企业官网建设流程全解析

这两年在科研一线摸爬滚打，我最大的感受是：很多人把 AI 用窄了。大家最常见的操作是把论文摘要丢给大模型，“帮我总结一下”“翻译一下”，然后就没有然后了。文献读完记不住，数据清洗还在手工，代码写完没有版本，图表反复返工，每一步都卡在重复劳动上。真正划算的做法，是把 AI 从对话工具升级成贯穿整个研究流程的“科研链路”：从 LLM 应用、数据分析、自动化编程，到文献与知识管理、科研写作与绘图，再到本地模型部署、N8N 自动化工作流，最后收敛到一个统一的个人 AI 助手上。

这篇文章是我把这条链路逐个环节打通之后的完整复盘。每一环我按科研工作的自然顺序展开，讲清楚它解决什么问题、怎么落地、有哪些坑。适合那种已经用过一点 AI、但还没把它真正嵌入日常科研流程的同行。如果你还停留在“问一句答一句”的阶段，这篇应该能帮你把思路整个拉通。

1. 先想清楚：科研AI全链路到底解决什么问题

1.1 单点提效为什么走不通

我先说一个观察。某课题组连续用了三个“AI 提效工具”：一个帮读文献，一个帮写代码，一个帮润色英文。三个月后，每个人的本地文件夹里多了一批零散的问答记录和代码片段，但整体效率几乎没有变化。原因很简单：工具之间没有数据流动，每一份产出都是孤岛。

真正的科研瓶颈从来不是某一个环节慢，而是环节之间切换太费劲。读文献的收获进不了笔记，笔记进不了实验设计，实验数据整理靠手工，整理完的数据要重新写代码分析，分析完的图表要重新导入文档。中间每一次“搬运”都是纯损耗。全链路的意义，不是多引入几个工具，而是让上一个环节的产出自然变成下一个环节的输入。

1.2 全链路里到底流转的是什么

我后来把整条链路串起来才意识到，链路里真正流动的不是文件，不是命令，而是“结构化信息”。文献读完变成结构化笔记，笔记变成实验假设，实验假设变成代码输入，数据清洗后变成表格，表格变成图表，图表变成论文初稿，论文初稿又沉淀成新的知识库条目。每一环都做同一件事：把非结构化信息压成可复用的结构化数据。

这条链路一旦打通，收益是复利式的。今天给文献库新增 30 篇论文，明天早上就能收到自动生成的领域动态简报；上个月写过的绘图脚本，这个月换成新数据就能直接跑出初稿图表。单点工具让你节约一小时，链路能让你把节约出来的时间继续投入到知识积累里，越用越好用。

1.3 五层能力：理解、生成、执行、记忆、协同

拆开来看，这条链路有五个能力层：

第一层是“理解层”，由 LLM 完成，处理文献解读、问题拆解、概念澄清；第二层是“生成层”，同样是 LLM 为主，负责代码、初稿、绘图脚本这些产出物；第三层是“执行层”，由自动化工具承接，比如 N8N 工作流，定时跑、按条件跑；第四层是“记忆层”，对应个人知识库和文献笔记，让每一次阅读都沉淀下来；第五层是“协同层”，也就是个人 AI 助手，把前面所有能力收口到一个统一的入口。

我后文会按这个顺序逐层展开。但提醒一句：别想着一次全上，先选最痛的一个环节跑通，再接下一个。

2. LLM应用层：从聊天窗口到科研副驾

2.1 科研场景下LLM的三类用法

我用 LLM 的方式经历了三个阶段。第一阶段是“百科模式”，拿它解释术语；第二阶段是“写作模式”，拿它写邮件、写汇报；第三阶段才进入真正的科研用法——把 LLM 当副驾而不是字典。

副驾意味着三类任务：

理解型任务：给定一篇论文，让模型按你的研究方向重新解释它的贡献与局限；生成型任务：给定实验数据格式，让模型生成处理脚本或初步的草稿段落；决策型任务：给定约束条件，让模型比较几种实验方案的优劣并给出推荐理由。

这三类任务有一个共同特征：模型手里必须有足够的上下文。很多人觉得 AI 给不出好答案是模型不行，实际上是上下文没给够。科研场景里，上下文就是研究目标、数据格式、约束条件和你已经做过的尝试。

2.2 科研Prompt的核心写法：把问题喂饱

我在实践中沉淀出一套四段式 prompt 结构，基本覆盖了 80% 的科研问答场景：

第一段写“研究背景”，一两句话交代领域与目标；第二段写“现有材料”，包括数据结构、变量名、样本量、你已有的代码或笔记；第三段写“具体任务”，要求模型完成什么，输出什么格式；第四段写“约束与偏好”，比如“不要给出需要联网验证的引用”“用简体中文回答”“如果信息不足，直接说明缺什么”。

举个实际例子。我以前让 AI 帮忙设计一个分组分析，最初的 prompt 是“我要做两组比较，怎么选统计方法”。模型给了一堆笼统建议，只能当参考。改成四段式之后效果完全不同：

研究背景是“比较新配方与旧配方的产品稳定性，样本量每组 25，数据包含 3 个时间点的重复测量”；现有材料是“pH、粘度、粒径三列数值，已做正态性检验，部分变量方差不齐”；任务是“给出可执行的统计检验路径和各路径的代码实现”；约束是“优先选择非参数方法，输出 R 或 Python 代码”。

同一台模型，输出质量提升一个档次，因为模型知道该在什么约束下回答。这个习惯直接决定了后面所有环节是否靠谱。

2.3 别让LLM替你做的四件事

和 LLM 打了这些年交道，我也划出几条明确的安全边界，属于“绝对不让它做”的范畴：

数值计算一律不依赖模型口算结果，所有统计量和 p 值必须由代码重新算出；文献引用不允许凭印象补，模型合成引文的“自信劲”非常有迷惑性，必须回到原始文献核对；伦理与合规判断不交给模型，涉及人体相关的实验设计，该走流程走流程；最终决定不交给模型，它只能提供选项和理由，落笔签字的人是你自己。

把这几条写清楚，不是扫兴，而是保证你在享受全链路效率的同时，不会被虚假信息悄悄带偏。

3. 数据分析：让AI帮你处理数据，而不是替你思考数据

3.1 数据清洗，让AI先看你手上有啥

数据清洗是我见过最容易被 AI 提效、也最容易翻车的环节。容易提效是因为清洗工作大多是规则明确的模式化操作；容易翻车是因为 AI 看不见你真实的列名和异常值，瞎猜规则。

我的做法是：先让 AI 看我手上的数据结构。我会从数据集里抽前 100 行存入一个文本文件，连同一段说明一起喂给模型：“这是实验 X 的原始导出数据，共 28 列，请总结每一列的缺失率、数据类型、明显异常值，并输出一个可执行的清洗脚本框架。”

注意几个关键词：“前 100 行”是让模型基于真实数据工作，而不是凭空想象；“输出可执行脚本”是让产出可复用，而不是给你一段描述；“清洗脚本框架”意味着模型先给出处理逻辑，人再确认。

等模型返回逻辑，我还会追加一句：“请把每个清洗步骤写成单独的函数，加注释说明该步骤处理的字段和判定规则。”这一步是为了后面调试和复盘方便。实测下来，这个流程能把清洗时间压缩到原来的三分之一，但前提是你把前 100 行数据结构完整给到模型，不给数据就让 AI 写清洗代码，后面全是在填坑。

清洗完必须立刻做验证：跑一个描述性统计，对比清洗前后的均值、缺失率、极值。没有这步，你根本不知道清洗过程中有没有误删样本。

3.2 统计分析：模型是“顾问”，不是“计算器”

进入统计检验环节，我的定位非常明确：让模型做方法学顾问，让统计包做计算器。模型的价值在于帮你梳理“该用什么方法、为什么用这个方法、前提条件是否满足”，但具体计算一律用代码跑出来。

提问模板参考：“我有两组数据，样本量分别是 22 和 31，数据不服从正态分布，研究假设是‘干预后指标显著下降’，请比较 Wilcoxon 秩和检验和置换检验的适用性，推荐一种并给出 Python 实现。请留意是否存在重复测量，若有，请改用相应检验。”

为什么这样拆？因为统计方法的误用是科研里最隐蔽的错误。模型擅长帮你把思路理清楚，帮你意识到“哦这个设计有重复测量，不能简单做独立样本检验”，但真正的 p 值、置信区间、效应量必须靠 numpy、scipy 这类实际计算的库跑出来。我在实践中从来不允许 AI“算出”一个数值然后直接抄进论文。

分析完成之后，我会把输出全部结构化：样本量、检验方法、统计量、p 值、效应量、结论。这套结构化输出直接对接后面的写作环节，让论文结果部分的初稿可以半自动生成。

3.3 可复现数据流水线：每次交付必须有“三件套”

数据分析环节最后养成的习惯，是每份数据交付都配“三件套”：原始数据副本、分析脚本、结果摘要。这三个文件放进同一个目录，目录名标注日期与项目代号。

这个习惯源自一次深刻教训。某次为了赶进度，我用交互式窗口一步步分析数据，结果代码断断续续记在好几个文件里。两周后需要复现图表，足足花了半天才拼凑出完整流程。后来所有分析都改用脚本化、批处理方式，任何一步都可以从头重跑。

脚本化的好处不仅是复现，还让 AI 的介入变得自然而安全。你可以把整个分析脚本交给 LLM 审查，让它找逻辑问题；也可以让它在保留原有处理逻辑的前提下，把脚本改写成可配置的通用版本。但记住：无论 AI 怎么改，你都要保留一版修改前能跑通的脚本，随时可以回退。

4. 自动化编程：把“写代码”变成“审代码”

4.1 科研编程的需求密度在哪

科研编程和软件工程不一样，科研编程的特点是：小脚本多、一次性任务多、每次的需求差异大。批量改文件名、批量整理实验数据、批量导出统计表格——每件事都不大，但加起来能吞掉一个工作日下午。

这类任务是 LLM 的舒适区。命令“把目录下所有 .csv 中列 A 小于 0.01 的行筛选出来，合并到一个新文件，并输出各文件的筛选比例”，模型生成代码的能力远超你的需求复杂度。真正的问题不是生成，而是验收——AI 写的代码你敢不敢直接跑。

4.2 AI生成代码后的“过六关”审查法

我给自己定了一套 AI 代码验收流程，称之为“过六关”：

第一关，结构关。通读一遍代码，看函数划分是否清晰、是否有注释、是否有一大坨逻辑全塞在循环里。第二关，边界关。检查输入为空、路径不存在、数据缺失时程序会不会直接崩溃。第三关，小样本关。用一个 5 行的临时数据先跑一遍，确认输出结构和预期一致。第四关，结果抽查关。挑两三条记录手工算一遍，验证程序计算正确。第五关，单位关。检查时间单位、浓度单位、百分比和原始数据是否一致，避免“看起来对但实际错”。第六关，版本关。跑通的脚本立刻提交版本管理，并记录输入输出。

这六关里最容易翻车的是“单位关”。大模型在上下文里看到两个不同单位的时间列，可能默认它们一致直接做差。这类错误不会报错，只会在结果里潜伏很久。

4.3 一个实测例子：批量数据整理脚本

举个最近实际跑通的例子。某实验的原始数据分散在几十个子文件夹里，每个文件夹里有数据文件和一个说明文档。需求是：遍历所有子文件夹，读取说明文档中的“样本编号”和“实验组别”，把组别填入数据文件的最后一列，然后合并为一个总表。

我给 AI 的核心指令是：“写一个 Python 脚本，遍历根目录下的所有子文件夹…样本编号从每个子文件夹的说明文档中提取，格式为‘Sample ID: xxx’。请把写好的脚本用函数拆开，每个步骤加中文注释。”

AI 返回的脚本结构完整，但第一版没有处理子文件夹里说明文档缺失的情况。我在审查时发现这个问题，追加“如果说明文档不存在，跳过该子文件夹并在 log 文件中记录”的逻辑，最终跑通。整个过程中，写代码的时间大概只有十分钟，剩下四十分钟都在审查边界和异常处理。但结果非常稳，所有文件一次跑通，没有返工。

这个比例我觉得是健康的：AI 负责生成主干，人负责补边界、做验收。把角色换成“审代码的人”，你的科研编程效率才能真正上一个台阶。

5. 文献与知识管理：从收藏夹到个人知识库

5.1 文献越存越多，记住的却越来越少

科研人的通病：下载的论文有一千篇，真正读过的有三百篇，做完笔记的只有五十篇，三个月后还能讲清楚贡献的，不超过十篇。问题不在阅读速度，而在知识没有结构化入脑。收藏夹只是搬运工，不是知识库。

我在实践后总结出的关键认知是：文献管理的事后检索再强，也不如阅读时同步做结构化笔记。把读一篇文章的产出定义为一个固定结构的笔记条目，比下载时随手丢进文件夹有意义得多。

5.2 让LLM按固定模板输出结构化笔记

我目前用的文献笔记模板有六个字段：

一句话结论、方法概要、关键数据与发现、创新点、局限与疑点、与我的研究的关系。

阅读一篇新论文时，我会把论文原文输入 LLM，让模型输出这六个字段，每个字段限定字数，限制不许编造数据。返回后我不是直接粘贴进知识库，而是花两分钟快速对照原文修正关键数字和表述。这个“人工校对”步骤是知识管理的底线，模型总结能力的提升并不改变你为内容承担责任的事实。

模板的强大之处在积累。二十篇论文按同一模板建档之后，每篇笔记之间有了可比性，可以横向对比不同文献的样本量、方法、结论，用相同格式互相参照。没有模板的时候，笔记写得再长也是一堆无法检索的散装文字。

5.3 让LLM在“你的文献库”里回答问题

笔记积累到一定规模之后，真正的知识库开始发挥价值。你可以把所有结构化笔记放进入口，让模型基于笔记内容回答问题。这里的核心方法是检索增强生成（RAG）：先根据问题在所有笔记里检索相关内容，再把检索到的高相关片段作为上下文，连同问题一起发给模型，让模型引用这些片段作答。

我实际使用的流程是：笔记按主题分类放在文本目录中；提问时增加约束“只能根据提供的笔记内容回答，如果笔记中没有，明确回答不知道，不要推测”。这样能极大减少模型幻觉，因为它的回答范围被限定在你自己读过的文献里。

这个环节建立起来之后，才会出现第一节说的“复利效应”。我写引言部分时，让助手列出本课题组近半年读过且与本研究相关的十篇论文，并按主题简述其贡献，整个人只需做事实核对与文字微调。这样的效率，以前想都不敢想。

6. 科研写作与绘图：框架先行、初稿外包、AI味靠修改

6.1 写作流程重新分层：结构、内容、语句

科研写作最怕的不是写得慢，而是面对一个空白页面发呆。我把写作拆成三层来推进：

第一层是结构层，必须人工定。文章框架、故事线、每个章节想表达的核心观点，这部分不要交给 AI。因为逻辑主线是你自己的，模型不懂你为什么要做这个研究。我把大纲用一个文本文件写清楚，作为后续所有环节的总纲。第二层是内容层，AI 大展身手。给定结构层的大纲和前面数据分析环节输出的三件套，让模型按段落生成初稿，每个段落限定字数，数据引用处标出需要人工核对的位置。第三层是语句层，模型做润色助手。让它压缩啰嗦的表述、转换语态、调整语气，改完人再浏览一遍。

这个分层最重要的原则是：模型生成的是“压过的纸”，不是“成品画”。初稿再粗糙都没关系，结构是你的，内容校对过是你的，最终署名也是你的。

6.2 绘图的实操组合：探索期和成稿期分开

科研绘图也要拆成两个阶段。探索期图形的目的是自己做判断，怎么快怎么来，让 AI 生成快速可视化的脚本，检查数据分布、趋势、离群点，这时的图不用讲究审美。成稿期图形才进入真正的绘图流程：选定图表类型、配色方案、字体字号、分辨率、输出格式，所有细节按投稿规范执行。

成稿期我给 AI 的绘图指令长这样：“数据文件为 result_summary.csv，包含三列：group、time、value。绘制折线图，X 轴为 time，Y 轴为 value，不同 group 用不同颜色表示，每组显示平均数和误差棒，使用色盲友好的配色方案，字体统一为 Arial，图片尺寸 6 英寸 x 4 英寸，输出分辨率为 300 dpi，保存为 SVG 和 PNG 两种格式。”

这个指令里包含了数据来源、图形类型、映射关系、配色、字体、尺寸、分辨率、格式，每一项都有明确要求。AI 生成的脚本我第一次跑，大概率还是要微调，但比从头查文档效率高多了。

关于绘图还有一个经验：永远保存脚本，不保存“手工修好的图”。今天你手工改的图，明天原始数据更新，一切又要重来。只有脚本可以随时重新生成。

6.3 “AI味”怎么摆脱

用 AI 写论文初稿，最常遇到的问题就是“AI 味”。我在修改中总结出几个高频特征：总结式开头太多、结论里堆砌“值得注意的是”“综上所述”、表达偏啰嗦、用词追求“高级”但信息密度低。

解决方法其实很简单：在提示词里提前约束风格。我的固定写法是“用简洁的主动语态写作，每个段落不超过 5 句，避免‘总之’‘因此’之类的总结性引导词，能直接陈述就不过度修饰”。模型生成的文本加一句“请把这段话改得更简练直接，保留所有数据和逻辑信息”，然后人工再读一遍调整语气。两轮下来 AI 味会明显降低。

不要让 AI 直接定稿，但也不用对初稿的 AI 味过于紧张。它只是毛坯，最终的精修是你来做的。

7. 构建本地LLM：数据隐私、离线运行与可定制性的平衡

7.1 科研里为什么需要本地模型

说到全链路，很多人觉得反正有云端大模型为什么还要本地部署。我的回答是：科研场景里有三类需求是云端满足不了的。

未发表数据不出本地。审稿前的稿件、合作协议里的保密数据、课题组内部未公开的实验结果，这些内容送进外部接口总归不踏实。离线运行需求。出差、开会、网络不稳的环境里，本地模型是一个随时可用的兜底。定制化需求。本地模型可以结合私有知识做特定调优，输出风格可以持续迭代，形成属于自己课题组的“学术助手”。

这三类需求听上去很技术，但实际上都是很朴素的科研日常需求。本地 LLM 不是要替代云端模型，而是给链路增加一个可控的离线支线。

7.2 选型和部署：显存就是硬约束

本地 LLM 部署的第一原则：你的显存决定了你能跑多大的模型。部署小于等于 7B 参数量的模型，对于 8GB 级显存的环境属于基本盘。如果显存到 16GB 以上，就有余力跑更大的模型，或者跑不错的量化版本。在资源有限的情况下，选“能跑起来的小模型”远好于“跑不动的大模型”。

部署流程通常就三步：下载量化模型文件；启动本地推理环境；通过接口调用。本地推理环境和云端相比，最大的差别是响应速度和并发能力，但单任务科研问答完全没问题。

我踩过最大的坑是：直接部署原版大参数模型，显存爆掉，推理慢到没法用。后来改用量化版本之后，速度和显存占用都大幅改善，输出质量虽略有损失，但完全足够支撑文献问答、草稿生成这些常见任务。配套的工具链一定要选成熟稳定的，不追新，稳定好用才是关键。

7.3 本地与云端分工

现在我的科研链路里，本地模型和云端模型是分工协作的关系。本地模型承担三类任务：涉密数据的初步整理、离线环境下的应急问答、每天自动跑的例行自动化工序。云端模型承担需要更强理解力和推理能力的任务，比如复杂方法的横向比较、长文本的深度综述。

这样做的好处之一，是例行自动化任务可以直接在本地完成，不需要把数据送到外部，也省去了接口延迟和费用。实践中“本地为主、云端为辅”的分工，让我在效率和隐私之间找到了一个不错的平衡点。

8. N8N自动化工作流：把零散环节拧成流水线

8.1 为什么我选N8N做流水线

整个链路里的环节越来越多之后，最迫切的需求不是再增加一个 AI 工具，而是把已有工具之间的动作串联起来。我选择 N8N，核心原因是它把“自动化”从写代码变成搭积木。N8N 是基于节点的可视化工作流编排工具，支持定时触发、接口调用、条件分支、数据转换，几乎可以对接所有常见的网络服务。

对科研人员来说，它的价值在于：不需要精通编程就能搭出能用的自动流程；每个节点可视化，改流程像改流程图一样直接；知识库、数据脚本、大模型接口都可以被编排进去，真正成为链路的连接器。

8.2 一个典型科研工作流：文献简报自动生成

我搭的第一个 N8N 工作流是“每日文献简报”，它串起了链路里的多个环节。流程如下：

定时触发器每天早晨启动；RSS/邮箱节点抓取指定期刊的新文章列表；节点把每篇摘要发送给 LLM API，让它按固定的结构笔记模板输出摘要；结果写入个人知识库目录；最后一步，把当天的简报通过通知渠道推送给手机。

整个流程跑起来之后，我每天早上的第一件事变成了“读简报”，而不是“找文献”。以前整理 30 篇摘要需要大半个上午，现在自动完成，我只花十分钟浏览，挑出真正需要细读的文章。这套流程的每个环节都是现成工具，但连接起来之后改变的是整个工作节奏。

8.3 自动化流程里的“人工审批点”

自动化越顺，越要人工把关。我的 N8N 工作流里有一条铁律：涉及“发送”和“决定”的节点必须加人工确认。自动生成的内容可以直接写进草稿目录，但对外发邮件、提交系统、发布内容，都必须进入人工审批队列。

实现方式是在生成的节点后面接一个分支节点：自动判断结果，高置信度的路径自动继续；低置信度的内容转入一个单独的人工处理列表。比如文献简报抽取时，如果某种字段缺失率过高，自动把它标记为“需要人工检查”，不让它直接写进知识库。

这个“人工审批点”是我使用自动化这些年最重要的经验。自动化擅长的是“执行确定的流程”，而科研里很多环节充满不确定性。留一个人工闸门，让自动化跑得再快也不会跑偏。

9. 个人AI助手（以OpenClaw这类开源项目为例）：让整条链路有一个统一入口

9.1 从“用多个工具”到“和一个助手协作”

所有环节都跑通之后，最后一个问题浮出水面：入口太多了。读文献用一个对话窗口，数据分析用一个脚本目录，绘图用一个配置，自动化在一个面板里，总感觉缺一个统一的“总控台”。标题里面提到的这一类开源个人 AI 助手，比如 OpenClaw 这类项目，想解决的就是这个问题。

它和聊天机器人最大的区别在于：聊天机器人只负责对话，个人 AI 助手能调用工具。你跟它说“帮我把今天文献简报里有三篇涉及 3D 打印的挑出来，写一版一百字的进展摘要，存到本周周报目录”，它不是答一段话，而是真的去检索简报、筛选文章、生成摘要、写入文件。

9.2 助手内部的分层设计

这类助手能干活，靠的是三个模块的配合。

任务规划模块负责拆解：把“处理这份数据并写一小节结果”拆成“读取数据文件—生成描述统计—绘制两张图—写一小段结果文字”四个子任务；记忆模块负责存取：它会读取知识库结构化笔记，也会把新生成的内容写回知识库，形成闭环；工具调用模块负责执行：调用数据分析脚本、N8N 工作流、绘图服务，把上游能力收口到对话里。

这个结构和科研全链路的五层能力是呼应的。理解层、生成层、执行层、记忆层，最终在个人 AI 助手里完成协同。

9.3 落地建议：从高频动作开始，不要贪多

如果你也想搭一个类似的个人 AI 助手，我最实在的建议是：从一个高频且明确的小任务开始，而不是一开始就想做一个“什么都会”的超级助手。我见过太多人第一周搭出雄心勃勃的助手框架，第二周发现维护成本过高然后就弃用了。

我推荐的路线是：第一步，只做“文献问答”，让助手能基于现有笔记回答问题；第二步，加入“数据摘要”，让它可以读入一个数据文件并输出结构化描述；第三步，接入“自动化工单”，让它可以触发 N8N 流程；第四步，再接入“写作润色”能力；第五步，逐步合并入口。

这条路线每一步都能独立使用、独立验证效果。等所有单点都稳定，再收进统一入口，不容易翻车。

把整条链路跑通之后，我最大的体会是：AI 全链路带来的不是“感觉自己更快”，而是“知识资产在自动积累”。文献不再是读了就忘，代码不再是写完就散，数据不再是分析完就丢，每个环节的产出都沉淀到一个可以被搜索、被复用、被组合的系统里。比起省下的那几个小时，这种复利效应才是更值钱的东西。

最后分享一个小技巧：全链路里的任何一个环节，都不要迷信“一次配置终身使用”。模型会换，数据格式会变，期刊要求会更新。每隔一个月，我会专门花半天重新检查一遍工作流里的薄弱节点，更新过时的提示词和脚本。这套系统不是一次建完就结束，它是跟着研究工作一起迭代的活系统。

而且无论如何自动化，科研的责任人始终是你。AI 可以帮你读文献、写代码、画图、起草文字，但每个数字的准确性、每句话的严谨性、每张图的真实性，最后都必须由你亲自确认。把 AI 当最强助手，把自己当最后防线，这才是科研提效的正确姿势。