科研流程里最容易造成返工的，通常不是少了一个工具，而是工具的职责彼此重叠：选题、追踪文献、记录实验、核对引用和准备投稿被挤在同一阶段，最后都堆到截稿前处理。
更有效的方式，是让每个 AI Skill 只承担一个清晰环节，并让上一环的输出成为下一环的输入。AI 可以协助检索、整理、提醒和格式检查；研究问题、证据判断、结论解释与署名责任，仍应由研究者保留。
先定义这一步要交付什么，再决定由哪个 Skill 协助完成。
第一步：定题——把兴趣变成可验证的问题
定题的目标不是立即得到一个“好标题”，而是把模糊兴趣收敛成可讨论、可验证的问题。
Paper Topic Selection 用于检索相关方向、比较新颖性，并形成方向地图；最终仍要回到近期文献、导师意见和研究可行性判断。
第二步：找文献——先追踪，再精读，再做调研
“找到论文”不是一个动作。持续追踪、判断是否值得精读、搭建相关工作框架，分别需要不同的输入与输出。
ArXiv Watcher：持续追踪一条研究线
ArXiv Watcher 按关键词、作者和学科追踪 arXiv 新论文，并提炼标题、摘要和重点。它适合建立稳定的输入流；重要结论仍应阅读全文，并留意后续版本。
ArXiv Reader：判断一篇论文值不值得精读
ArXiv Reader 将论文拆成问题、方法、实验设置、结果与局限，帮助决定下一步该读哪里。它是阅读路径的辅助，不是对原论文、公式或实验细节的替代。
Deep Research：把相关工作做成可追问的调研
Deep Research 围绕研究问题建立检索路径，多源搜集并记录出处，输出可追问的结构化调研。它的关键价值是保留证据链接，而不是只生成几篇看似相关的论文。
第三步：做研究——让证据、实验和分析留得住
这一阶段的核心不是尽快“跑出一个结果”，而是让每项结果都能说明来路。引用、实验记录、数据处理和实证检查彼此衔接，但没有任何一个 Skill 能替作者解释因果关系。
Citation Manager：让证据条目可核对
Citation Manager 通过 DOI、题目等信息获取真实元数据，统一正文引用与参考文献格式，并检查漏引和错引。研究过程中先核对条目，能避免证据链在写作阶段才发现断裂。
Experiment Tracking：留下“这次到底怎么跑的”
Experiment Tracking 围绕假设、配置、数据版本、结果与结论记录实验全过程。它让后续复盘能回到运行配置和数据版本，而不是只留下一个无法解释的结果。
Data Analysis：先检查数据，再解释模式
Data Analysis 先检查缺失、异常与数据质量，再进行基础统计、探索性分析和可视化。相关性不等于因果；图表结论仍需由研究设计和作者的解释支撑。
Empirical Research Team：检查结论是否站得住
Empirical Research Team 可协助核对研究设计、稳健性、表图组织与可复现流程。方法选择、变量定义和因果解释仍由作者负责；它提供的是检查路径，不是替代性的研究结论。
第四步：写与投——先核对引用，再处理语言与选刊
进入写与投之前，论证、数据和关键图表应已稳定。这一步的顺序是：先复核引用，再处理语言表达，最后匹配期刊并完成投稿前核对。
Citation Manager：投稿前再做一次引用核对
在成稿阶段，Citation Manager 再次用于检查正文引文、参考文献格式和真实条目。它与研究阶段使用的是同一个工具，但任务从“建立证据条目”变为“提交前的完整性核对”。
Academic Translation：内容稳定后再处理表达
Academic Translation 用于处理中英对照、术语一致性和学术表达。它不应改写技术含义；公式、变量、引用和关键段落仍需由作者或专业人士逐项审读。
Journal Selector：按匹配度准备投稿清单
Journal Selector 按主题和稿件特点整理候选期刊，并提示 scope、分区、版面费、截稿信息和投稿要求等匹配维度。它不是录用预测；最终信息应以期刊官网当天页面为准。
从最耗时的一步开始，而不是一次装满
如果当前最耗时的是追踪和精读文献，就从 ArXiv Watcher、ArXiv Reader 开始；如果最容易返工的是实验与引用，就先配置 Experiment Tracking 和 Citation Manager。流程跑顺后再补下一环，才不会把科研工作流变成工具收藏。
你目前最想交给 AI 的科研重复工作是什么？欢迎在评论区分享你的工作流。
相关文章
