科研场景的特殊性在于：效率提升是次要的，可追溯、可复现、可核查才是第一位的。这条路径的所有方法都围绕这个前提设计。
加速文献与数据处理，同时守住学术诚信、数据安全与结果可复现三条底线。
AI 负责找和筛，你负责判断。
检索线索扩展：用 AI 找到可能相关但关键词检索不到的文献
相关性初筛：批量判断摘要是否切题
结构化提取：研究问题、方法、样本、结论、局限的批量提取
文献核验流程：作者、年份、期刊、卷期页码逐条核对
综述写作：让 AI 做结构化，观点和评述自己给
提速，但不失去可追溯性。
用自然语言描述清洗规则，让 AI 生成 Python 或 R 脚本
统计结果的解释与反向翻译
可视化：生成绘图代码而非直接输出图片
一条纪律：进入论文的结果必须由你能重复运行的脚本产出
润色表达可以，重写论证不行。
中英文写作中 AI 的适用环节
术语与学术惯例的处理：不要让 AI 把专业表达改成通用表达
投稿前的语言检查流程
使用声明的写法与位置
把使用情况写清楚，本身就是学术规范的一部分。
哪些环节的使用需要声明，怎么声明
数据保密的红线：未发表数据、审稿稿件、合作方保密材料
涉及人的研究的伦理审查要求
AI 使用与学术不端的边界
建立可复用、可核验的文献工作流
能用自然语言写分析脚本并保证结果可复现
掌握论文中 AI 使用的声明写法
形成课题组可执行的 AI 使用规范
面向科研的文献检索工具，直接回答「研究怎么说」，并标注结论的支持与反对情况。
AI 文献助手，可按研究问题进行文献筛选，并批量提取论文的结构化信息。
中文 AI 搜索工具，以答案整洁、来源可溯源、无广告著称，支持学术搜索模式。
Google 推出的文档理解工具，上传自己的资料后，只能基于这些资料回答，并附出处。
深度求索推出的国产大模型，中文推理与长文本表现突出，代码能力强。开源版本可私有化部署，适合作对数据有要求的单位。
在 Jupyter Notebook 中直接调用大模型的插件，可在分析过程中随时生成和解释代码。
开始这条路之前，建议先做一次测评，知道自己的起点在哪。
→ 全民 AI 素养自测