夜雨聆风
很多人问我，AI 能不能帮忙写论文。
我的回答很简单：能。但不要一上来就说“帮我写一篇论文”。
那样得到的东西，通常像论文，却不是论文。它有漂亮句子，有熟悉的段落名，有一些看起来很学术的连接词。但真正该回答的问题，往往是空的。
写论文初稿更靠谱的办法，是先做一件很古法的事：找同一个研究问题附近的期刊文章，把它们拆开。
AI 的作用，不是替你做判断。它更像一个很快的整理助手。你把材料、结构和判断给它，它帮你把毛坯推到能继续改的状态。
这里还有一条硬红线：所有结果、数据、图，必须是真的。AI 可以帮你写图注，帮你改叙事，帮你检查一张图在文章里该回答什么问题。但它不能替你生成科学结果，更不能替你编数据、编曲线、编表格。
这篇只讲一件事：怎么用 AI 起一篇论文初稿。
这里先说一句不好听但重要的话。
如果一个人没有古法科研的经历，AI 很难真正帮他写论文。
古法科研是什么？
就是老老实实下载文章，读引言，抄结构，查公式，复现图，追引用。看到一个结论，要问它从哪来。看到一个模型，要问假设是什么。看到一张图，要问横轴、纵轴、单位和误差怎么来的。
这件事很慢，也很笨。
但它是论文写作的底盘。
没有这个底盘，AI 只会让你更快地产生一堆顺滑废话。它能把一句空话扩成一段空话，也能把一段空话润色成很像真的空话。
真正有效的 AI 写作，前提是你已经愿意做笨功夫。
结果必须是真的
这件事要单独说。
论文里的结果，不是写作材料。它是证据。
数据必须来自实验、计算、公开数据库，或者你自己清楚记录过的处理流程。图必须能追到原始数据和画图脚本。表格里的数字必须能重新算出来。每一条曲线，都应该知道是哪一个输入文件、哪一个参数组、哪一个版本的代码产生的。
AI 可以帮你把一张图讲清楚。
但它不能替你决定图上应该有什么曲线。它也不能帮你补一组“看起来合理”的点。
如果一张图不是从真实数据或真实计算来的，就不要放进论文。如果一个结果不能复查，就不要让 AI 把它写得更漂亮。
论文写作可以 vibe，结果不能 vibe。
第一步：先下载同类文章
不要从空白文档开始。
你先找 5 到 10 篇文章。不要乱找，要找和你问题最近的。
比如你想写一个核反应方法论文，就去找同一类方法、同一类方程、同一类数值问题的文章。你想写一个机器学习加物理论文，就去找同一类任务、同一类数据、同一类验证方式的文章。
这些文章不只是参考文献。它们是你要拆的样板。
下载之后，先不要急着读懂每一个细节。第一轮只看结构：
• 引言第一段在说什么大问题； • 第二段在说什么已有方法； • 第三段在指出什么缺口； • 最后一段怎样宣布本文贡献； • 方法部分先定义了什么，再推导了什么； • 结果部分每张图回答了什么问题； • 结论部分收住了哪几句话。
你会发现，期刊论文不是随便写出来的。它有稳定的骨架。
这个骨架，就是所谓的“八股文”。
八股文不是坏事
很多人一听八股文，就觉得是贬义。
在论文初稿里，它反而是好事。
因为论文不是散文。论文首先是一种论证格式。它要让读者快速知道：你研究什么问题，别人做到哪里，你补了什么缺口，你的方法凭什么成立，结果怎样支持你的说法。
常见的论文八股文，大概长这样：
第一，研究背景。这个问题为什么值得做。
第二，已有工作。别人已经怎么做了。
第三，问题缺口。已有方法哪里还不够。
第四，本文贡献。你具体做了哪一步。
第五，方法定义。你的模型、方程、算法、近似和边界条件是什么。
第六，结果证据。每张图支持哪一句主张。
第七，限制和展望。你的方法什么时候有效，什么时候不能乱用。
这不是套路垃圾。它是读者的阅读地图。
一个初稿如果连这个地图都没有，AI 再会润色也救不了。
第二步：用写作 skill 扒结构
现在可以让 AI 进场。
但不要让它直接写。
先让它拆文章。
这里说的 skill，不是让 AI 随便总结的一个口令。
它更像一个你自己整理出来的期刊写作规约。里面要写清楚一篇目标期刊文章通常有什么结构：Title、Abstract、Introduction、Theory、Computational Details、Results、Discussion、Summary、References。它还要规定引言怎样展开，理论部分怎样解释符号，结果部分怎样围绕图来组织证据，引用必须怎样核对。
有了这种 skill，扒文章就不是“总结一下这篇论文”。
它是拿期刊写作规约当尺子，把文章一段一段拆开。
你可以把一篇 PDF 或者正文给 AI，然后给它一个很具体的任务：
请不要总结内容。请按下面这份期刊写作 skill 的规则，拆这篇论文的写作结构。按 section 和 paragraph 列出：1. 每一段在论文论证中承担什么功能；2. 这一段用了什么证据；3. 哪些句子是在定义问题；4. 哪些句子是在指出 gap；5. 哪些句子是在宣布本文贡献；6. Theory 或 Formalism 部分怎样定义符号、方程和物理含义；7. Results 部分每张图在回答什么问题；8. 哪些引用承担背景、方法、对比或验证的作用。注意第一句：不要总结内容。
很多 AI 默认会给你摘要。摘要对写初稿帮助不大。你真正要的是结构，是文章怎么被搭起来的。
拆完一篇，再拆第二篇、第三篇。拆到第五篇时，你会看到重复模式。
有些文章喜欢先讲现象，再讲方法。有些文章先讲方法缺口，再讲应用场景。有些文章的结果部分是按能量、角动量、模型比较来排。有些文章是按实验数据、基准测试、参数敏感性来排。
这些模式不是让你照抄内容。
它们是告诉你：这个领域的读者习惯怎样接受一个论证。
第三步：把别人的结构变成自己的骨架
拆完文章以后，不要马上写正文。
先做一个骨架表。
左边写论文部件，右边写你自己的内容。可以很粗。
比如：
Introduction 第 1 段：大问题是什么？我的内容：弱束缚核反应里，吸收通道怎样分配仍然不清楚。Introduction 第 2 段：已有方法是什么？我的内容：CDCC 能处理 breakup，但常见吸收分解对 off-diagonal coupling 的角色处理不够清楚。Introduction 第 3 段：gap 是什么？我的内容：很多计算只看总吸收，不能解释 flux 到底去了哪里。Introduction 最后一段：本文做什么？我的内容：本文用某种分解方法，把吸收分成几个物理通道，并检查耦合项的影响。这一步很关键。
因为 AI 最容易在 gap 和 contribution 上胡说。你必须先自己把它们钉住。
如果你说不清 gap，说明问题还没想清楚。此时不要写论文，先回去做科研。
如果 gap 能说清，论文初稿就已经有了脊梁。
第四步：再开始 vibe 文章
到了这一步，才适合让 AI 帮你写初稿。
所谓 vibe 文章，不是凭感觉乱写。
它是你和 AI 之间形成一个节奏：你给骨架，AI 出毛坯；你挑错，AI 重写；你补物理判断，AI 帮你整理语言；你发现逻辑断了，就退回去改结构。
一个实用 prompt 可以这样写：
下面是我论文 Introduction 的结构骨架。请按 Physical Review C 的常见写法，写一个英文初稿。要求：1. 不要增加我没有给出的物理结论；2. 不要编造参考文献；3. 不要编造结果、数据、图和表格；4. 每段只完成一个功能；5. gap 和 contribution 要写清楚；6. 语气克制，不要宣传式表达。骨架如下：...第一次生成的东西，不要直接用。
你只把它当毛坯。
接下来问四个问题：
第一，物理判断有没有错？
第二，所有结果、数据和图能不能追到真实来源？
第三，论证顺序顺不顺？
第四，有没有一句话看起来漂亮，但其实没有信息？
只要发现这些问题，就删掉或重写。
初稿里最该让 AI 做什么
AI 最适合做的，不是替你发现科学问题。
它适合做这些事：
一是把你的中文想法变成英文毛坯。
二是把一段太散的话整理成论文段落。
三是帮你检查引言有没有缺口，结果部分有没有证据链。
四是模拟审稿人，问你“这一句凭什么”。
五是把你已经确定的图和表，安排进结果叙事。
最不该让 AI 做的，是四件事。
不要让它替你决定物理解释。
不要让它替你编文献。
不要让它替你决定哪些结果可以作为主结论。
不要让它替你制造结果、数据和图。
这些都必须由人负责。
尤其是文献。AI 给出的引用，必须回到数据库和原文核对。标题、作者、年份、卷号、页码，都要查。不要相信它“看起来很像真的”。
一个最小工作流
如果只给一个最小工作流，我建议这样做。
第一天，下载同问题附近的 5 到 10 篇期刊文章。
第二天，用写作 skill 拆每篇文章的结构。不要总结，只扒写法。
第三天，把这些结构合并成一个自己的论文骨架。
第四天，自己填入研究问题、gap、方法、图表和主结论。
第五天，让 AI 按骨架生成 Introduction 和 Methods 的毛坯。
第六天，自己逐句改。所有物理判断、公式、引用、数值、数据和图都回原文、数据文件或代码核对。
第七天，让 AI 扮演审稿人，专门挑逻辑断点和证据不足。
这个流程不神奇。
它只是把写论文从“面对空白文档”变成“填一个可检查的结构”。
空白文档最吓人。结构一出来，初稿就不再是玄学。
记住一句话
AI 写论文初稿，关键不是让 AI 更聪明。
关键是你先把文章拆开，把骨架搭好，把物理判断握在自己手里。
先古法，后 vibe。