夜雨聆风读博最宝贵的是什么？不是idea，是时间。
一个好的idea可能需要半年才能成型，但一个好的工具能让你每周多赚10小时。
我博一的时候，读一篇JPE要3天，写一段回归代码要一周，改语言要改到吐。那时候每天熬夜到两点，觉得读博就是在熬体力，熬到头发掉光就能毕业。
直到我开始系统性地把AI融入我的科研流程。不是那种把AI当"自动写作机"的用法，而是把它当成一个效率放大器——把我从机械劳动中解放出来，让我有时间去想真正重要的问题。
现在这些事情AI一天就能帮我搞定。
这篇文章不是教你用AI灌水，而是教你把时间花在真正需要人类智慧的地方——想idea、做识别、讲好故事。
这7个工具，我每天都在用。它们没有让我变懒，反而让我有更多时间去喝咖啡、去和同学聊天、去天马行空地想研究方向。
工具一：文献阅读神器 - ChatPDF + Claude
核心痛点
文献太多读不完，英文文献读得慢，找不到重点。
相信每个研究生都有过这种经历：打开Google Scholar，一搜文章几千篇。下载20篇到桌面，标上"必读1"、"必读2"……然后这些PDF就在那躺了三个月。更惨的是，好不容易下定决心读一篇，翻了10页，发现这篇论文的识别策略根本不适合你的研究，白瞎了一下午。
环境经济学文献通常很长，识别策略复杂，计量方法五花八门——从DID到RDD，从IV到BLP，每篇论文的方法部分都能写20页。
AI最擅长的就是快速提炼核心信息，帮你在10分钟内判断一篇论文值不值得精读。
具体用法
1. 快速筛选：10分钟判断一篇文献值不值得精读
把PDF上传到ChatPDF或者直接扔进Claude 3，然后提问：
Prompt示例：
这篇论文的核心研究问题是什么？用的什么识别策略？主要发现是什么？和碳减排/环境政策相关吗？用一句话告诉我这篇论文值不值得精读，为什么。
2. 深度精读：30分钟读完一篇50页的顶刊
遇到真正重要的论文，AI可以帮你拆解到极致：
Prompt示例：
帮我梳理这篇论文的识别策略，画出因果图（用文字描述就行）。列出：1. 处理组和控制组分别是什么2. 平行趋势假设是什么，怎么检验的3. 主要的内生性问题是什么，怎么解决的4. 所有稳健性检验的方法和结果5. 这篇论文最大的贡献和局限性分别是什么
3. 对比综述：同时对比多篇文献
Claude的长上下文窗口可以同时上传好几篇论文，让AI帮你做横向对比：
Prompt示例：
这三篇论文都研究了碳税的影响，它们的识别策略有什么不同？结论有什么差异？为什么？哪篇的识别更干净？哪篇的政策含义更强？按照研究质量给它们排个序，说明理由。
工具二：代码生成与调试 - GitHub Copilot + Claude
核心痛点
写代码慢，debug更慢，遇到复杂模型总是不收敛。
为什么适合环境经济学
实证代码有固定范式，AI特别擅长。
DID、RDD、IV、固定效应……这些东西的代码结构都是标准化的，AI见过成千上万次，写出来比你自己写的还规范。
具体用法
1. 从零写代码
不要让AI"帮我写一个回归代码"，要把你的数据结构、变量名、具体需求说清楚：
Prompt示例：
用Python写一个双重差分(DID)的代码。我的数据是企业层面的面板数据，包含以下变量：- firm_id: 企业ID- year: 年份- pollution: 污染排放强度- treated: 是否受政策影响（0/1虚拟变量）- size: 企业规模- productivity: 企业生产率要求：1. 控制企业固定效应和年份固定效应2. 聚类标准误到企业层面3. 画出平行趋势检验图4. 做安慰剂检验：随机分配处理组500次，画出系数分布5. 代码要有详细注释，每一步都说明白在做什么
2. Debug神器
遇到代码报错或者不收敛，不要自己瞎琢磨，直接扔给AI：
Prompt示例：
这段代码运行到第150步就不收敛了，帮我看看可能是什么原因。给出5个排查方向，按照可能性从高到低排序，每个方向给出具体的修改建议。同时告诉我怎么输出中间过程的诊断信息，方便我定位问题。
3. 代码翻译
把Stata代码翻译成Python，或者反过来：
Prompt示例：
把这段Stata代码翻译成Python（用linearmodels包），保持功能完全一致：xtreg pollution treated i.year, fe robust cluster(firm_id)est sto did1coefplot did1, xline(0) ///title("Parallel Trend Test") ///ylabel(-0.5(0.1)0.5) ///vertica
AI是帮你省写代码的时间，不是帮你省思考的时间。它写的代码可能有bug，可能有逻辑错误，这些都需要你自己把关。
工具三：数据清洗与探索 - ChatGPT Codex
核心痛点
数据脏，清洗要花一周，描述性统计做起来繁琐。
环境经济学的数据是出了名的脏。企业污染监测数据有缺失值、异常值，卫星数据要拼接，各种数据库的匹配要花好几天。
为什么适合环境经济学
环境数据通常又大又脏，企业数据、监测数据、卫星数据都是重灾区。
AI处理这些机械性的清洗工作比人高效10倍。
具体用法
1. 自动数据清洗
把数据文件上传，然后告诉AI你的清洗规则：
Prompt示例：
这是10年的企业污染监测数据，帮我做以下清洗：1. 处理缺失值：污染排放量缺失的观测删除，其他变量缺失用行业均值填充2. 识别和处理异常值：污染排放量、产值、就业人数这三个变量，每年每个行业的1%和99%分位数以外的观测缩尾3. 生成新变量：- 污染强度 = 污染排放量 / 产值- 企业年龄 = 当前年份 - 成立年份- 劳动生产率 = 产值 / 就业人数4. 输出描述性统计表：均值、标准差、最小值、最大值、观测数5. 画出主要变量（污染强度、产值、生产率）的时间趋势图把清洗好的数据保存成CSV文件给我。
2. 快速探索性分析
拿到新数据，先让AI帮你看看变量之间的关系：
Prompt示例：
帮我看看污染排放和企业生产率之间的关系。1. 画散点图，加拟合线2. 分行业、分所有制做分组统计3. 看看有没有非线性关系，试试二次项4. 做一个简单的相关性矩阵，标出显著的相关系数5. 给我一个初步的结论：从这堆数据里能看出什么有意思的pattern？3. 自动生成表格直接生成可以放进论文的LaTeX表格：
Prompt示例：
帮我生成一个描述性统计表，用LaTeX格式，要求：1. 分全样本、处理组、控制组三列2. 最后一列是处理组和控制组的t检验结果，标上显著性星号3. 变量名用中文，放在第一列4. 表格要符合经济学顶刊的格式，三线表5. 输出完整的LaTeX代码，我直接复制就能用
工具四：论文写作与润色 - GrammarlyGO + Claude
核心痛点
英语写作差，写出来的句子不像学术英语，润色要花大量时间。
idea很好，识别也很干净，但是写出来的英语就是不对味儿。
审稿人一句话打回来："The writing needs substantial improvement." 然后你就得花一个月改语言，改到吐。
为什么适合环境经济学
我们是经济学家，不是英语老师，但语言不过关论文就是发不出去。
AI可以帮你把地道的中文思考，转化成地道的英文学术写作。
具体用法
1. 初稿扩写
先写中文草稿，然后让AI帮你扩写成英文：
Prompt示例：
我有一个中文的段落草稿，帮我改写成地道的英文学术写作风格，用词要符合环境经济学顶刊（JPE、AER、QJE）的习惯，长度扩充到原来的2倍。不要改变我原本的意思，不要添加新的内容，只是润色和扩写。中文草稿：
2. 语言润色
不要只说"帮我润色"，要告诉AI你的具体需求：
Prompt示例：
帮我润色这段引言，让逻辑更流畅，语言更学术，同时保持我原来的意思。参考JPE和AER的写作风格。要求：1. 句子不要太长，每句不超过3行2. 逻辑衔接要自然，每句和上一句要有明确的联系3. 用词要精确，避免模糊的表达4. 保留所有核心信息，不要删减5. 最后给我一个修改说明，告诉我你主要改了哪些地方，为什么这么改需要润色的原文：
3. 回复审稿人
这是AI最强的应用场景之一：
Prompt示例：
审稿人提出了这个意见，帮我写一个礼貌、专业、有说服力的回复。要求：1. 开头先感谢审稿人的建设性意见，表示我们非常重视2. 给出三点反驳理由，每一点要有理有据3. 同时表示我们会在修改稿中补充相关内容，做额外的稳健性检验4. 语气要不卑不亢，不要显得太卑微，也不要有攻击性5. 长度控制在300-500词审稿人意见：
AI润色完一定要自己再读一遍！它有时候会把你原本清晰的意思改得模糊，或者加一些没必要的套话。
AI是润色，不是重写。你的核心观点、你的论证逻辑，这些必须是你自己的。AI只是帮你把话说得更漂亮。
还有，不要让AI帮你写核心观点部分。它写出来的东西会很"通用"，没有你的个人特色，也没有那种只有真正做过研究的人才有的深度。
工具五：文献综述助手 - Litmaps + ResearchRabbit + AI
核心痛点
文献综述不知道从哪开始，找不到领域内的关键文献。
做文献综述最痛苦的是什么？不是读论文，是找论文。
你可能知道这个领域有几篇经典之作，但那些"隐藏的宝石"——那些引用不多但非常重要的论文，那些你用关键词搜不到但和你的研究高度相关的论文——怎么找？
用关键词搜索很容易漏掉重要文献，而基于引用关系的可视化工具能帮你看到整个领域的全貌。
具体用法
1. 用Litmaps找文献脉络
Litmaps是我目前最喜欢的文献可视化工具。输入一篇关键论文，它自动帮你画出引用关系图：
横轴是年份，纵轴是被引次数 越靠上的论文影响越大，越靠右的论文越新 你可以一眼看到哪些是奠基性的经典，哪些是最新的前沿
我的用法： 打开Litmaps，输入你这个领域最经典的那篇论文（比如研究碳税的就输入Nordhaus 1992），然后它会自动生成一个文献地图。你可以顺着引用关系往下挖，很快就能把整个领域的脉络理清楚。
2. 用ResearchRabbit做地毯式搜索
如果你需要更全面的搜索，用ResearchRabbit：
输入几篇种子论文，它会给你推荐成千上万篇相关论文 按照相关性排序，你可以快速浏览标题和摘要 支持创建文献集合，还能同步到Zotero
我的经验： ResearchRabbit适合做初步的地毯式搜索，把相关文献都找出来，然后再用Litmaps去理清脉络。两者结合使用效果最好。
3. 用AI做文献整合
找到文献之后，让AI帮你做分类和梳理：
Prompt示例：
我有20篇关于环境政策评估的核心文献，帮我按照识别策略分类（DID、RDD、IV、结构模型等）。然后梳理这个领域的演化脉络：1. 早期的研究用什么方法，主要发现是什么2. 后来有哪些改进，解决了什么问题3. 当前的研究前沿是什么4. 指出当前的研究缺口，有什么问题还没有被很好地回答最后给我一个文献综述的大纲，分章节，每节写什么内容都列出来。
工具六：PPT与汇报生成 - Gamma + MindShow
核心痛点
做seminar PPT要花好几天，排版太费时间。
不知道你们有没有这种感觉：做PPT最花时间的不是内容，是排版。
调字体、调颜色、对齐图片、调整表格格式……这些杂七杂八的事情能花掉你80%的时间，最后做出来的PPT还不好看。
一个好的PPT能让你的工作增色不少，AI可以帮你把时间花在内容上，而不是排版上。
具体用法
1. 自动生成PPT
把你的论文大纲或者讲稿扔进去，AI自动帮你生成PPT初稿：
我的工作流：
先写一个详细的PPT大纲，每一页写什么内容都列出来 把大纲扔进Gamma或者MindShow，选择一个学术风格的模板 AI自动生成PPT，包括排版、配色、图表布局 我只需要微调内容，把我的回归结果图放进去就行
以前做一个seminar PPT要花3天，现在半天就搞定了。
2. 讲稿生成
PPT做好了，让AI帮你写讲稿：
Prompt示例：
这是我论文的PPT，帮我写一个15分钟的seminar讲稿。每页PPT对应讲什么内容，标清楚页码。要求：1. 开头怎么引入，要能抓住听众的注意力2. 每部分之间怎么过渡，要有自然的衔接3. 重点内容要强调，告诉听众"这里是关键"4. 结尾怎么总结，怎么引出未来的研究方向5. 语言要口语化，不要太书面，就像平时聊天一样
AI生成的PPT只能当初稿，一定要自己改！
它的排版可能太花哨，不适合学术汇报；它选的颜色可能太鲜艳，投影出来看不清。你需要根据学术汇报的特点做调整：简洁、清晰、重点突出。
还有，讲稿只是参考，不要照着念。最好的方式是用AI的讲稿作为基础，然后改成你自己的说话风格，这样讲出来才自然。
工具七：日常效率神器 - 邮件写作 + 任务管理
核心痛点
各种杂事占时间，给外导写邮件要琢磨半天。
读博不是只有做研究，还有一大堆杂事：给导师写邮件汇报进展、和合作者沟通、申请会议报销、安排seminar……
这些事情每件都不大，但加起来能吃掉你半天时间。
具体用法
1. 邮件写作
不要花半小时琢磨怎么跟导师开口，让AI帮你写：
Prompt示例：
帮我写一封邮件给导师，汇报本周进展。主要内容：1. 代码还是不收敛，我试了几种方法都没用2. 想约下周三下午半小时讨论一下，看看问题出在哪3. 同时想问问下月初的会议报名截止时间要求：1. 语气要礼貌专业，不要太卑微2. 不要显得我很笨，要体现出我已经努力试过了3. 长度控制在150词以内，简洁明了4. 邮件主题也要写出来
以前给导师写邮件要纠结半小时，措辞改来改去。现在用AI，5分钟搞定，而且写出来的邮件比我自己写的还得体。
2. 任务规划
每周一早上花10分钟，让AI帮你规划一周的工作：
Prompt示例：
我下周要完成：1. 模型的稳健性检验（估计需要2天）2. 读5篇文献（估计需要1.5天）3. 写引言部分（估计需要1天）4. 准备seminar PPT（估计需要1天）5. 还有两个会议要参加，各占半天帮我做一个详细的周计划，每天做什么，预留缓冲时间。要求：1. 最难的任务放在精力最好的时候（上午）2. 同类任务放在一起做，避免频繁切换3. 每天留1小时处理邮件和杂事4. 周五下午留空，作为机动时间5. 用表格形式呈现，清晰明了
重要提醒：AI是工具，不是替代者
说了这么多AI的好处，我必须严肃地提醒你：AI是工具，不是你的替代品。
以下5条原则，你必须遵守：
✅ 原则一：所有AI生成的结果必须自己验证
AI会幻觉，会编不存在的参考文献，会写错代码，会给出错误的计量建议。
你是研究者，你要为你的研究负责。所有AI输出的内容，你必须自己验证一遍，确保正确。
✅ 原则二：绝对不能把AI写的内容直接放进论文不修改
AI写的东西没有灵魂。它可以帮你润色、帮你扩写，但核心观点、核心论证，必须是你自己的。而且现在很多期刊都要求披露AI的使用情况，你必须按照要求如实说明。
✅ 原则三：经济学理论和识别策略一定要自己想，AI在这方面经常胡说八道
AI可以帮你实现你的想法，但它不能帮你想idea。
真正好的idea，来自于你对这个领域的深入理解，来自于你和同行的讨论，来自于你读文献时那一瞬间。这些，AI给不了你。
✅ 原则四：了解顶刊对AI使用的规定，按要求披露
现在AER、QJE这些顶刊都有明确的AI使用政策。大多数期刊要求你披露AI在研究过程中的使用情况，但不要求你把AI列为作者。投稿之前一定要看清楚期刊的规定，不要因为这个问题被拒稿。
✅ 原则五：不要让AI帮你想idea
这句话我再说一遍：idea是科研的核心竞争力。
如果你把想idea这件事也交给AI，那你真的就被替代了。
AI可以帮你节省时间，但节省下来的时间，你要用来想更好的idea，做更好的研究。不要把省下来的时间用来刷手机、打游戏——那样你只是在慢性自杀。
结尾：未来已来，你准备好了吗？
以上7个工具，我每天都在用。它们没有让我变懒，反而让我有更多时间去想真正重要的问题。
最后送给大家一句话：
未来不会有AI取代博士生，但会用AI的博士生一定会取代不会用的。
这不是危言耸听，这是正在发生的事实。我身边那些效率最高、产出最多的同学，全都是AI用得最好的。
当然，工具只是工具。真正重要的还是你的学术品味、你的识别能力、你讲故事的水平。这些东西，AI给不了你。
但AI可以帮你把时间省下来，去培养这些真正重要的能力。
觉得有用的话，转发给你身边读博的同学，大家一起效率翻倍！
