



AI 赋能学术研究:
从对话助手
到项目协作者
“博士说”活动




为深入落实“我为师生办实事”的实践要求,回应研究生在学术研究、论文写作与科研工具使用中的现实需求,近日,主题为“AI 赋能学术研究,从对话助手到项目协作者”的“博士说”活动在经济学院 511 顺利举行。
本次活动由经济学院师生联合三支部承办,邀请2022级西方经济学硕博生冯嘉敏担任主讲人,与学院师生围绕 AI Agent 如何嵌入科研流程、如何辅助文献跟踪、数据获取、代码实现与项目管理等话题展开深入交流,探讨如何将 AI 从对话助手转化为能够进入项目现场、读取上下文、调用工具、持续执行并沉淀结果的科研协作者。



从对话助手到项目协作者

分享伊始,主讲人从同学们熟悉的 AI 使用场景切入:总结论文、翻译材料、解释报错、辅助写代码,已经成为不少研究生的日常科研工具。但如果 AI 只是停留在聊天框里,许多工作仍需要研究者反复复制、粘贴和人工搬运。
本次分享提出,AI Agent 的价值不只是“回答得更好”,而是能够围绕明确任务进入科研项目:读取材料、调用工具、观察反馈,并把结果沉淀回项目流程之中。





Agent 的核心逻辑



在概念解释部分,主讲人用“Agent = Model + Harness”概括 AI Agent 的核心逻辑。模型负责理解、生成和推理,Harness 则为模型提供目标、上下文、工具、记忆、权限、反馈和评估,使其能够从“回答问题”走向“执行任务”。
对于科研场景而言,清楚的项目结构、明确的任务边界和可检查的结果记录,决定了 Agent 能否真正成为可靠的协作者。





AI Agent 在科研中的五类应用


围绕博士生科研中的常见任务,主讲人进一步介绍了 AI Agent 的五类应用:文献雷达、数据获取、数据清洗、建模与代码、项目工作流。相比一次性问答,Agent 更适合处理那些需要持续跟踪、反复执行和结果沉淀的任务。
其中,数据清洗和项目工作流是现场讨论较多的场景。主讲人指出,AI 的作用不只是生成一段代码,而是帮助研究者把数据来源、清洗口径、运行结果和审查记录串联起来,使科研过程更加可追踪、可复现。





交流互动:从工具使用到科研工作流



在互动交流环节,现场师生围绕 AI 工具的使用边界、科研项目如何整理成 Agent 可读取的工作台、数据清洗过程中如何避免口径混乱等问题展开讨论。主讲人结合文献追踪、代码实现、结果复核等具体场景,对同学们的提问作出回应。
交流中,大家也特别关注“哪些任务可以交给 AI,哪些环节必须由人把关”。主讲人强调,Agent 的价值在于降低执行成本,而不是替代研究者提出问题和作出判断。





执行可以加速,判断必须留给人



AI Agent 的出现,并不意味着“让 AI 替我们做研究”。它更适合作为科研执行层,帮助研究者更快完成搜索、整理、代码实现、报错修正和初稿生成等工作。
真正重要的研究问题、理论判断、变量口径、结果解释和学术责任,仍然必须掌握在研究者自己手中。正如本次分享所强调的:执行可以交给 Agent 加速,判断必须留给人。





活动总结与反响


本次“博士说”活动将 AI Agent 的技术概念转化为文献雷达、数据清洗、建模代码和项目管理等具体场景,帮助同学们理解如何在真实科研任务中使用 AI。与会同学表示,本次分享既有前沿视角,也贴近日常科研实践,对改进个人科研工作流具有启发意义。
未来,经济学院师生联合三支部将继续围绕研究生成长和科研训练中的现实需求,依托“博士说”平台开展更多高质量学术交流活动,推动师生在思想碰撞、方法训练和实践探索中共同成长。





END

供稿、供图|杨依琴
编辑|魏彤
审核|金晓茜 王蔚


夜雨聆风