夜雨聆风我先说一个真实的数字对比。
多年前，我做一个临床数据的逻辑回归分析，从拿到数据到出可以给导师看的结果，花了整整一个下午，四个多小时。
上个月，一个完全陌生的数据集，同样类型的逻辑回归，加上结果整理成论文表格，一个小时二十分钟，包括中途去接了一杯水。
做的事是一样的。变了的，是每一步遇到问题时的处理方式。
这篇文章不是教你AI怎么用，是写我自己工作状态真实变化的三件事。你可以对照着看，判断自己现在是哪种状态。
01 第一件事：报错从"焦虑时刻"变成了"顺手的事"
以前遇到报错是什么感觉，很多人应该懂。
打开搜索引擎，把报错信息复制进去，搜到一堆Stack Overflow的帖子，翻了几条，发现情况不太一样，改了试试，还是不对，再搜，再改，来回折腾半个小时，最后可能靠一个完全不相关的答案歪打正着解决了，也不知道为什么能解决。
更惨的是那种搜不到任何有用东西的报错。就只能盯着屏幕，或者去翻文档，或者问能问的人，有时候一个报错真的能卡一整天。
现在的处理方式完全不一样了。
遇到报错，我做的第一件事是把三样东西整理好：完整的代码（不只是报错那一行）、完整的报错信息（从Error到最后一行），加上数据结构（直接跑一下glimpse(df)，把输出复制过来）。
然后把这三样东西发给AI。
不是"帮我看看这个报错"，是把完整的上下文都给它。
结果的差别很明显。给完整信息的时候，AI的回答是针对我的具体情况的——"你这里的问题是xx列被读进来的是factor类型，不是numeric，需要在这一步加一个类型转换"。给模糊描述的时候，AI的回答是通用的，要自己再判断对不对，来回多跑几轮。
这个变化带来的不只是时间上的节省。
以前报错是会打断工作节奏的，焦虑一下，思路散了，回来还要找状态。现在遇到报错的感受变了——它就是一个需要处理的问题，整理好信息发出去，等一下，改一行，继续写。整个过程的情绪是平的。
对我来说，这个情绪变化比时间节省更值得说。
02 第二件事：重复性工作从"复制粘贴改参数"变成了"写一次跑所有"
这件事是某天我突然意识到的。
我当时在做一个医院数据分析，需要对十几个科室分别跑同样的描述统计，每次就是复制代码，把科室名改掉，运行，再复制，再改，再运行。我已经这么做了半年多了，觉得这是正常流程。
然后有一天，我让AI帮我把这个流程重构一下，它给了我一个用purrr::map()批量处理的方案——把分析步骤封装成一个函数，然后一行代码跑完所有科室。
# 把分析步骤封装成函数analyze_dept <- function(df) { df |> summarise( n = n(), age_mean = mean(age, na.rm = TRUE), age_sd = sd(age, na.rm = TRUE), male_pct = mean(gender == "男", na.rm = TRUE) )}# 一行跑完所有科室results <- patient_data |> group_by(department) |> group_split() |> map(analyze_dept) |> list_rbind()原来一个多小时的工作，现在不到十分钟。
但这件事让我更在意的不是时间，而是我意识到自己在重复做一件本来不需要重复的事，这件事持续了半年多，我一直没有想着去改变它。
用AI之前，遇到重复性工作，我的反应是接受——这就是要做的，一步一步来。用AI之后，我开始有一个新的反应：这件事能不能只写一次，让代码来重复？
这个思维方式的变化，比具体的代码更有价值。
03 第三件事：论文图表从"靠运气达标"变成了"第一次就对"
做科研的人对这个场景应该不陌生。
ggplot2跑出来了一张图，自己觉得还行，发给导师或者投稿，结果被指出一堆问题：字体不符合期刊要求、分辨率不够、图例位置不对、坐标轴缺单位……每次被指出一个问题，改一个，再被指出另一个，前后改了好几轮才达标。
我以前也是这样过来的。期刊对图表的要求是有规律的，但这套规律没有集中写在哪里，是在一次次投稿返修里零散积累的。
用AI之后，这个流程变了。
我现在写提示词的时候，从一开始就把投稿要求放进去：
用ggplot2绘制KM曲线，要求：- 字体：Arial 11pt- 主题：黑白主题，无网格背景- 图例：移到图内右上角- 导出：TIFF格式，300DPI，宽8英寸- 坐标轴：x轴"随访时间（月）"，y轴"生存率"出来的代码已经包含了所有这些要求，不需要试探，不需要被动等导师指出问题，第一次就能达到投稿标准。
有时候我会让AI直接解释它给的代码里某个参数的含义。比如我不理解为什么要用theme_classic()而不是theme_bw()，一问，AI会解释两者的具体区别，以及在什么场景下用哪个更合适。
这种"顺手学到了一个知识点"的感受，是以前靠自己搜索很难复现的。
04 说到底，变的是什么
写到这里，我想说一个更本质的东西。
上面三件事，看起来是三个独立的变化，但背后是同一件事：我和AI之间的协作方式变了，不再是"遇到问题才想到AI"，而是AI嵌进了每一个工作环节。
遇到报错，我知道该整理哪三样信息。做重复性工作，我知道该怎么描述需求让AI帮我重构。出论文图，我知道从一开始就把所有要求说清楚。
这套方式形成之前，我用AI是零散的——有时候想到，有时候忘了，用了之后觉得效果一般，因为我不知道该怎么描述需求。
这套方式形成之后，它变成了一个工作习惯，不需要每次想"这件事能不能用AI"，它就是工作流的一部分。
05 现在是最好的时机
最后说一件事。
我见过两类人用AI学R：
一类是先把R学好，再去学AI用法。这类人学R的时候走了很多弯路，习惯固化了之后再加入AI，需要改的不只是工具，是整个工作方式。
另一类是从一开始就把AI带进来，边学边用，每一步遇到不会的地方就问AI，逐行理解代码，逐渐养成这套工作习惯。
第二类人走的路，比第一类省力很多。
如果你现在正在学R，或者用R但还没有形成AI协作的习惯，现在是最好的时机——不是因为AI有多厉害，是因为现在开始的成本最低。
这套AI嵌进工作流的方法，我整理了一套完整的提示词框架，覆盖数据清洗、统计建模、可视化、报错调试十个高频场景，每个场景一个可以直接复制的模板。
加我微信发“R模板”，直接发给你，免费的。
扫码添加👇
如果你身边有同样在用R做科研、但还没开始用AI的朋友，欢迎把这篇转发给他。有时候看到一个真实的变化，比看十篇教程更容易开始行动。
你现在用R做分析，哪个环节最耗时间——报错调试、出图格式，还是结果整理？评论区说说，我来聊聊怎么优化。
