具体问题，因为你还不知道这个领域里哪些问题已经被做烂、哪些是真的空着。让 AI 帮你把地形的粗轮廓画出来：

最后那句“哪些你有把握、哪些不确定”很重要，它会逼模型把自己的置信度说出来，你也就能分清哪部分是知识、哪部分是它的推测。这一步的产出不是答案，而是一张地图：你知道这个领域有几派、每派的招牌动作、以及几个看起来能插手的口子。
再问“这些论文具体在解决什么问题”
有了地图，第二层是看具体的论文在干什么。这里有个技巧：不要问“这个方向有哪些重要论文”（它会编），而要问问题的类型。

定题：三种可靠的切入角度
让 AI 提建议之前，先告诉它你只能用哪种角度切入。科研选题的花样很多，但真正可靠的路子就那么几条。第一种是补空白：找一个大家都提到、但没人真做的环节，把它做透——风险低，但你得能证明它真的重要，不是边角料。第二种是换方法：把别的领域成熟的方法搬过来，解决本领域的难点——风险中等，必须说清“为什么原来那套不行”，否则会被质疑为硬套。第三种是换对象、换尺度：同一套方法，用到新对象、新场景上——风险中低，前提是数据拿得到，且新场景确实有差异。我的经验是：第一篇论文用“补空白”或“换对象”，第二篇再试“换方法”。因为“换方法”最考验你对两个领域的理解深度，新手容易做成“两个东西硬拼在一起”，审稿人一眼就能看出来。

选题的一个硬标准
如果这个题目做失败了，你还剩下什么？如果答案是“什么都没有”，那它风险太高；如果答案是“一套能用的算例 + 一组对比结果 + 一个负面结论”，那它值得做。起码就算写不出论文，也能留下一些可用的遗产。
让它把文献下载下来，放进固定目录
定了大致问题，接下来是搜集文献。这一步有一个必须坚持的要求：让 AI 把文献直接下载并保存到一个固定目录里。理由很简单——你会搞丢它们。链接会失效，浏览器会清缓存，你会换电脑，半年后你只记得“好像看过一篇讲这个的”。

关于“下不到全文”，这是常态，不必焦虑，也不必让它想办法绕过付费墙。正确做法是三条：记下 DOI 和链接，写进 待补.md，等你连上学校 VPN 或走图书馆文献传递时再补；优先找开放获取版本（作者主页、机构库、预印本）；实在拿不到的，让它基于摘要和你能拿到的部分做“有限阅读”，并明确标注“仅基于摘要”。
注意：不要让它“假装下载成功”。Agent 有时候会编一个不存在的 PDF 路径给你。验收办法很简单：让它列出目录里的实际文件，再自己打开两三个确认能打开、页数正常、内容对得上标题。这个检查每次都要做，一分钟的事。
归档规范：让文献变成资产而不是垃圾
下载只是第一步，能不能用起来取决于归档。我这套规则用了很久，比较稳：原件与笔记分离，01_文献/ 只放 PDF 原件，永不修改，笔记一律放 02_笔记/；文件名可检索，作者+年份+主题词，别用下载站给的一串乱码；索引表是唯一入口，所有文献必须在 索引.md 里有一行，没有索引的等于不存在；同一篇只存一份，重复下载很常见，按文件哈希或 DOI 去重；主题分组，文献超过 50 篇之后按子主题建子目录，否则目录会变成垃圾场。
这些规则看起来琐碎，但它们决定了你三个月后能不能“一句话调出所有相关文献”。而这正是 Agent 最擅长的操作：你只要说“读 01_文献/储氢/ 下所有 PDF，按方法分类做一张对比表”，它就能干；如果文件是乱的，它干不了。
补充：三条检索策略
AI 能帮你搜，但你得知道怎么搜才不遗漏。三个基本动作：综述先行，先读 1–2 篇近三年的综述，把参考文献列表当成现成的文献库逐条筛，这是最快建立领域感的方式；雪球法，找到一篇最核心的论文，往前看它引了谁，往后看谁引了它，后者用 Google Scholar 的“被引用”功能最快；检索式，别用一个词搜，用 (“关键词A” OR “同义词”) AND (“关键词B”) 的组合，并在不同数据库各跑一遍，检索式写好后存下来，半年后更新时直接用。

最常见的错误：跳过这一步直接开始学软件
很多人一进组就开始学 Fluent、学 Python，学完发现不知道拿它算什么。软件是工具，问题才是目的。先有问题，再有工具；顺序反了，你会浪费一个学期。
第四章　补齐基本功：软件、复现与读论文
前三章解决的是“知道做什么”，这一章解决“能做出来”。它包含三件事，而且顺序不能乱：先学软件（够用就行），再复现一篇论文（这是试金石），同时大量读文献（这是长期的底子）。这三件事其实是同时进行的，不是串行，下面分开讲只是为了说清楚每件事怎么做。
让 AI 当你的软件教练
不管你用什么软件——Fluent、Hysys、Aspen Plus、MATLAB、Python、GAMS、COMSOL——AI 都能教到“能干活”的程度。注意这个措辞：能干活，不是精通。精通要靠你自己做几十个算例，但它能帮你把最痛苦的入门期压缩到两周。
第一步，问“我需要掌握哪些”，而不是“怎么用”。新手最常犯的错是拿一本 800 页的手册从第一页开始看。正确的做法是先让 AI 给你一张按任务组织的最小技能清单：

这张清单的价值在于它把手册从 800 页砍到了 20 页。你就照着它学，学完就能跑；后面遇到新需求，再用同样的方式要一张新的清单。
让它去读手册，然后讲给你听
软件厂商的手册写得往往很干，而且是英文。让 AI 找官方文档（帮助文档、Theory Guide、User's Guide、Release Notes），然后把其中一节翻译成你能懂的话。

第 4 条是关键：新手需要的是一个能跑起来的默认值，而不是所有可能性的罗列。默认值先跑通，再谈优化。
从最小算例开始，一次只加一个复杂度
这是我认为最值得强调的一条学习纪律。假设你要做一个“掺氢天然气管道瞬态仿真”，正确的推进方式是：先做一个最简单的稳态、单组分、等温算例，直到结果能量守恒、压降趋势合理；然后加上第二组分（掺氢 5%），只改这一件事，看结果怎么变；再加上非等温，也只改这一件事。每一步只改一个变量，出问题时你立刻知道是谁的问题。反过来，如果你一上手就让 AI 把所有设置都调成“看起来对”的样子，一旦结果不对，你没有任何排查方向——这是新手最容易陷进去的泥潭，一陷就是两个月。
给 AI 的一句关键约束：每次让它改设置或改代码时，加一句“只改这一处，其它保持不变；并告诉我这个改动预期会让结果朝哪个方向变”。前半句防止它顺手改一堆，后半句让你有一个可以验证的预测。预测错了，说明你对机制的理解还不到位，正好接着问。
报错怎么问
报错是软件学习里最高频的场景。有效的提问包含四样东西，缺一样它就只能猜：

有截图就直接给截图——界面上很多信息（警告行、求解器设置、残差曲线）用文字描述会丢。截图加一句“我在做什么”是效率最高的组合。还有一条底线：不要让它替你“调参调到收敛”。它可以让残差降下去，但“收敛”不等于“算对”，物理上不合理的解也可以收敛得很漂亮。任何时候，判断结果对不对都是你的事，不是它的事。
复现：任何方向科研的第一步
定好题、学完软件，接下来一定要做一件事：找一篇和你方向最接近的论文，把它复现出来。这几乎是所有方向的共同第一步，原因有三个：它是检验你真的学会了软件的唯一标准——跑通自己的算例不算，跑通别人的算例才算；它会强迫你读完这篇论文的每一个细节，包括那些作者没写清、你要自己猜的地方；它是你后面所有对比的基准线，没有基准，你说“我的方法更好”，凭什么？
选哪一篇？标准是：有模型方程、有参数取值、有边界条件（只有思路没有细节的不能选）；有关键工况的输入输出，最好有图表可以逐点对照；你能在一个月内跑完（别选那种“用了 300 个节点、跑了一周”的）；复现它对后面的工作有直接价值，不是白干。如果实在找不到完全合适的，就选“方法最接近、对象略有不同”的那篇，然后把它简化——比如把 300 节点缩成 20 节点。简化后的复现也是复现，只要你能说清简化了什么、为什么不影响结论。
复现有四个层次，一层比一层有价值。很多人以为“复现”就是“跑出来了”，其实不够。第一层，模型能算、不报错；第二层，结果量级合理；第三层，改变关键参数时，结果的变化方向与原文一致，关键指标与原文相差在 5%–10% 以内；第四层，对不上的地方，你能说出为什么（假设不同、边界不同、离散不同）。趋势对上，证明你理解了机理；数值对上，证明参数和设置基本正确；差异可解释，这一层才是科研。第四层最值钱——当你把一个差异解释清楚的时候，你其实已经找到了一个可能的创新点：“原作者假设 X，但我们这个场景里 X 不成立，所以结论要修正”，这句话本身就是一篇论文的起点。
用一张表管理复现过程。复现最怕的是“改了三周，忘了自己改过什么”。建一个 02_笔记/复现记录.md，每次运行记一行。这张表还有第二个用处：写论文的时候，“模型验证”那一节基本就是从它里面长出来的。复现失败也是一种结果。如果怎么调都对不上，先别怀疑自己，把所有尝试记录下来，然后问 AI：“在哪些情况下，原文的结果是不可能被复现的？”常见答案包括：原文用了未公开的关联式、单位换算有误、图表读数误差、甚至原文本身有错。能证明一篇论文的结果有问题，同样是有价值的发现，只是要非常谨慎地下这个结论。
用 AI 读论文：这是必备技能
我要在这一节说得直白一点：刚开始一个方向的时候，任何人都是看不懂论文的。不是你看不懂，是所有人都看不懂——一篇 15 页的论文背后是作者三年的工作，里面每一个符号、每一个假设、每一处“显然可得”，都是他们圈子里的常识。而 AI 恰好能补上这个缺口。它“什么都懂”，唯一不懂的只有：你不懂什么。所以你要做的不是“努力看懂”，而是把你的困惑完整地交给它，让它按论文原本的结构和逻辑，用自己的话给你讲一遍。
直接给论文，直接说“我啥都不会”。不要试图先自己啃一遍再问，那样你连问题都提不出来。最有效的开场是这样的：

第 4 条是精髓。论文里所有“省略”的地方，都是作者默认同行都懂的地方，也就是你最该被讲清楚的地方。
第二遍，只问那些没讲透的。第一遍讲完，你一定有一堆“好像懂了但说不出来”的地方，第二遍就专攻这些：

这一遍的目标不是“知道它是什么”，而是“自己能理顺”。做不到就继续追问，直到能。这个标准听起来高，其实一篇论文真正需要这个待遇的公式，通常不超过三个。
批量读：让 Agent 一次读一个目录
单篇精读靠对话，成批阅读靠 Agent。当你有 30 篇同主题文献，最有效的操作不是一篇篇读，而是让它横向对比：

最后一个要求是这一节的彩蛋：被反复提到但从未解决的问题，就是选题的富矿，第五章会继续用这个思路。批量阅读必须抽查（或者你干脆让它多读几遍，或者换个模型去读）：它会漏读、会串行、会把两篇的结论混在一起。拿到对比表后，随机挑三篇，自己翻到它标的页码核对。核对不是不信任，是流程的一部分——三篇对得上，剩下的你就可以放心用；有一篇对不上，立刻退回重做。
读多少，怎么读
数量上，我给一个参考：入门期每周 3–5 篇（其中 1 篇精读、2–4 篇泛读）。三个月下来 40 篇左右，你对这个方向的感觉会完全不一样——你会开始“猜得到”审稿人会问什么，这就是领域感。分配上，我建议这个比例：精读 : 泛读 : 只读摘要 ≈ 1 : 4 : 10。精读做卡片，泛读只记“它做了什么、结论是什么、能不能用”，只读摘要的记一行进索引表就够了。还有一条经验：读论文要和做算例交替进行。连着读两周论文，人会飘；连着跑两周算例，人会钻牛角尖。一天里上午读、下午算，是很好的节奏。这个标准其实非常高，纯粹作为参考——实际上你只要在研二之前能精读三五篇文献，基本上就能有一些想法了。
建立自己的知识地图
读到 30 篇左右，你会发现脑子里的东西开始互相打架：A 说这个方法好，B 说它不适用，C 用了完全不同的定义。这时候需要一张图。

那张“空格子”清单，就是你下一步选题的短名单。到这里，你已经不是在“读别人的论文”，而是在“看这个领域的地图哪里还有空地”。
第五章　从复现到创新：找到那条还没人越过的线
复现做完、文献读了三十篇，你会进入一个很微妙的阶段：你知道这个领域大概长什么样了，但不知道自己能往里加什么。这一章讲的就是怎么从“读懂”跨到“做出”。核心思路只有一句话：创新不在文献的开头，而在文献的结尾。
边界藏在“结论与局限”里
论文的结构是有套路的：引言讲“别人做了什么、还差什么”，方法讲“我怎么做的”，结果讲“我做出了什么”，而“还差什么”通常出现在两个地方——结论章的最后一段，和讨论章里那些“然而”“值得注意的是”“本文未考虑”的句子里。这些句子里，作者往往会诚实地写出自己的边界：“本文假设储气库库存可无限恢复……”那库存有限的时候会怎样？“本文未考虑多能互补带来的时序耦合……”那考虑了呢？“本文采用稳态模型，动态过程留待后续研究……”——“留待后续研究”这六个字，是文献里最值钱的六个字。“本文结果基于某单一算例，普适性有待验证……”那换一批算例呢？你要做的，就是把这些句子一条条摘出来，做成一张表。这张表就是你的选题池。

最后一个归类很关键。“数据限制”通常做不了（你也没数据），“有意简化”最值得做（作者知道但没做，说明有价值但难），“作者没想到”最惊喜但也最容易做砸。
方法交叉：怎么交叉才不是硬拼
找到口子之后，最常见的解法是“把 A 的方法用到 B 的问题上”。这条路走得通，但有一个前提：你必须能说清“为什么原来那套方法在这个问题上不行”。说不清，就是硬拼，审稿人一眼看穿。判断一个交叉是否成立，问三个问题。第一，原方法在这个问题上，具体在哪一步失效？要指到公式或假设——你会被问“为什么不用原来的方法”，答不上就是硬套。第二，新方法的哪一条性质，恰好补上了这个失效？注意是“恰好”，不是“更先进”——你会被问“新方法是不是只是换了个说法”。第三，代价是什么？计算量、数据要求、可解释性——你会被问“值不值得”，而这是必答题。
举个我熟悉的例子：把电力系统里的“灵活性”概念搬到气—氢系统，成立的交叉逻辑不是“灵活性很热”，而是“气—氢系统里有大容量的管存和储氢库存，它的时间尺度比电力系统慢一个量级，所以电力系统那套秒级—分钟级的灵活性指标不能直接套用，需要重新定义时间窗”。这一句“为什么不能直接套”，就是交叉成立的证据。

第 1 问要反复问。你以为的新想法，八成已经有人做过，这很正常；而且你也不是不能接着做——只要针对同一个问题，别人有 A+B、B+C，你有 A+B+C，那就完全有做的价值。客观上看，它实质可能没什么新东西，但这不影响你靠它发好论文，重点在于你怎么讲这个故事（下半篇写论文的部分会着重讲这一点）。
让 Agent 批量读本地文献，做“证据驱动”的选题
到这一步，前面的积累开始产生复利：你的文献都在本地，Agent 可以一次读几十篇，而它读的是有出处的原文，不是记忆。这就是我说的“闭卷考试”。具体流程分四步：给目录，告诉它读哪个目录，让它先列出实际读到的文件清单，你确认；给任务，让它按固定表结构输出（对象／方法／假设／结论／局限）；给判据，要求每条结论标页码，找不到依据写“未明确”；给追问，让它交叉比对，找出“被反复提到但没被解决”的问题，以及“两个结论互相矛盾”的地方。
第 4 步的第二种情况特别有用：两个结论互相矛盾的地方，往往意味着有一方的假设在特定条件下不成立。把条件找出来，就是一篇论文。

强制溯源：让它的每句话都能被核对
这是整份指南里我最想让你养成的一个习惯。现在的 AI 已经能做到“基本不瞎编”，但“基本”不够——一篇论文里有一处编造，就够你被拒稿。解决办法不是反复叮嘱，而是在流程上强制它交出来源。具体做法：任务开头就规定输出格式，把“出处”作为必填列，而不是可选项；要求给出文件名 + 页码 + 原文短句，三者缺一不可；明确告诉它“找不到依据就写‘未找到’，写‘未找到’不扣分，编造扣分”；拿到结果后抽查 3 条，核对页码。

当这个表格填满的时候，你的可行性论证其实已经完成一半了——因为你手里有了一张“我的每一条判断都有出处”的清单。写开题报告、写引言、答辩时被问到“依据是什么”，你直接翻这张表。
涉及跨领域时，必须补新文献
如果你的想法涉及一个新领域（比如做能源的开始碰机器学习，做流体力学的开始碰优化算法），那你原来那批文献不够用，必须补。但补文献不是漫无目的地搜，而是带着具体问题去搜：

补文献有个省时的技巧：先找一篇“方法 + 应用”的综述或博士论文，这类文献通常会把方法的来龙去脉和常见坑都写清楚，比读五篇零散的期刊论文管用。
可行性研究：写成一页纸
文献读完、想法成形，动手之前要写一页纸的可行性报告。这不是形式主义，它是你三个月后迷路时唯一的路标。模版如下：问题——一句话，我要回答什么问题；现状——别人做到哪一步了（3–5 篇，带出处）；缺口——具体缺什么（指到假设或方法步骤）；方案——我打算怎么做（3–5 步，每步一句话）；创新——与最近的三篇相比，新在哪（必须能一句话说清）；风险——最大风险 + 备份方案；资源——需要什么软件、数据、算力，有没有；产出——预期是一篇会议、一篇期刊，还是一个算例库。
如果“创新”那一栏你写不出来，那说明这个题目还不能做。不要用“更全面”“更精细”“更贴近实际”来凑——这三个词是审稿人最讨厌的空话。写不出来就回去继续读文献，或者换个口子。（其实也不一定，不过确实有风险。）
什么时候该放弃一个想法
及时放弃是科研能力的一部分，但新手往往两个极端：要么一根筋做三年，要么一遇困难就换题。下面这些信号出现两条以上，就该认真考虑转向：关键数据拿不到，而且短期内没有替代方案；核心方法在你的场景里根本不适用（不是难，是不成立）；你已经做了两个月，还说不清“我的创新点是什么”；查文献发现同一个想法已经有三篇 2025 年之后的论文做完了；每次汇报你都只能讲“进度”，讲不出“发现”。反过来，如果只是“难”，那不叫该放弃。难和方法不成立是两件事：难可以熬，不成立熬不出来。
第六章　把它做出来：计划、执行与不失控
可行性报告写完，就该动手了。这一章讲三件事：怎么把一页纸的方案拆成能执行的步骤，怎么在过程中处理层出不穷的技术问题，以及怎么防止项目在三个月后变成一团你自己也说不清的东西。
从“方案”到“步骤”：拆到能一天做完的粒度
一个方案写在纸上只有五行，但它背后是几十个动作。拆解的标准只有一个：每一个步骤，都要能在一天内做完，并且做完之后你能说“这一步完成了”。“搭建仿真模型”不是一步，它至少是六步：装环境、洗数据、写输入文件、跑通最小算例、加第二个模块、对上基准结果。拆到这个粒度，你才知道今天该干嘛。（AI 完全能负责这部分工作，它做完了你验收就行。）这个标准其实很高，有时候连续一个月什么都不干都很正常；大致工作量定下来，时间安排自由一点也行。

第 3 条是我最看重的：高风险的步骤往前排。科研最怕的是第 11 周才发现核心假设不成立，那时候什么都来不及了。把最可能失败的那一步放在第 2–3 周，失败了还有时间换路。
工作量估算：让它先估，你再修正
AI 估的工作量通常偏乐观，尤其是对“调通一个模型”“找一组参数”这种活。所以用法是：让它估，然后你按经验乘以 1.5–2 倍，再决定周计划排多少。一个更准的办法是让它按“最容易漏的环节”重估一次：

技术问题：截图、复述、一次一变量
执行阶段 80% 的时间在处理技术问题：报错、不收敛、结果不对、格式不对。这些事 AI 都能帮，但帮得好不好，取决于你怎么问。
首选方式是截图。工程软件的问题，一半信息在界面上：警告行、参数面板、残差曲线、网格质量报告。文字描述会丢，截图不会。标准做法是：截图 + 一句“我在做什么” + 一句“我看到什么不对”。截图之前，把关键信息留在屏幕上：报错弹窗别关、参数面板别切走、曲线图别缩到最小。它看得见，才判断得准。
让它先复述问题，再给方案。这是一个非常有效的小技巧。当你描述完问题，加一句：“先别急着给方案，先用你自己的话把问题复述一遍，并告诉我你需要哪些额外信息。”好处是：如果你描述得不准，它复述时就会露出来；如果它理解错了，你能在它动手之前拦住。花 30 秒，省半小时。
一次只改一个变量。这一条在讲学习纪律时说过，在执行阶段更要紧。它经常“顺手”帮你优化几处，结果跑通了，你却不知道是哪一处起的作用。所以每次修改都加一句约束，把下面这段贴在请求后面：

卡住超过两小时，就换一种问法。如果同一个问题问了三轮还没解决，别再问第四轮，换策略：让它列出“所有可能导致这个现象的原因”，然后你按成本从低到高逐个排除；让它给你一个最小复现算例，把问题剥离到一个 10 行的脚本或最简单的模型里；换一个角度描述问题，不说“怎么让它收敛”，说“在什么条件下它一定不收敛”；去搜这个软件的官方论坛／用户社区，把原始报错原文丢进去（或者让 AI 定向搜索）。另外，那种“感觉方向出问题了”的直觉很重要，别硬扛。
大量决策细节：刨根问底直到能讲给别人听
项目推进过程中会出现大量小决策：这个参数取 0.8 还是 0.85？这个边界用绝热还是等温？这个指标用峰值还是均值？每一个都影响结果，而每一个你都不一定懂。处理方式只有一个：问到你能够用自己的话讲给别人听为止。判断标准很朴素——如果我不能向一个同组同学解释清楚“为什么这么选”，那就是还没懂。
“通俗地给我讲讲”
这是我最常用的提示词，没有之一。它好用，是因为它逼着模型把术语翻译成因果链，而因果链才是你能记住、能迁移的东西。

这个句式可以套在任何地方：一个求解器设置、一个无量纲数、一个经济性指标、一句审稿意见。用十次之后你会发现，你对这个方向的理解深度完全不一样了。
把“不懂”变成清单
每次开会、每次读论文、每次跑算例，都会产生“这里我不懂”的瞬间。别让它们过去，记下来。我习惯在 02_笔记/待查.md 里记一行，每天清三条——不懂的东西：为什么残差降到 1e-3 就不再降、SLP 和 MILP 的区别；卡在哪一步：收敛判断、优化方法选择；是否已解决：是（网格问题）、否。这张表是你成长的记录，也是你和导师讨论时最好的材料——带着具体问题去讨论，比带着“我做不出来”去讨论有效十倍。
让 AI 帮你做决策，但要看它给的代价
遇到需要选方案的时候，别问“我该选哪个”，要问“各自的代价是什么”：

最后半句很重要：任何推荐都是有条件的。知道条件，你才知道什么时候该推翻它。
防止项目失控的五条纪律
我见过太多项目不是“做不出来”，而是“做着做着不知道做到哪了”。下面五条，每一条都是血泪。
纪律一：范围只减不增。新想法一定会在过程中冒出来，这很正常。但请把它写进 02_笔记/想法池.md，不要立刻加进当前项目。当前项目的范围，只允许缩小，不允许扩大；想加，等这一篇投出去。这个问题更多时候出在 AI 身上——它会不断地扩展问题的边界，而你一定要有能够收紧边界的认识。
纪律二：每两周最好有一个硬产出。一个能给人看的图、一段能跑的代码、一张对比表、一节写完的方法。没有硬产出的两周，等于没做。这条纪律能救你的毕业。
纪律三：版本管理，从第一天开始。代码用 git，数据用“日期+版本”的目录，文档用带日期的文件名。每完成一个阶段，打一个 tag 或复制一份快照。出问题时，你唯一想要的就是“回到上周那个能跑的状态”。这一条非常重要，别省。
纪律四：写周报，哪怕没人看。每周五行：这周做了什么、遇到什么、怎么解决的、下周做什么、有什么需要帮助的。写给自己看。三个月后你写论文的“工作日志”、答辩时的“研究过程”，全从这里面来。这件事可有可无，你别忘了就行，也可以直接交给 AI。
纪律五：设一个止损点。在第 6 周和第 10 周各设一个检查点。如果第 6 周核心方法还没跑通，就要考虑简化问题或换方案；如果第 10 周还没有可用结果，就要考虑把论文目标从期刊降到会议，或者拆成两篇。止损不是失败，是把损失控制在可承受范围内。
一边推进，一边学习
最后说一件容易被忽略的事：做项目的过程本身就是最好的学习过程，但前提是你要有意识地学。具体做法：每周留半天只读文献、不跑算例，这半天用来读“和你正在做的这一步直接相关”的论文，效果比泛读好得多（持续阅读非常重要）；定期给 AI 一次“复盘”任务，把这两周的日志、报错、笔记给它，让它总结“你在哪些地方反复卡住、说明你缺哪块知识”，然后针对性地补。
结语　上半篇到这里
写到这里，上半篇该讲的都讲完了：边界—工具—定题—基本功—创新—执行。这六步走完，你应该已经能独立完成一个课题的前三分之二：知道问题在哪、知道别人做到哪、知道自己要做什么、并且真的在做了。
我知道这份文档读起来有点长，也知道很多地方你会想“等有空再看”。所以我建议你只做一件事：今天先完成第二章的体检任务，明天把项目目录建起来。剩下的，等你真的卡在某一节的时候，再回来翻那一节，效果比通读一遍好得多。
最后说一句关于 AI 的话。这两年我最大的感受是：AI 没有让科研变简单，它只是把“低价值的劳动”变便宜了。查资料、跑脚本、改格式、翻译、整理表格——这些事现在几分钟就能做完。于是真正稀缺的东西浮出来了：你能不能提出一个好问题，你能不能判断一个结果可不可信，你能不能把一个模糊的想法讲清楚。这三件事，AI 都替不了你。但它能让你有更多时间去做这三件事。这就是我理解的“AI 时代的科研”。
——等这个项目做完，我会把下半篇写完：结果出来了怎么办、数据怎么处理、初稿怎么写、语言怎么润色、图怎么画、答辩 PPT 怎么讲。
说明：关于本指南。这份文档基于作者个人的使用经验与失败教训写成，工具界面与功能会随版本变化，具体按钮位置请以你安装的版本为准；方法论部分相对稳定，可以放心套用。