夜雨聆风
AI辅助科研不能停留在“总结文献、润色文字、修改代码”三个零散动作上。真正高效的做法，是把AI嵌入科研的完整链条：
研究问题识别—文献筛选—数据构建—识别设计—实证分析—论文写作—审稿修改。
1. 文献阶段：从“总结论文”升级为“建立证据矩阵”
AI最基础的用法，是概括一篇论文讲了什么。但博士研究真正需要的不是摘要，而是建立文献之间的可比关系。
阅读同一主题的文献时，可以让AI按照统一维度提取：
把十几篇文献放入同一个表格后，才能看出真正的研究空间：
哪些结论已经比较稳定； 哪些结果存在分歧； 哪些机制只是理论推测； 哪些研究对象尚未覆盖； 哪些识别策略仍不充分。
因此，好的提示词不是：
帮我总结这篇文章。
而是：
请依据原文提取研究问题、样本、变量、识别策略、机制和局限，并说明这篇文献与我的研究问题之间是支持、竞争还是补充关系。无法从原文确认的内容请明确标注为推断。
AI负责提取，研究者负责比较和判断。
2. 选题阶段：建立“问题—数据—识别”三重检验
AI生成十个热点题目并不难，难的是判断题目能不能做。
一个经管实证选题至少要同时通过三道关：
第一关：问题是否成立
研究的是具体问题，还是宽泛主题？ X和Y之间是否存在理论上的不确定性？ 结论是否显而易见？ 这个问题为什么值得重新回答？
第二关：数据是否可得
核心变量能否准确测量？ 数据是企业、城市还是行业层面？ 时间跨度是否覆盖政策前后？ 企业名称、地区代码和年份能否匹配？ 数据缺失是否具有系统性？
第三关：识别是否可信
处理组和对照组从哪里来？ 政策是否可能选择性落地？ 是否存在提前反应和同期政策？ 标准误应在哪个层级聚类？ 研究设计能识别因果效应，还是只能说明相关关系？
可以让AI扮演匿名审稿人：
我的研究问题是X对Y的影响，样本为____，拟采用____方法。请分别从理论贡献、数据可得性、变量测量和因果识别四个方面指出最可能导致论文失败的问题，不要替我美化选题。
AI在这一环节最有价值的功能，不是提供灵感，而是帮助研究者尽早排除不可行方案。
3. 数据阶段：先建立数据字典，再让AI协助写代码
很多博士生拿到数据后立即跑回归，结果后期不断返工。
更规范的流程应该是先建立数据字典：
完成变量定义后，再让AI协助：
编写数据清洗代码； 检查重复观测； 统一企业代码和日期格式； 生成描述性统计； 排查Stata、R或Python报错； 为每段代码添加注释。
向AI提问时，要给足上下文：
数据层级是企业—年份，企业代码为字符串，年份为数值型。目前需要将政策名单与财务面板合并。请先列出应检查的唯一标识、重复值和匹配失败原因，再给出代码，不要假设企业名称完全一致。
这样得到的代码才更接近真实科研任务。
4. 实证阶段：让AI检查识别，而不是只解释显著性
AI最容易做的是解释回归系数，但这也是风险最大的环节。
一个系数显著，不代表因果关系成立。研究者首先要回答：
处理是否外生； 平行趋势是否成立； 是否存在选择性进入； 是否遗漏同期政策； 是否存在反向因果； 结果是否由少量极端样本驱动。
因此，回归完成后，应让AI按照“审稿质疑—对应检验”建立清单：
可以使用这样的提示词：
请以严格的经管期刊审稿人身份，检查以下研究设计。不要只建议增加更多稳健性检验，而要说明每项检验具体回应哪一种识别威胁，以及哪些检验即使显著也不能解决核心内生性。
真正高质量的AI辅助，不是帮论文“多做几张表”，而是帮助研究者判断每张表有没有识别意义。
5. 机制阶段：先提出可证伪预测，再找变量
机制研究最常见的误区，是先看数据库里有什么变量，再倒推一个理论故事。
更规范的顺序应该是：
理论机制 → 可观察预测 → 变量代理 → 经验检验。
例如，假设智算中心通过降低计算成本促进企业探索式创新，那么至少应观察到：
智算资源可得性提高； 企业数字技术应用或研发活动增加； 企业进入新的技术领域； 这种作用在算力依赖程度更高的企业中更强。
这些都是可以被数据否定的预测。
如果只能发现“智算中心影响研发投入”，却无法说明研发投入为何代表算力使用渠道，那么机制证据仍然较弱。
AI可以帮助研究者寻找替代解释：
我认为X通过M影响Y。请提出至少五种竞争机制，并分别说明：理论逻辑、可观测预测、可使用变量以及如何区分这些机制。
机制分析的目标不是证明唯一渠道，而是构建一组相互支持的证据。
6. 写作阶段：建立“主张—证据”对应关系
经管论文写作不是把结果表翻译成文字，而是围绕核心主张组织证据。
每一节写完后，都可以建立一张对应表：
AI可以检查：
文字结论是否超过证据范围； 是否把相关性写成因果性； 是否把“不拒绝原假设”写成“证明没有影响”； 是否用机制回归过度宣称“机制成立”； 是否将异质性结果解释成一般规律。
一个更专业的提示词是：
请逐句检查以下结果分析，标出所有超过经验结果支持范围的表述，并将“证明、导致、完全通过”等强因果措辞改为与识别强度相匹配的表达。
7. 修改阶段：把导师和审稿意见转化为任务矩阵
收到修改意见后，不要立即逐条改文字。先识别意见背后的问题类型：
理论问题； 文献定位问题； 数据问题； 识别问题； 机制问题； 结果解释问题； 表达和格式问题。
可以建立修改矩阵：
例如，审稿人提出“专精特新认定可能具有选择性”，这不是补一句局限性就能解决的问题，而是涉及：
企业为何被认定； 认定前趋势是否相同； 可观测特征是否平衡； 是否存在反向选择； 是否需要调整识别策略。
AI可以协助拆解意见，但不能替研究者决定应该接受还是反驳。
一套适合经管博士的最小AI组合
工具不宜过多，能跑通流程最重要。
不要让同一种内容在五个软件中各存一份。建议明确：
Zotero保存原文，Obsidian保存自己的判断，论文项目保存最终分析，AI对话只作为临时工作空间。
最后
博士生使用AI的专业分水岭，不是会不会写提示词，而是是否知道：
哪些工作可以自动化； 哪些判断不能外包； 哪些结果必须回到原始数据和原文核验； 哪些表述超过了证据能够支持的范围。
AI可以显著降低文献整理、代码排错和结构检查的时间成本，但不能替代研究问题、识别设计和学术责任。
真正成熟的AI科研工作流应该是：
AI负责提高处理信息的速度，研究者负责决定什么信息值得相信。