作为一名在读博士生，我在日常是如何与 AI 协作的？
前言：当同事，不当工具
我是一名人工智能方向的在读博士生，大概在 ChatGPT 出来以后还是 GPT-3.5 的时候就比较重度使用 AI 以及 AI 工具了。几年下来，AI 已经渗透到我工作和学习很多环节，有一些心得想分享一下~
当同事，不当工具（我认为至少未来几年，应该是人机协作的时代）
我的几个方法论，贯穿后文的所有场景：
元提示词思维：让 AI 写操纵 AI 的 Prompt，人做微调
苏格拉底追问：让 AI 从多角度逼问自己，把模糊的想法变清晰
多模型协作：不同任务用不同模型（后文会在各个场景展开）
经验沉淀：把流程固化为 Skill（Agent 中的术语）或 GPTs（Prompts 库），越用越快
一、日常使用：AI 作为随身顾问
划词工具栏
我现在主要用的是豆包的划词工具栏功能，它能在电脑全局实现划词唤醒。最方便的是支持自定义划词动作——比如我写了一个"概念解释器"，划词后直接给出学术概念的通俗解释，省去了每次都要打开浏览器搜索的麻烦。市面上类似的工具还有夸克、飞书等提供的划词工具栏。更进阶的方案比如 Pot Desktop、Cherry Studio 支持自定义 API（可以接入更强的模型），但目前豆包对我来说够用了，等哪天能力不足再迭代。（如果有其他能够在电脑全局实现划词唤醒并支持自定义 API 的工具，大家可以多多推荐。）
我一般拿来做日常问答（有了 AI 以后感觉充满好奇心）以及翻译这些比较简单的事情。
OpenClaw
目前还在调，让 OpenClaw 和我的 CodeAgent 联动起来，把 OpenClaw 当成一个秘书。很喜欢佬友的 OpenClaw 使用经验，盗帖人太可恶了，大家多多举报！我还看到盗帖者在评论区维持人设来着——（被盗帖了！求助佬友！）OpenClaw 调教手册：从"能用"到"离不开" - 开发调优 - LINUX DO
大家在日常使用 AI 的时候可以刻意降低使用 AI 的摩擦力，让 AI 的入口尽可能贴近你的工作流。摩擦力越低，越愿意用，AI 能被挖掘出来的价值就容易越大。
二、科研文献阅读
我把文献阅读分成四个阶段：调研→筛选→精读→整合。
阶段一：课题调研
我主要用 OpenAI 的 Deep Research 做课题调研（个人认为比 Gemini 的 Deep Research 要好用），我会要求 AI 不仅提供最新文献，还必须包含该领域的开山之作。
我个人比较喜欢从历史脉络的时间线来分析，这时会有一些自己感兴趣的工作，可以标记收藏下来。
阶段二：文献网络分析（Literature Network Analysis）
找到几篇感兴趣的论文以后，借助 Paper Connect 等工具，可视化文献间的引用关系，快速判断研究热度与技术脉络。
做成适合 Agent 用的 Skill，调研的时候自动分析好文章的引与被引关系，和我交流这些文献，搞清楚这些文献之间的逻辑关系，最终自动下载相关论文以供后续引用或精读。如果某篇论文的引用网络图非常庞大，说明这个方向已经很"卷"了。反之，可能还是蓝海。
阶段三：确定精读 → 逐篇攻克
先与 Agent 商量，粗读论文，搞清楚当下研究到了什么样的一个地步，确定阅读顺序，去除无关或不感兴趣的论文。
精读环节，我会用两个模型配合：
Gemini 负责宏观视角：从 动机→数学建模→实验→结论→评述 五个角度分析一篇论文（这个格式也方便写周报，直接截图就行）
GPT 负责逐句精读：我做了一个专门的 Skill/GPTs，逐字逐句呈现原文，给出中文翻译和详细的"导师式解释"，确保不遗漏论文中的任何细节
阶段四：知识整合
用 Zotero 管理文献，在原始 PDF 上增加笔记内容以及 HTML 页面（前面 Gemini 生成的），并 link 上当周的周报，形成一个闭环。
在使用的过程通过 Agent 的 Skill 打通各个环节，提升速度，带来复利。
三、关于科研绘图
我发现让模型去生成 Prompt 的水平远超我自己，尤其是科研绘图方面，让我自己描述我几乎完全描述不清楚。
科研绘图分为三类：第一是阐述论文思想的插图（Illustrations）；第二是用于论文封面或学术主页的Teaser 图；第三是学术会议常用的Poster（海报），明白这些术语可以更好的操纵模型绘图。
插图（Illustrations）：阐述论文思想的示意图
Teaser 图：在学术界，这通常指为一篇论文制作的高度浓缩、引人注目的视觉摘要，常见于顶级期刊的封面（Cover）或亮点介绍（Highlight）
Poster：学术海报，用于在会议上展示研究成果，要求信息密度高、逻辑清晰且视觉吸引力强
策略：让 AI 写操纵 AI 的 Prompt
我不会自己写图像生成的 Prompt——我会先让大语言模型理解我的论文内容，然后由它来创造和优化用于生成图像的详细 Prompt。具体来说：
把论文/想法丢给 AI，先问它在内容布局、配色、字体三个维度上如何规划
可以主动指定大风格，比如 “Nature/Science 风格”
一个很有效的技巧是使用参考图：把日常积累的优秀插图丢给 AI，让它分析风格，再基于你的论文内容生成新图像
一些实测对比
当前文生图模型在理解和呈现精确逻辑与符号方面的普遍短板。AI 可以很好地把握"概念"，至少来说 Gemini 的理解效果很好。AI 工具目前还很难端到端地完美生成我们想要的科研绘图，整个过程需要不断迭代和"抽卡"。Gemini 的 Nano Banana 在风格迁移上比 GPT 好，但整体来说在文字渲染准确性上 GPT 更好。
多轮实验对比：
概念准确性与文字渲染: 在生成包含核心概念、图表和数学公式的图像时，GPT的表现远超对手。它能更准确地理解并呈现复杂的逻辑关系和符号（如 ≥），而nanobanana则频繁出错，文字和公式渲染质量很差。
生成速度: nanobanana的速度极快，几乎是即时出图；而 GPT则非常缓慢，有时需要数分钟才能完成。
风格模仿: 在模仿《Nature/Science》等顶级期刊的特定风格时，nanobanana在经过多次尝试（“多抽卡”）后，有时能产生在视觉风格上更逼真的结果，但内容准确性依然是短板。
复杂任务（Teaser图 & Poster）: 在生成信息密度高、结构复杂的Teaser图和学术海报时，GPT再次展现压倒性优势。其生成的海报布局合理，文字内容基本准确，而nanobanana的版本则内容错乱，几乎不可用。
目前我还是把 AI 作为草图助手，出来草图以后尽可能让 Agent 帮我做出来 slides，然后我在 PPT 上微调。AI 绘图需要大量迭代和多次尝试。目前 AI 最适合的角色是作为创意激发和草图设计的助手，所有生成结果，尤其是涉及数据和逻辑的部分，必须经过严格的人工审核与修正。
四、Code Agent
工具演变
我最先接触 Code Agent 的是 Cursor，后面逐步进化到 Claude Code 与 Codex 这些。现在是 Claude Code、Codex、Gemini CLI 以及 OpenCode 四个一起用，通过 Claude-Code-Bridge（也就是常说的 CCB）来实现联动。但这些产品都还不够成熟，多 Agent 协作我还是拿来构思和写文档，写清楚以后交给 GPT-5.2 模型开 xhigh 模式，一步一步严格执行。通常就是睡一觉的功夫问题就解决好了。
复杂需求的处理流程
简单需求就不展开了。说说复杂需求怎么做（参考刘小排的经验）：
- 先花数小时时间与多个模型讨论需求细节
把模糊的想法逐渐写清楚，能够落地。事实上我的很多个想法都是极其模糊的，可能我想的一两句话背后有十几个决策点需要关注。具体做法，我会先把一开始的需求同时发给四个 AI，让他们用自己的话术整理需求，然后向我提问，他们有一个共同的原则：宁可多探索 10 步，也不要问用户自己原本就可以找到的东西。
- 我不断回答各个 AI 提出的问题，AI 继续追问
这个过程要让 AI 多输出可视化的 ASCII 原型图，加深自己的理解。不断让 Claude 模型去整理各个会话的内容（Claude 的模型说的容易懂），不断迭代直到所有 AI 都认为当前的方案已经没有问题或者说问题可以忽略不计，最终交给 GPT 模型完成即可。
各个模型特点
GPT / Codex：比较严谨，速度比较慢，GPT-5.2 模型是我目前用的觉得是唯一一个能一丝不苟的干活的模型，但语言比较晦涩难懂。我主要用在编写代码以及 review 上。
Claude（Opus 4.6）：表达能力强，速度快，工具调用各个能力都很优秀，但价格比较贵，不能随心所欲的用。
Gemini：前端能力很不错，综合能力也比较强，我主要就是拿来做前端的时候用，然后发散思维不错，有时候聊方案的时候会有意想不到的效果。
Grok：搜索能力很优秀，在审查上应该是最松的，有 NSFW 模式。
我最推荐的做法
多使用元 Prompt 或 Skill——比如造 Skill 的 Skill，把常用的工作流模板化
不会的多问 Agent——很多东西 Agent 可以给你讲懂，并且最终落实做出来可以用的东西。就不断迭代积累经验
多向社区学习——参考他人的经验，不断完善自己的工作流，让自己的 AI 越用越方便，让自己更擅长与 AI 协作
