AI 可以参与科研的哪些环节？一张 11 环节工作流全景图

大多数人用 AI 做科研，就是把文献丢给 ChatGPT 让它总结。这不叫工作流，这叫偷懒。而且是那种迟早要还债的偷懒。我说的工作流，是把研究过程拆成 11 个环节，每个环节想清楚 AI 该怎么介入、介入到什么程度、哪里必须你自己来。

我用 AI 跑完了一个完整的社科研究项目。4010 个数据文件，611 个处理脚本，4 个并行子课题，从选题到投稿，每个环节都试过让 AI 介入。

这篇文章就是那张最终的全景图。

我把 11 个环节按 AI 介入深度分成三类，用三种颜色标注。绿色代表 AI 可以主导，你抽检就行。黄色代表 AI 辅助但必须人工校验。红色代表必须你亲自上，AI 只能打下手。

选题卡位

AI 能做的事情很多。文献图谱分析、立项趋势聚类、关键词共现网络，这些它都擅长。你给它一个大方向，它能帮你扫描最近五年这个领域发了多少篇论文、哪些子方向在升温、哪些在降温。

但选题的核心是学术判断力，这个 AI 给不了你。

一个 gap 是否重要，一个方向是否有前景，一个问题是否能做出贡献：你对领域的理解深度决定了这些问题的答案。地图 AI 可以画，路你自己选。

文献检索与获取

这是 AI 最擅长的环节，没有之一。

批量元数据抓取、跨数据库检索、相关性评分、自动分类归档。我在项目里用了 6 个脚本对接 CNKI、OpenAlex、CrossRef、Semantic Scholar 四个数据源，一次检索就能拿到中英文文献的完整元数据。

以前一篇一篇在知网和 Web of Science 上翻，一个下午能整理 20 篇就不错了。现在用 AI Agent 批量处理，同样的工作量缩短到十分之一。

唯一需要注意的是：AI 可能漏掉冷门但关键的论文。那种引用量不高、发在小众期刊、但对你的研究至关重要的文献，还是需要你自己去翻引用链。

文献精读与笔记

这个环节值得多说几句，因为不同的 AI 工具在这里表现差异很大。

Claude 的长上下文能力很强，Opus 4.6 支持百万 token 的上下文窗口，适合一次性喂入整篇论文做深度分析。Gemini 3.0 Pro 在结构化提取方面表现不错，特别是从论文中抽取方法论和变量关系。ChatGPT 则在通俗化解释方面有优势，适合帮你把晦涩的统计方法翻译成人话。

我的建议是都试试，找到适合你研究场景的组合。

AI 精读的准确率大约在 85% 左右。核心观点、研究方法、主要结论，这些它提取得很准。但剩下的 15% 恰恰是最有价值的部分：作者的论证逻辑是否有漏洞，某个假设是否站得住脚，两篇论文的结论为什么矛盾。这些需要你的专业判断。

具体怎么做呢？让 AI 先生成结构化笔记：核心观点、研究方法、理论依据、主要结论、核心变量：然后你逐篇审核，重点看 AI 是否遗漏了关键信息或者误读了因果关系。

研究 Gap 识别

有了文献矩阵之后，下一步是找到研究空白。

把 20 到 50 篇核心文献的方法、变量、结论放在一起，AI 可以帮你发现：哪些变量组合没人研究过，哪些理论框架之间存在矛盾，哪些现象缺乏解释。这种跨论文的交叉比对，手动做极其耗时，AI 做起来又快又全。

问题在于，学术研究不是填空题。

不是找到一个没人做过的组合就能发论文。你需要判断这个空白是因为确实被忽视了，还是因为不重要所以没人做。缝隙 AI 能找到一堆，哪条值得钻进去，这个判断只能靠你对领域的积累。

理论框架构建

整个科研流程里，这个环节 AI 介入最少。

AI 可以帮你列举同类研究用过的理论，可以帮你梳理不同理论之间的逻辑关系，可以帮你检查假设推导的形式逻辑是否自洽。这些都是辅助性的工作。

核心难题是"为什么 A 会影响 B"。回答这个问题需要你对现象的深度理解，需要你在不同理论之间建立新的连接，需要你提出别人没想到的机制。这不是检索和整理能解决的，是创造。AI 在这里就是个资料员。

数据获取与整合

数据源发现、API 调用、批量下载、格式转换、多源数据合并：这些活交给 AI 非常合适。

我的项目里，基础数据层包含企业数据、地市数据、省域数据三大类，每一类都需要从不同来源获取、清洗、对齐。用 Claude Code 写数据处理脚本效率非常高。你描述清楚数据结构和处理逻辑，它能直接生成可运行的代码，包括异常处理和日志记录。

不过有一个红线：AI 生成的数据处理代码必须保留中间结果。每一步处理都要可追溯、可复现。这是学术规范的底线，不能因为效率而牺牲。

数据预处理

缺失值诊断、异常值检测、变量构造、描述性统计。这些 AI 都能做，而且做得不错。

关键决策它帮不了你。

"这个异常值该删还是该保留？"答案取决于你对数据生成过程的理解。一个极端值可能是录入错误，也可能是真实的极端情况。删掉它和保留它，回归结果可能完全不同。这种决策必须你来做，而且必须在论文中说明理由。

我的做法是让 AI 先跑一遍诊断报告，标出所有可疑的数据点，然后逐个判断处理方式。每个决策都记录在案，确保审稿人问起来能说清楚。

实证分析

回归分析、稳健性检验、内生性处理、异质性分析。AI 可以帮你写 Stata 或 Python 代码，可以帮你解读回归系数，可以建议你做哪些稳健性检验。

两个问题它回答不了："这个模型设定是否合理"和"内生性是否处理干净"。

模型设定涉及对因果机制的理解。你选择固定效应还是随机效应，用工具变量还是 DID，这些选择背后是你对研究问题的理论判断。代码 AI 能写，结果 AI 能跑，但结果说明什么：这一步没法外包。

我的项目里有 611 个 Python 脚本，大部分是数据处理和回归分析的代码。生成效率确实提升了很多，但每一个模型的设定和结果解读，都是我自己做的。

文献综述撰写

AI 写综述的能力已经相当不错了。给它文献矩阵和综述框架，它能生成结构完整、逻辑清晰的初稿。

问题是，AI 写出来的综述太"教科书"了。平铺直叙，面面俱到，但没有叙事张力。

好的综述是有弧线的：从已有研究一步步推导出"为什么你的研究问题值得做"。这个叙事设计需要你来做。AI 可以帮你组织素材、理顺脉络，但怎么讲这个故事，目前还是人的活。

正文撰写与润色

引言、研究设计、实证结果、讨论，每个部分 AI 都能帮忙。组织段落结构、润色语言表达、检查逻辑连贯性，这些它做得很好。

核心限制在于：论文的原创洞见必须是你的。

实证结果部分，AI 可以帮你把回归表格翻译成流畅的文字描述。讨论部分，AI 可以帮你梳理你的发现与已有文献的关系。但"这个结果意味着什么""对理论有什么贡献""对实践有什么启示"，这些需要你的思考。

还有一点：AI 生成的文本需要做去痕处理。这样做是为了清理 AI 固定的表达习惯，比如过度使用"值得注意的是""总而言之"这类套话。把这些痕迹清理，让文章读起来像你自己写的。

审稿自查与投稿准备

格式检查、引用核验、常见问题扫描、期刊匹配。这些机械性工作交给 AI 完全没问题。

投稿前我会跑一遍自动审查：检查所有引用的 DOI 是否真实存在，检查参考文献格式是否符合目标期刊要求，检查正文中是否有前后矛盾的表述，检查数据和图表是否一致。

这一轮自查能帮你挡住 80% 的低级错误。审稿人最烦的就是格式问题和引用错误，这些完全可以在投稿前解决掉。

回头看这 11 个环节

跑完一遍之后，我的体感是这样的：

文献检索、数据获取、格式审查这三个环节，放心交给 AI，效率提升在 5 到 10 倍。这些环节的共同特点是规则明确、容错空间大。

选题、精读、Gap 分析、数据清洗、实证分析、综述、正文：这七个环节占了科研工作量的大头，也是 AI 最容易给你挖坑的地方。AI 做初稿或初步分析没问题，但关键决策必须你来。

理论框架构建基本上还是手工活。AI 能提供素材，但创造性的连接和洞见，它给不了。

说到底，AI 在科研里的价值不是帮你写论文，是帮你省下那些不需要动脑子的时间，让你把精力集中在真正需要你的地方。