关于研究生如何更好的使用AI的探讨

先抛出一个观点，AI不是一切，一切是为了更好的使用AI

why we need AI?

我想先说一说我与AI的故事，我们都知道AI的爆发是在GPT出来的那一年才正式全面的进入公众的视野当中，当时我上的一堂课还开展过有关于GPT的辩论赛，后面就一直在发展。到了25年吧，我觉得是全面快速发展最猛的一年，那时候的AI Coding也正式广泛被接受。那时候我最焦虑的一件事就是怎么用AI写代码，因为这种事情没有入门去实操过，你没有个具体的概念，就是会很困扰，这也引出了AI的使用问题，实际上，AI的使用门槛是越来越低的，因为模型的能力一直在变强，很多东西也可以交给模型来直接帮你去完成，但是还是有很多事情需要自己去探索。
简单的使用，例如网页检索，提供思路，啥的，很多存在幻觉与不可实现性。
回归主题，对于硕士来说，无论是什么专业，我认为都需要好好的使用AI，不是仅限于问答式的询问，而是深入浅出的去了解一些其中的原理，重要的是编排好自己的工作流，每个人的使用场景不同，需要设计的结果不同，我们需要有那个能力去调整。过去这个叫做提示词工程，现在可以结合MCP，skills等来更好的直接性规划流程，微调。
现在很多焦虑不是AI带来的，是怕自己跟不上时代而带来的，如果大家都能很好的使用AI，就不会有AI agent这个岗位了，说白了就是发挥最大的效用。对于我们研究生来说，我们的使用场景也很明确，帮忙快速的做课程PPT，对论文的翻译，快速检索不懂得专业知识，使用AI协助论文工作，但注意不是直接用AI写，万万不可。
总之，使用AI就是会比不会用的工作做的快，拿个最简单的来说，帮忙写代码，快速实现实验想法，对比就有伤害。

在此之前你需要什么？

• 了解常见的模型，他们的能力界限，优势处，例如Claude fable5,gpt5.6,kimi3,…
• 常用的agent终端软件，cursor,claude code,codex,opencode 等
• 技术发展历程与术语，从大模型、mcp、skills、harness等
• 会环境配置，肯折腾的心

我是如何使用AI的

这部分就是直接来点干货，对于我个人目前用于AI干的一些事情，给出一些我个人的看法，可能不是很全很详细，只有个大概

AI网页对话

这算是个最基础的吧，但是我也很担心许多非计算机专业的小白只停留在了这一步，那就会浪费很多Token,就如下：

对于像是GPT或者Claude(应该用的人会少一些)，他们都有相应的自己的终端工具或者桌面版工具，提供使用，CHATGPT(codex)，Claude code,不够对于终端工具，我现在最推荐的是opencode+omo组合，后续说

AI ppt制作

这个应该算是一个重灾区了，今年本科生毕业的时候导师喊我去帮忙，我看很多本科生的PPT用AI做的简直就是构式，这个很快，很爽，但是生成的效果要不然就是浓浓的ai风味，要不然就是字小的看不见。
其实如果你能用好这个，会省很多事，因为研究生的课程会有很多汇报，甚至于组会（虽然我没开过，但是也手搓过几个我觉得还不错的PPT），对于这些汇报，我们的说是占主体，PPT能显示出我们想要的就行。
正确的流程是 ，上传资料 —— 生成PPT指导文档.md —— 微调文档 —— 模型生成PPT —— 微调 —— 演讲，其中模型生成我会在我的工作流中说，简单来说就是借助Skills，同时撰写一份自己专属的风格确定性skill，后续你所有的PPT都会生成这种质量与风格的PPT了，一劳永逸。
我的大概就是这种风格：

另外还有一个，找不到了，就是简约大气就行，现在模型能力更强，没准比当时还美观

AI科研

大模型是有幻觉的，要干什么之前，把资料传到位，如果你使用的是终端操作，就是一个简单的读文件，很方便，对于pdf，自己要重写一个pdf-read skill，直接在当前目录下解析，喂取
对于读文献来说，直接使用网页端即可，提示词精准一些，这是我的提示词,也是AI生成的，可自行探索

请将我提供的整篇英文科研论文完整翻译为中文，并最终输出排版良好的中文 PDF，同时提供可编辑 Word 版本。

本任务的第一优先级是**学术含义准确、专业术语准确、公式准确、不得漏译**；排版和中文表达必须服务于准确性，禁止为了语言流畅而擅自改变作者原意。

## 一、翻译准确性

1. 必须逐段、逐句对应原文翻译，不得总结、压缩、扩写、改写论文观点，不得遗漏正文、脚注、图注、表注、算法说明、公式解释、实验设置、消融分析和附录内容。
2. 翻译前先理解论文所属研究领域、模型结构和上下文，再确定术语含义。
   同一术语在全文中必须保持一致。
3. 专业术语遵循学术界常用中文译法。
   - 首次出现的重要术语采用：
     中文名称（English Term, 缩写）
   - 后续优先使用统一中文名称或缩写。
   - 模型名、数据集名、框架名、算法名通常保留英文，如 BERT、CLIP、GGNN、SimCSE、MTEB。
   - 对存在多种译法的术语，必须结合本文语境确定，不允许机械直译。
4. 对 `view`、`perspective`、`modality`、`representation`、`embedding`、`feature`、`domain`、`context`、`disentanglement`、`alignment` 等容易混淆的术语，必须根据模型实际含义区分翻译，不得混用。
5. 原文存在语法错误、明显笔误或疑似错误时：
   - 正文翻译应尽可能保持作者真实意图；
   - 不得静默修改关键实验数据、公式或技术结论；
   - 必要时以“译者注：原文此处疑似……”简短说明。
6. 不得根据常识擅自补充原文不存在的技术解释。

## 二、中文学术表达

中文表达应符合计算机科学、人工智能、深度学习、网络安全领域中文论文写作规范。

要求：

- 准确；
- 简洁；
- 客观；
- 正式；
- 避免翻译腔；
- 保留原文逻辑关系。

优先使用：
“本文提出……”
“具体而言……”
“实验结果表明……”
“该模块用于……”
“由此得到……”
“分别表示……”

避免过度文学化、口语化或自行增强语气。

原文中的：

- `significantly improves` → “显著提升”
- `outperforms` → “优于”
- `demonstrates` → 根据语境译为“表明 / 证明 / 展示”
- `representation` → 根据上下文区分“表示”与“表征”
- `embedding` → 根据上下文译为“嵌入”或“嵌入表示”

不得机械统一。

## 三、公式排版

公式可读性必须作为重点检查项。

### 独立公式

所有独立公式必须重新排版为标准数学公式，不得直接使用 PDF 文本提取后的乱码形式。

必须正确处理：

- 上标；
- 下标；
- 分数；
- 求和；
- 范数；
- 矩阵；
- 向量；
- 集合；
- 希腊字母；
- 转置；
- 期望；
- KL 散度；
- Softmax；
- Sigmoid；
- Hadamard 积；
- 矩阵乘法。

公式编号必须与原文完全一致，例如：

# [ f\_{\text{text}}

\sum\_{i=1}^{k\_{\text{text}}}
\operatorname{softmax}(G\_{\text{text}}(e\_t))\_i
, r\_i^{\text{text}}
\tag{6}
]

不得将公式变成：
`ftext = k Xtext i=1 softmax...`

### 正文内联公式

正文中的内联数学符号同样必须正确排版。

例如应显示：

(f\_{\text{text}}^{\text{dom}})

(p\_i^{\text{dom}})

(\hat{y}\_{\text{text}})

(W\_o \in \mathbb{R}^{3\times d})

而不能显示为：

`f dom text`

`p dom i`

`yˆtext`

`R 3×d`

内联公式必须保持与正文基线、字号、上下标位置协调，不得因为公式导致行距异常或文字重叠。

## 四、图像处理

原论文中的所有重要图片、网络架构图、流程图、实验曲线和可视化图必须保留。

要求：

1. 图片必须插入到与原文对应的正文位置附近。
2. 不得改变图片纵横比。
3. 图片必须保持清晰。
4. 图号保持原文编号。
5. 图注翻译成中文。
6. 图内模型名、变量名和缩写原则上保留英文。
7. 图内普通说明文字无需强制重绘为中文，以避免破坏原图质量。
8. 若原图中的英文影响理解，可在图注后增加简短中文说明，但不得覆盖原图。

例如：

**图 2：xx的网络架构。**

图片应位于介绍该网络架构的正文附近，而不是统一堆放到论文末尾。

## 五、表格处理

所有表格必须重新排版为真正的表格，不得截图代替，不得把一行数据转换为普通文本。

必须：

- 保留全部数据；
- 保留行列关系；
- 保留表号；
- 翻译列名和表题；
- 模型名称保持英文；
- 数值必须逐项核对原文；
- 原文加粗的最佳结果尽量继续加粗；
- `*`、`†` 等说明必须保留。

宽表可以：

- 调整页面方向；
- 缩小表格字号；
- 合理压缩列宽；

但不得删除数据。

## 六、章节与版式

整体采用简洁、正式的中文学术论文排版。

建议样式：

论文标题
英文原标题

作者
机构
邮箱

摘要

关键词（若原文存在）

1 引言
2 相关工作
2.1 ……
2.2 ……

3 方法
3.1 ……
3.2 ……

4 实验

5 结论

参考文献

附录

标题层级必须明显。

正文：

- 中文字体清晰；
- 左右边距舒适；
- 行距适中；
- 段落完整；
- 避免一页只有少量文字；
- 避免标题孤立在页面底部。

小节中的局部主题可以采用：

**文本视角特征。** 正文……

**视觉视角特征。** 正文……

这种“加粗小标题 + 正文连续排列”的方式。

## 七、参考文献

正文中的引用编号或作者—年份引用必须完整保留。

参考文献列表默认**不翻译文献题目和出版信息**，保留原始英文书目信息，以避免文献名称失真并方便后续检索。

例如保留：

Devlin, J.; Chang, M.-W.; Lee, K.; and Toutanova, K. 2018. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. ...

不要翻译成：

BERT：用于语言理解的深度双向 Transformer 预训练。

## 八、禁止事项

禁止：

- 漏译；
- 总结代替翻译；
- 自行删减实验内容；
- 自行修改实验数据；
- 擅自改变模型含义；
- 将专业术语翻译成含义接近但技术含义不同的词；
- 公式直接使用 PDF 文本提取结果；
- 内联公式上下标错乱；
- 图表错位；
- 图号、表号、公式编号错误；
- 将表格转换为普通文本；
- 为追求中文流畅而增加原文不存在的因果关系；
- 根据模型自身知识替作者补充解释。

## 九、翻译前内部检查

正式翻译前，先内部建立该论文的术语表，至少包含：

英文术语 | 中文译法 | 缩写 | 本文具体含义

例如：

Domain Disentanglement | 领域解耦 | DD | 分离领域信息与任务语义信息
Multi-view | 根据本文实际定义确定译法 | — | 多种特征/决策视角
Modality | 模态 | — | 文本、图像等信息来源

术语表用于保证全文一致，不需要单独放入最终 PDF，除非我明确要求。

## 十、最终质量检查

生成最终文件前必须逐项核对：

- 全文是否完整；
- 是否存在漏段；
- 标题层级是否正确；
- 专业术语是否前后一致；
- 每个公式是否与原文一致；
- 所有内联公式是否清晰；
- 所有公式编号是否一致；
- 图片是否齐全；
- 图片位置是否合理；
- 图注是否正确；
- 表格数据是否全部保留；
- 表号是否正确；
- 引用是否完整；
- 页码是否正常；
- 是否存在中文乱码；
- 是否存在文字覆盖；
- 是否存在公式被截断；
- 是否存在表格超出页面。

最终输出：

1. **中文精准翻译版 PDF**
2. **可编辑 Word（DOCX）**

PDF 应达到可以直接用于科研阅读、论文复现和长期保存的可读质量。

核心原则：

**准确性 > 完整性校验 > 术语一致性 > 公式与图表正确性 > 中文流畅性 > 版面美观。**

任何情况下，都不得为了版面美观或语言顺畅牺牲技术含义的准确性。

AI coding

这个算是终于说到正题了，AI coding,（话说我写的是不是太小白了，算了，我就当是给当初懵懂的我看的吧。）
AI coding，就是啥，也是为了科研服务，以及以后的工作，这是必修课，很多人就直接说了，我直接问，直接改就是了？这个会很繁琐以及耗token,最好是总结处自己的一套 skills,工作流，文档维护，来协助。
说说科研吧，复现论文，这一块，先别用AI，如果代码是猴版，可以让AI读仓库来辅助指导，复现的基线可以作为你魔改的基座，后续代码修改可以在此基础上进行开发，有了AI，你不用担心你的想法实现不了，无论你是想操作你的特征读取，还是融合阶段。
但是归根结底还是自己多读论文，如果论文没有思路，先封闭自己读一个月论文，自然就会有想法，然后把这些论文的一些模块提取融合，这时候就可以使用AI来完成你的想法，而不是一味的让AI去想，我该怎么去设计，AI是实现工具，他也是训练得来的，它的创新力可能还不如你。

AI 辅助论文撰写

这块就是，记住一个点，千万不要直接用AI来写论文，以及用AI润色，不要让你的论文沾上AI味，负责去不掉的，你难不成还用AI来降AI，那更AI了，是不是AI一眼就能看出来，而且你真去写的时候，AI写的你直接用你包不满意的，这时候又有人说，AI大神AI大神，那我用skills呢？都是营销。
拉完了，skills用了不还是AI来写，规划详细些，且不说他的总结来源，我们投不同的期刊，侧重点都是不一样的，可以辅导，但是不能直接写，怎么辅导，后面等我投稿出第一篇论文后再出焚决吧。我去，我写技术章节还挺依靠AI的，其实，更多也是反解释项目。你不一定很懂你写出来的东西，但是你必要要装的很懂。

我的AI工作流

这个我强烈建议结合着使用，具体我就不推荐了，我就说说我的吧，我是codex，opencode+omo我都用。

• codex，就是纯图一手方便，但是不如claude code，或者opencode+omo，我个人认为，因为只能用一个模型去完成任务，对于学生的我们来说，不好把控token，同时不是我喜欢的终端操作
• opencode + oh-my-openagent + cursor,有代码需求的，还是要有IDE，不然看着不爽，普通任务直接在对应文件夹开终端就行。
  好处是，可以搭配多个模型来使用，你自己去搜就懂了，我是师傅领进门，修行靠个人
  然后给自己建立一个skills中心，可以参考我的设计：
  https://github.com/Hfuuwzy/Skills-Manager

具体配置单

秘密，根据你的模型来，可以问codex提供意见

下一步

拍抖音录视频，然后再说，最后贴一个我研一的学AI吐槽吧：