别让一个AI干所有事——组建你的学术写作工具军团

前三篇搭好了基础设施的两根支柱：知识库解决“读了就忘”，Skill 解决“每次重新想结构”。今天聊最后一根。

你手里有了素材、有了框架，怎么用最短的时间把它们变成一篇能交的论文？

一、“用 ChatGPT 写论文”的人，后来都怎样了

泛泛而谈，不符合规范，查重爆红。

我见过不少人兴冲冲地把研究问题丢给 ChatGPT，让它“帮我写一篇 Introduction”。拿到的东西乍一看还行，仔细一读全是问题：引用是编的，逻辑是套话，学术判断为零。更要命的是，这种“什么都能写一点”的输出给你一种虚假的完成感——你以为初稿有了，其实你拿到的是一堆需要从头改写的废料。

万能 AI 的幻觉：什么都能做 = 什么都做不好。

一个 AI 工具不可能同时擅长文献精读、初稿生成、语言润色和学术审校。就像你不会让一个人同时当厨师、服务员和收银员——理论上都能干，实际上每样都打折扣。

工具焦虑：每天出新 AI，到底该用哪个？

GPT-4、Claude、Gemini、Kimi、通义、文心……每周都有新工具发布，每个都说自己最强。你花大量时间试用、对比、纠结，最后一个都没用熟。

选择困难的本质不是工具太多，是你缺乏一个“分工逻辑”。一旦你想清楚每个环节需要什么能力，工具选择就变成了简单的匹配题。

二、All for One，而非 All in One

每个 AI 做它最擅长的一件事，串成一条链。

不要指望一个工具包揽一切。让专业的做专业的事，你设计好接力顺序就行。

我的 AI 智能体矩阵

经过两年多试错，我目前稳定在用的工具链：

注意，这不是唯一正确的组合。这是我根据自己的习惯、预算和研究领域跑通的一条链路。你的链路可能完全不同，但分工逻辑一样：每个节点只负责一件事，做完交给下一个。

三档预算方案

不是每个人都愿意或能够为 AI 工具付费。三种路径都能跑通：

免费方案唯一的代价是每个环节多花一点时间做人工衔接，但核心流程完全一样。

协同写作四步流程

从文献到成稿，完整链路这样跑：

第一步：文献提取（Emma / Kimi）

把 PDF 扔进去，用提示词引导它提取你需要的信息：

请阅读这篇论文，帮我提取以下信息：
1. 核心研究发现（1-2句话概括）
2. 研究方法（方法类型+样本+数据来源）
3. 最值得直接引用的1句原文（标注页码）
4. 这篇论文与"[你的研究主题]"的关联点

AI 提取完，花1分钟检查、修正，然后存入 Obsidian 的文献卡片。

第二步：建卡归库（Obsidian）

把第一步的输出整理成标准格式卡片，存入对应文件夹。纯手工，但因为格式固定，每张卡片不超过2分钟。

第三步：初稿生成（WorkBuddy）

准备好输入素材（相关卡片 + Skill），喂给 WorkBuddy：

请按照以下写作框架，使用下面的文献素材，为我生成一篇 Introduction 初稿：
【写作框架】
（粘贴你的 Introduction 五段式 Skill）
【文献素材】
（粘贴3-5张相关的核心观点卡）
【研究问题】
（一句话）
【方法选择】
（一句话）
要求：严格按照框架的段落结构和字数要求，每个论点必须有明确的文献支撑。

它给你的初稿不会完美，但结构对、素材对、方向对。你拿到的是一个70分的底稿，不是一张白纸。

第四步：深度打磨（YouMind）

把初稿丢进 YouMind，逐段精修。检查逻辑衔接是否自然，确认学术表述是否准确，润色语言去掉 AI 痕迹，补充你自己的学术判断。

这一步最耗时间，也是你作为研究者真正发挥价值的环节。前三步省掉的是机械劳动，这一步是专业判断。

从阅读到成稿

画成流程：

PDF 原文
  ↓ Emma/Kimi 提取
文献卡片（核心观点+方法+金句）
  ↓ 存入 Obsidian
知识库（可检索、可复用）
  ↓ 筛选相关卡片 + 调用 Skill
WorkBuddy 生成初稿
  ↓ 
YouMind 逐段打磨
  ↓
终稿

每个节点的输入来自上一个节点的输出。没有一步是从零开始的。

三、全流程实录

一篇 Introduction 从文献到定稿

以我最近写的一篇基层治理论文为例（公共管理领域，涉及10篇核心文献），完整记录时间消耗：

传统写法同样的 Introduction 大概需要三到五天——至少一天半翻 PDF 找素材，一天纠结结构，剩下的时间才是真正在写。

工具链协同省掉的是前面的机械劳动。时间集中花在打磨上，也就是真正需要学术判断力的地方。

翻车实录：我踩过的坑

坑一：初稿太依赖 AI，打磨时发现要大改。

早期给 AI 的输入太粗糙——没有 Skill 约束，卡片也不够具体。AI 自由发挥的结果：结构散、引用虚、逻辑跳。打磨阶段基本等于重写。

教训：输入质量决定输出质量。Skill 越具体、卡片越精准，初稿越接近你要的东西。

坑二：工具之间的格式不兼容。

Kimi 提取的内容格式和 Obsidian 卡片格式不一样，每次都要手动调整。后来我在提取提示词里加了格式要求，让 AI 直接按卡片模板输出，省掉了格式转换。

教训：在链路第一个环节就规定好输出格式，后面每一步都省事。

坑三：过度追求自动化，忽略了人的判断。

有一段时间我试图让整条链路全自动——文献自动提取、自动建卡、自动生成初稿。结果质量断崖式下降。因为“这篇文献跟我的研究有什么关系”这个判断，目前的 AI 做不好。它不知道你的研究问题是什么、论证逻辑是什么、你想强调什么。

教训：人的判断是链路中不可替代的节点。自动化机械劳动，不自动化学术思考。

写在最后

工具会一直更新换代。今天用的 Kimi，明年可能有更好的替代品。但分工逻辑不会变——文献提取、知识管理、初稿生成、深度打磨，这四个环节永远存在，执行者可以换。

你建的不是“一套工具组合”，是一条可迭代的流水线。工具是可替换的零件，流程才是资产。

今天做一件事：选好你的工具链（不用纠结最优解，先选一个能跑通的组合），然后拿一篇论文的 Introduction 跑一次完整流程。从文献提取到初稿生成，走一遍。

第一次跑通一定会卡、会慢、会出错。但跑完你就知道哪里需要优化。先跑起来，再迭代。

这是“学术基础设施”系列的最后一篇。四篇连起来：

1. 认知：你缺的不是工具，是基础设施

2. 沉淀：把文献变成可复用的资产

3. 封装：把经验变成可调用的 Skill

4. 协同：让工具各司其职，串成流水线

读完四篇文章不会让你写论文变快，建完基础设施才会。

从今天开始：一张卡片、一个 Skill、一次完整的流程跑通。