我给自己做了一个量子力学 AI 助理,专门陪我研究量子力学

我最近在学量子力学的时候，做了一件以前很少做的事。

我没有直接把 AI 当成一个问答窗口，而是给自己搭了一个量子力学 AI 助理。

它不是简单回答「薛定谔方程怎么解」「微扰论是什么」这种问题，而是按我学习和研究量子力学的完整流程来工作。

我先学什么，概念怎么理解，题目怎么拆，公式怎么推，结果怎么验证，代码怎么写，论文问题怎么建模，都放在同一个助理里面。

这件事给我最大的感受是，AI 真正改变学习方式的地方，不是让我少动脑子，而是让我能把一个复杂学科拆成可以持续推进的流程。

以前我学量子力学，很容易被一种无力感卡住。

教材翻开以后，每一段都好像能看懂，但把书合上，脑子里面只剩下几个名词。波函数、算符、对易关系、角动量、微扰、散射、自旋、密度矩阵，每一个都听过，但它们之间怎么连起来，我说不清楚。

做题的时候也一样。

看到题目，第一反应是找相似例题，然后套公式。可题目稍微变一下，就不知道该从哪里下手。

更麻烦的是后面的数值计算。理论推导是一套语言，Python 代码又是另一套语言。QuTiP、TeNPy、Qiskit、PySCF 这些工具摆在那里，我知道它们很强，但真到自己的问题里，还是不知道该选哪一个。

所以我想，与其每次都临时问 AI，不如做一个稳定的助理。

我不是想找一个答案机器

普通聊天当然也有用。

我问一个概念，它能解释。我问一个公式，它能写出来。我问一道题，它也能给步骤。但问题是，这些回答是离散的。今天问一个概念，明天问一道题，后天问一段代码，它们之间没有形成我的学习路径。

更麻烦的是，AI 很容易给出一个看起来完整的答案。

如果我直接照抄，确实很快。但那种快，对学习量子力学帮助有限。因为我不知道答案为什么要这样走，也不知道换一道题以后还能不能用。

我给自己搭助理时，第1个要求就是，它不能只负责回答。

它要像一个长期陪我做研究的人，提醒我先判断问题类型，再选择方法，再推导，再计算，最后验证。

我需要的不是一个答案机器，而是一套能反复运行的量子力学学习和研究工作流。

这也是我把它做成剑飞量子力学Skill的原因。

它在我的电脑本地，把概念解释、习题求解、研究方法、符号推导、数值工具、代码模板、常见错误、单位换算和可视化方法放在一起。我不是每次从零开始问，而是在一个固定的专业工作台里推进。

第1步，先让它帮我看清学习路线

我现在学一个新主题，不会一上来就问「什么是路径积分」或者「DMRG 怎么写」。

我会先让助理帮我定位。

这个主题需要哪些前置知识，我现在缺的是数学基础、物理图像，还是典型题型。它属于本科量子力学、多体物理、量子信息、量子化学，还是开放系统。

如果我只是为了考试，应该掌握到什么程度。如果我是为了做研究，又应该往哪些数值方法和文献方向走。

这一步特别重要。

量子力学不是一堆平摆的知识点，它像一张层级很密的网。你从错误的位置进去，就会觉得每一步都很陡。比如直接冲张量网络，却没有线性代数、希尔伯特空间、多体哈密顿量和算符的基础，就会连符号都读不顺。

我会让助理先给我一条学习路径。

每1阶段对应哪些核心概念，哪些地方必须手推，哪些地方可以先建立直觉，哪些地方需要代码辅助，哪些地方要通过题目巩固。它还会提醒我，哪些内容只是暂时接受，后面学到更深的理论时还会回来补。

这样学的时候，我心里有地图。

哪怕某一段很难，我也知道它在整趟路线里的位置，不会学着学着就怀疑自己是不是完全不适合。

第2步，把概念和推导放在同一条线上

我读量子力学时，最容易犯的错，是只记结论，不记推导条件。

比如薛定谔方程，我以前会把它当成一个需要背下来的公式。后来我让助理带我拆，为什么状态要用波函数描述，为什么可观测量对应算符。

它还会继续解释，为什么概率要归一化，为什么边界条件会决定能级，为什么对称性常常能直接简化问题。

它不会只给我一句定义。

它会把公式、物理图像和适用条件放在一起讲。公式在说什么，这个量在实验上对应什么，哪里容易误解，哪个条件一旦变化就不能继续用。

推导时，我也要求它把每一步讲透。

哪一步用了定义，哪一步用了对易关系，哪一步用了本征方程，哪一步用了归一化，哪一步用了边界条件。只要出现「代入可得」，我就会让它继续展开。

这听上去慢，但其实是在补基本功。

我还会用 SymPy 做一些符号推导，让助理帮我检查对易子、微扰展开、BCH 公式或者高斯积分。这里有个很关键的细节，量子力学里的算符通常不能随便交换，所以程序里也要明确告诉它算符是不可交换的。

这类细节如果没人提醒，我可能算错很久都不知道。

第3步，做题时先建模，再计算

我现在做题，会先让助理陪我走一个固定流程。

先判断系统是什么。粒子在势阱里，谐振子，中心力场，自旋系统，还是含时二能级系统。再写哈密顿量，找边界条件，看有没有对称性，判断应该用解析方法、矩阵方法，还是数值方法。

以前我喜欢直接算。

现在我会先停一下，问自己几个问题。这个题的自由度是什么，哈密顿量有没有矩阵形式，哪些量子数是好量子数，微扰参数够不够小，结果应该满足什么极限情况。

助理会像助教一样追问我。

如果我把简并微扰和非简并微扰混在一起，它会提醒我。如果我忽略了边界条件，它会让我回去检查。如果我把算符顺序写反，它会指出对易关系。如果我算出一个量纲不对的结果，它会直接亮红灯。

我越来越觉得，解题最重要的不是算得快，而是知道自己每一步为什么可以这样算。

最后我还会让它陪我做验证。

量纲是否一致，概率是否归一，参数趋近某个极限时是否回到已知结果，守恒量有没有被破坏，数值结果有没有收敛。这样一来，我不是拿到一个答案就结束，而是在训练自己的科学判断。

第4步，让它陪我从公式走到代码

量子力学学到后面，只靠纸笔不够。

比如开放量子系统，我需要用 QuTiP 模拟 Lindblad 主方程。一维强关联系统，我可能要选 TeNPy 做 DMRG。自旋链小系统可以用 QuSpin 做精确对角化。分子电子结构可以用 PySCF。

量子电路和 Grover、QFT、QPE、VQE、QAOA，可能要用 Qiskit。量子机器学习和变分电路，又会用到 PennyLane。

我以前面对这些工具，最大的问题是不知道入口。

每个库的文档都很全，但对新手来说，文档越全，越容易迷路。

现在我会把问题直接丢给助理，让它先判断方法。

系统多大，维度增长到什么程度，是否需要稀疏矩阵，是否能用对称性约化，DMRG 需要怎样设置键维度，精确对角化会不会遇到内存爆炸。

PySCF 里的基组要不要做收敛测试，Qiskit 电路需不需要 transpile，PennyLane 电路是不是太深，会不会遇到贫瘠高原。

这些不是简单的软件使用问题。

它们连接着物理模型和数值可靠性。

我会让助理给我最小可运行代码，然后我再逐行改。每改一个参数，都观察能级、波函数、动力学、纠缠熵或者误差怎么变。这个过程让我不再只是「跑过1个示例」，而是能把代码和物理问题对应起来。

第5步，用研究流程而不是聊天流程

如果只是学习教材，助理像老师。如果开始做研究，它就要变成研究助手。

我现在处理一个研究问题，会走12步左右的流程。

先定义系统，再写哈密顿量，做无量纲化，找对称性，确定控制参数，判断能谱和基态，选择解析或数值方法，设置计算，做收敛测试，分析结果，和已知极限对照，最后解释物理意义。

这听起来很复杂，但它能防止我一上来就瞎写代码。

比如我想看一个拓扑模型，不能直接画图。我要先确认模型是 SSH 还是 Kitaev 链，边界条件怎么设置，拓扑不变量怎么计算，有限尺寸会不会影响边缘态，能隙关闭和参数区间怎么对应。

比如我想研究开放系统动力学，也不能只画1条曲线。我要确认主方程形式，初态怎么选，耗散算符是什么，时间步长是否可靠，稳态和长时间行为有没有物理对应。

我还会让助理帮我做文献入口梳理。

这个问题有哪些关键词，有哪些经典模型，哪些综述适合先读，哪些论文是方法源头，哪些结果需要交叉验证。前沿内容不能只靠本地知识，所以我会把它给的方向当成起点，再去查最新论文和实验数据。

AI 负责帮我搭脚手架、列路径、做初步检查，但研究判断仍然必须由我自己完成。

这一点我一直很清楚。

我最看重的，是它让我始终坐在主驾驶位

搭这个量子力学 AI 助理以后，我的学习方式确实变了。

以前我是在追着问题跑。一个概念不懂，搜1次。一道题不会，问1次。一段代码报错，再问1次。问题很多，但它们没有沉淀成我的方法。

现在我是在维护一套学习系统。

概念有概念的位置，题目有题目的框架，代码有代码的入口，数值计算有收敛检查，研究问题有建模流程，结果有验证清单。我每学1次、做1次、错1次，都会把新的经验放回这套系统里。

它不会把量子力学变简单。

量子力学本来就反直觉，算符、测量、纠缠、多体系统和路径积分都需要反复琢磨。它也不会让我一夜之间变成专家。

但它让我不再孤立地面对每一个问题。

我需要理解公式时，它陪我推导。我需要建立直觉时，它给我解释物理图像。我需要做题时，它追问我的模型和边界条件。我需要写代码时，它告诉我工具和风险。我得到结果时，它提醒我不要轻信漂亮的图形。

这就是我给自己做量子力学 AI 助理的原因。

我不是为了让 AI 替我学，而是为了让自己更稳地学。

我不是为了得到一个标准答案，而是为了训练自己的判断。

我不是想站在门外看热闹，而是希望真的走进量子力学，慢慢学会用它研究问题。

如果你也正在学一门很难的学科，我挺建议你试试这个思路。不要只把 AI 当成1个临时问答框，你可以把自己的学习流程、检查清单、常用工具、典型错误和提问方式沉淀下来，给它做成一个长期助理。

真正有价值的，不是它替你说出答案。

而是你在一次次追问、推导、验证和修正中，慢慢建立起自己的研究能力。

今天就先聊到这里。如果这篇文章让你多了一个判断，欢迎点个赞、在看，也可以转给一个正在摸索的人。你的反馈，会帮我判断下一篇继续往哪里写。

剑飞（微信：hujianfei008），专注 Agent 系统、多 Agent 协作和企业 AI 落地。