大模型的探索与实践-课程笔记（二）：用大模型赋能科研流程

科研是一个固定流程，合理使用 AI 能够极大地避免重复劳作。

Take-away Messages

•寻找问题 -> 导师的工作

•文献调研 -> PASA

•修正思路 -> Agent

•理论推导 -> 很难

•实验分析 -> Cursor, Trae

•论文写作 -> 语法润色，详实？

步骤 1：寻找问题

最核心、决定上限

• 原则：不可直接靠大模型生成创新问题（往往是无意义的A+B）。好问题必须根植于现实痛点（如：自动将微信聊天中的开会时间提取并同步至日程表）。
• 好问题的特征：现实中存在需求（C），恰好可以被某方法（B）解决。

问题是一个“真”问题：真正能解决人们现实困难的、提升工作效率的问题

至少，要说服自己吧！

【如何系统性挖掘“好问题”】

• 寻找 Knowledge Gap（知识盲区）：大模型无法直接告诉你“该研究什么”，但它是极好的“文献缝隙探测器”。可以提取近 3 年该领域顶会的 50 篇论文的Future Work或Limitation章节，喂给模型并提问：“基于这些文献的局限性，目前该领域尚未解决的共性痛点是什么？”

• 跨界调研：很多好问题来自于交叉领域。例如，将 NLP 领域的 Agent 架构或 RAG 技术，直接平移到投研领域的非结构化数据处理中。业务场景的复杂度天然会为你催生出有价值的工程/科研问题。

步骤 2：文献调研

• 核心工具：使用PASA Agent（https://pasa-agent.ai/）或Deep Research（Kimi，Gemini，GPT等大模型内置）进行模糊搜索。
• 好处：高效、可模糊词搜索，可直接根据你想做什么进行搜索。但搜出相关文献后，仍然要继续查看引用被引文献。
• 实操建议：应用型项目一定要去GitHub寻找已有开源代码，在此基础上局部修改以解决你的特定痛点。
  • 如果是一个偏学术的问题：至少得用大模型搜搜文献
  • 如果是一个偏应用的问题：至少得用Google/github找一下现有的结果【不要重复造轮子！！！！！】

【建立现代化的文献流】

• 精准溯源：除了模糊搜索，利用 Connected Papers 或 Research Rabbit 等工具找到该领域的“开山之作”和“最新综述”。

• AI 辅助精读：读懂一篇代码的价值远超读十篇水会论文。对于 GitHub 上的开源项目，利用 AI IDE（如 Trae/Cursor）直接阅读源码。先让大模型总结项目的文件结构（Tree），再针对核心算法模块进行逐行解释，这是消化前人成果最快的捷径。

步骤 3：修正思路

打造“虚拟导师”

正常做科研，看了相关文献后，要去和老师讨论：

• 大模型妙用：利用 Prompt 让大模型扮演导师。
  • Prompt 示例：“现在请模拟场景：有 A 与 B 两个导师。A 更关注想法的新颖性，B 更关注可实现性。请围绕文献 [1,2,3] 以及我的思路 [...] 进行交叉讨论，并对我提问。”

【引入“红蓝对抗”与审稿人机制】

• 压力测试 (Red Teaming)：你的思路在实现前必须经过审视。设定 Prompt：“你现在是本领域最严苛的 Reviewer（审稿人），请指出我上述思路中的 3 个致命缺陷，并重点拷问我的 Baseline（基线模型）选择是否合理，数据是否有泄露风险。”

• 通过这种自我对抗，能在动手写第一行代码前，排雷掉大部分逻辑漏洞。

步骤 4：理论推导

• 大模型能力边界：虽然能解大量的微积分、概率论习题，但无法直接证明长篇的核心复杂定理。
• 使用建议：必须将理论推导拆解成极度细化的步骤，再喂给开启了“思维链（深度思考）”的模型，它可以帮你完成机械的推算验证。

曾经：需要很好的数学功底

• 线性代数、数学分析、概率论、数理统计

•ODE、复变、实变、泛函、回归、时序…

•需要很多年的学习积累才可以做到

现在：仍然需要很好的数学功底

•很遗憾，大模型做数学做的还不是很好…

•但一些简单的问题，大模型已经可以帮你实现了

•拆分复杂问题到简单的问题，从而利用大模型进行简单的证明【亲测好用】

→使用思维链技术

步骤 5：实验分析

• 使用 Trae / Cursor 辅助代码编写。一定要注意 5000 行上限的边界，超长代码需模块化处理。
• 如果有和其他baseline的比较… 一定是加分项！

【AI 辅助编程的黄金法则】

• TDD（测试驱动开发）：不要直接让大模型写几百行的核心业务逻辑，它一定会跑偏。正确的做法是：先让模型写 Test Cases（测试用例）和边界条件检查，确认测试逻辑无误后，再让它去填充主函数。

• 随时 Commit：在使用 Cursor 的 Agent/Builder 模式大规模重构代码前，必须进行 Git Commit（存档）。AI 改崩代码是常态，良好的版本控制是底线。

学术写作

学术写作与日常英语写作完全不同，核心在于严谨的逻辑、简明扼要以及高度结构化。当使用大模型辅助润色时，极易踩坑。

1. 识别并消除“大模型味”

直接让大模型生成论文，极易出现以下“灾难性”特征：

• 无脑分点：一写东西必是各种1. 2. 3. - - -。
• 华丽形容词滥用：充斥夸张、华丽却无用的形容词与副词（学术写作极度忌讳，要求朴实无华）。
• 句式过度复杂：滥用极其冗长的从句、伴随状语。
• 名词乱解释：强制在每个专业名词（甚至缩写）后带上括号解释，甚至产生知识幻觉（编造完全不存在的术语解释）。

👉应对 Prompt 建议：“请精简地重写下面这段话，要求：1. 以自然段落形式输出，禁止分点列短语；2. 语言平实客观，去除所有夸张的形容词和副词；3. 多用简单句，避免冗长的复杂从句。”且一定要人工基于原文比对。

2. 学术写作的核心要求与八股结构

• 严密的逻辑链条：句子与句子之间必须有明显的逻辑关联词（如However, Therefore, Specifically, Furthermore），前一句的主干往往是下一句的承接起点。（切忌将重要的状语置于句首阻断主语逻辑）。
• 结构化（遵守“八股文”）：
  • 不要挑战现有论文的章节篇幅安排（例如 CS 领域的 Intro 通常就是 1.5 ~ 2.5 页，不要写 4 页废话）。
  • Section 的起手式：每一章的开头必须有一句路标，例如：“In this section, we present...”。
• 摘要 (Abstract) 万能模板：
  1. 大背景：在XXX领域中，XXX方向十分重要。
  2. 转折与痛点：然而，现有工具注重...却忽略了...的弱点。
  3. 本文贡献：本文提出XXX方法，能够解决XXX。
  4. 具体操作：具体而言，（讲1-2句核心机制）。
  5. 实验结果：实验表明达到了XXX效果。