如果你也有这样的感觉——AI 工具越装越多，真正写论文的时候却还是不知道从哪里下手，这篇可能正好适合你。

不少人手机里装着七八个 AI 工具，电脑里还存了一堆提示词。

真到了做课题的时候，还是一样卡：文献看不完，综述理不顺，论文迟迟写不出来，好不容易投出去，又在返修阶段来回折腾。

问题很多时候不是 AI 不够多，而是工具没有放到合适的位置。

用写论文的工具找选题，用聊天机器人替代文献检索，用一个工具从头做到尾，看起来什么都能做，实际反而容易把科研流程弄得更乱。

把科研工作拆开，其实没那么复杂，大致可以分成 6 个环节：

每一步解决的问题不一样，AI 的用法自然也不一样。

选题最怕的不是没想法，而是忙了几个月之后才发现，这个问题别人早就做过了。

所以选题阶段，AI 最有价值的地方，并不是直接问它：

这种方式很容易得到一堆听起来不错、实际上很难落地的答案。

更靠谱的做法，是让 AI 帮你顺着已有研究往下挖。

比如去看顶刊论文的局限、Future Directions、研究空白，再把这些问题拿回数据库里重新检索，看看究竟有没有人已经补上。

之前整理过两套比较实用的方法：

一套是用 《Codex 从顶刊论文里反向挖研究 Idea》；

另一套是用 《DeepSeek 拆解课题申报书里的创新点》。

说到底，选题不是让 AI 替你“想一个新题目”，而是把：

“我觉得这个方向没人做”

一步步变成：

“我检索过，目前确实缺这一块。”

这两句话，看起来差不多，实际完全不是一回事。

很多人的文献库都有一个共同问题：

PDF 下载了一大堆，真正认真读过的没几篇。

尤其是一次下载几十篇之后，最容易陷入一种假忙碌——每天都在“看文献”，最后却说不清楚这些论文到底讲了什么。

读文献时，可以给自己设一个很简单的标准：

这篇论文的证据，真的能撑住它最后的结论吗？

AI 在这里就比较适合做“证据助手”。

例如 paper-search-mcp 可以把多个论文数据库的搜索、获取串起来。

如果已经确定要精读某一篇，evil-read-arxiv、DeepPaperNote 这类项目，则更适合把论文拆成研究问题、方法、结果、局限等结构化信息。

这样读文献，和单纯让 AI 给你“总结一下这篇论文”，其实差别很大。

前者是在追证据，后者很容易又变成看了一遍摘要。

很多人的第一篇综述，最后都会长成这个样子：

文献确实很多，信息也很全，但读完之后，读者还是不知道：

这些研究之间到底有什么关系？

真正有用的综述，不是把别人做过什么重新排列一遍，而是要把一个领域里的共识、分歧、演变和空白梳理出来。

所以这一环节可以让 AI 先做一件事：

把几十篇文献按照主题重新归类，再分别整理出：

• 哪些观点已经比较一致；

• 哪些地方存在明显分歧；

• 哪些问题还没有解决；

• 不同研究为什么会得到不同结果。

等这些东西出来之后，再由你决定自己的研究站在哪里。

这也是为什么我不太建议直接让 AI：

很容易得到一篇看起来完整，实际上就是“摘要大集合”的东西。

综述真正难的地方，从来不是写字，而是搭出自己的观点结构。

到了真正写论文的时候，AI 确实能帮上很大的忙。

但这里有一个很容易踩的坑：

不要把整篇论文一次性交给 AI。

尤其是方法、结果和讨论部分，AI 如果没有掌握足够的原始数据，很容易为了让文章读起来完整，自己补出一些并不存在的逻辑。

更稳妥的方式，是把论文拆开写。

先确定文章结构，再写章节；章节确定之后，再拆成段落。

AI 可以帮你处理：

• 段落结构；

• 论证顺序；

• 前后衔接；

• 句子表达；

• 不同部分之间的逻辑过渡。

但涉及具体实验数据、统计结果、样本数量、引用文献这些内容，还是要回到原始材料逐项核对。

我之前整理过不少 Claude、GPT 和 Codex 的学术写作方法，最后发现一个共同点：

越重要的内容，越不要一次性生成。

一段一段写，一段一段核，反而更快。

论文初稿出来以后，还有一道很多人低估的工序：语言打磨。

有些文章语法没有问题，逻辑也说得通，但读起来就是有一种很明显的“机器感”。

比如每一段都结构完整得过分，句子长度高度一致，转折词反复出现，整篇文章像是套着同一个模版写出来的。

所以这一阶段真正应该做的，不是把每句话都改得更复杂，而是：

把机械感拿掉，让表达回到正常的人类写作状态。

可以直接用下面这条思路处理：

另外，再准备一份自己的“AI 感词汇黑名单”。

文章改完之后扫一遍，把那些反复出现、明显带有模板痕迹的词删掉，通常比继续让 AI 润色一遍有效。

到了投稿阶段，事情又换了一种性质。

这时候 AI 更适合处理那些规则比较明确、重复劳动比较多的工作。

比如选刊。

可以根据论文的研究方向、摘要和关键词，先用 journal-recommender、Journalfinder 这类工具筛一轮候选期刊，再自己核对期刊范围、分区、近期文章以及投稿要求。

真正决定投哪本期刊之前，还是要回到期刊官网确认最新信息。

返修则是另外一套逻辑。

收到 Major Revision 之后，不要把所有审稿意见直接丢给 AI，让它生成一封“感谢审稿人、我们已经认真修改”的回复。

这种回复看起来很客气，实际最容易漏问题。

更稳妥的做法是逐条处理：

每一条都对应起来，正文里的修改也要同步检查。

尤其是那些涉及实验补充、统计方法、图表修改的意见，更不能只改回复信，不改论文正文。

如果把整个科研流程重新看一遍，会发现一个很有意思的事情：

AI 真正能帮你省下来的，并不是“科研判断”，而是大量重复劳动。

研究生如果现在最大的困难是“文献看不完、综述理不顺”，可以先把精力放在前面的检索、阅读和综述环节。

如果已经进入论文写作阶段，就别再继续无休止地收藏工具，先把写作、润色和引用核对流程跑顺。

已经准备投稿的科研人员，则可以把 AI 更多用在选刊、投稿材料整理和审稿意见逐条回复上。

工具不用越多越好。

真正有用的是，你知道自己现在卡在哪一步，然后找到一个刚好解决这个问题的工具。

AI 是放大器，但论文里的证据、判断和最终责任，始终还是作者自己的。

前面这 6 个环节，我把涉及到的工具和提示词重新整理了一遍：

130+ 个科研skill，110+ 组实用指令，按“选题—文献—综述—写作—润色—投稿返修”分类。

每个工具都整理了项目地址和主要用途，提示词也尽量保留成可以直接复制使用的版本。

如果你不想一个个翻，可以直接领取这份：

《科研skill与学术指令》

关注本公众号，后台回复 「科研」 即可领取。