夜雨聆风我想先说一个让我有点不舒服的观察。
最近半年，我陆续接触了很多在用R做数据分析的人——背景相近，都是医学或生信方向，都有两三年的R使用经验。但他们完成同一类任务所花的时间，差距大得有点离谱。
不是两倍，是十倍。
01 同样的数据，一个两小时，一个十五分钟
先说第一个场景。
A是某三甲医院的科研助理，每次拿到从HIS系统导出的原始数据，都要先花时间清洗。日期格式不统一、列名带中文和括号、缺失值的标记方式五花八门——这些问题每次都有，处理起来每次都要重新想一遍。
她的流程是：打开R，回忆上次用的是哪个函数，查文档，写一行，报错，再查，改，再试。遇到不认识的报错，搜索引擎找半天，找到一个答案，复制来改，还是不对。
这个流程走下来，一份数据清洗平均花两小时。
B处理的是同类型的数据，背景和A几乎一样。他的做法是：先跑glimpse(df)，把输出结果完整复制，然后用COSTAR框架把数据问题描述清楚——存在哪些格式问题、希望用什么风格处理、输出什么格式——发给DeepSeek。
代码出来，复制进Positron，运行。遇到报错，把完整报错信息粘回去，一两轮解决。
全程十五分钟以内。
A的每一步都是正常人会走的步骤，没有哪一步是错的。问题是这个流程的效率上限就在那里——它是一个线性的、每次从头开始的过程。B的差别不是他更聪明，而是他把数据结构直接给了AI，AI不需要猜，给出的代码针对性强，不需要反复调整。
这件事每周发生好几次。一年算下来，这个差距是多少个工作日，你可以自己算。
02 同样的报错，一个卡了两天，一个二十分钟解决
第二个场景，很多人可能有共鸣。
一个做生信的硕士，DESeq2报了一个错：
Error in checkFullRank(modelMatrix):
the model matrix is not full rank,
so the model cannot be fit as specified.
他在网上搜了两天。看了很多帖子，找到几个"可能的原因"，逐一试了，还是不对。
后来他把代码、完整报错、还有glimpse(metadata)的输出一起发出来，我看了一眼，问题很清楚——metadata里有一个分组只有一个样本，导致模型矩阵不满秩。改一下分组设计，二十分钟跑通了。
为什么搜了两天没解决，二十分钟解决了？
搜索引擎给的是通用答案——"可能是分组有问题""可能是数据格式的问题"。这类答案对所有人都适用，所以对任何一个具体的人都不够用。
AI给的答案不一样。前提是你把足够的信息给它：完整的代码，完整的报错，还有数据结构。少一样，AI就要猜，猜错了就要来回问，效率就下去了。
差距不在工具，在信息结构。知道"把完整信息整理好再问"这件事的人，和不知道的人，面对同一个报错，时间差距是两天 vs 二十分钟。
03 同样的论文图表，一个改了一周，一个两天出完
第三个场景发生在投稿阶段。
C在准备第一篇SCI的图表，ggplot2跑出来的图他觉得还不错，发给导师，导师说字太小。改完发，说背景要去掉。改完发，说图例位置不对。改完发，说分辨率不够。
就这样来回改了将近一周，六七轮。
D处理同样的任务，他在提示词里从一开始就写进了投稿要求：字体Arial 11pt、黑白主题、图例在右上角图内、导出TIFF格式300DPI。AI生成的代码直接满足这些条件，他自己微调了两个参数，第二天图出齐了。
为什么C要改六七轮？不是他不努力，是他不知道期刊对图表的要求，信息是一条条从导师那里零散获取的。每次被指出一个问题，他才知道这个要求存在。
B的方式是从一开始就把所有要求说清楚，AI生成的代码直接满足标准，不需要一轮一轮猜。
差距的来源，是有没有在开始的时候就想清楚终点在哪里。
04 差距的根源，不是你想的那个原因
看完上面三个场景，很多人的第一反应是：差距是"会不会用AI"。
这个判断不完全对。
用过ChatGPT的人很多，偶尔让它帮自己改改代码，觉得"有时候有用有时候没用"，然后也就这样了。这类人算"会用AI"，但他们和B、D之间的差距，并不比完全不用AI的人小多少。
差距真正在哪里？
零散地用AI，和系统地用AI，是两件事。
零散地用，是遇到问题了才想到AI，描述模糊，得到一个泛泛的答案，改了一半发现不对，觉得AI不好用。
系统地用，是在每个工作环节都有对应的AI使用方式——数据清洗有一套描述框架，报错调试有一套信息结构，出图有一套需求说明方式。这套东西一旦形成，就变成了工作流，不用每次想"怎么问AI"，直接套进去就行。
工作流有复利效应。
不会用AI的人，每次遇到同类问题都要从头搜；会用AI协作的人，每次解决一个问题，都在积累和优化自己的提示词框架，下次同类问题更快。一年之后，两个人面对的不是同样的工作，是完全不同的工作难度。
这不是靠勤奋能抹平的差距。两个人都很努力，但一个人的努力在积累，另一个人的努力在重复。
05 四个问题，判断你现在是哪种状态
不需要做复杂的测评，对照这四个问题，心里基本有数。
第一个问题：遇到报错，你的第一反应是什么？
是打开搜索引擎搜关键词，还是把代码、完整报错信息、数据结构整理好发给AI？
如果是前者，说明你还没有形成AI调试的习惯。这不是个人问题，是这个习惯还没有建立起来。
第二个问题：上一次写一段不熟悉的R代码，你查了几次文档？
如果每写一个不太熟悉的函数都要查一遍，说明你花在"找怎么写"上的时间，可能比花在"想怎么分析"上的时间还多。这部分是可以交给AI的。
第三个问题：做完一个分析，整理代码要花多久？
代码里有多少print()和head()是调试时留下来的？有多少被注释掉的尝试？如果整理要花半个小时以上，说明分析过程里没有借助工具维持代码整洁。
第四个问题：上一次遇到一个卡住的问题，从发现到解决，花了多久？
如果答案超过三个小时，大概率是信息没有整理好，或者没有找到正确的求助方式。
对着这四个问题，如果你的答案让自己不太满意，欢迎加我微信聊聊。不是推销，是帮你看看你目前的工作状态，从哪里开始调整会见效最快。
06 这个差距可以改变
说了这么多差距，最后说一件重要的事：这个差距是可以改变的，而且改变它不需要从头学一遍R，也不需要系统学AI。
需要的只是建立一套工作流——数据清洗怎么描述、报错调试怎么整理信息、出图需求怎么说清楚。这套东西，有人指导的话，两三周就能形成习惯。
我建了一个付费群，专门做这件事——针对生信、临床、数据分析的真实场景，把AI怎么嵌进工作流这件事一件一件拆清楚，遇到问题可以直接在群里问我。
感兴趣的话扫码加我微信，发「R编程」了解详情。
如果你身边有同样在用R做科研或数据分析的朋友，也在用着那套"遇到报错就搜Stack Overflow"的老方法，欢迎把这篇文章转发给他。有时候改变一个习惯，只需要看到一篇说到点子上的文章。
你现在遇到报错的第一反应是什么——搜索引擎还是AI？评论区说说，我来聊聊怎么调整会更有效率。
