把 AI 当科研导师:出题、验收、调整的训练闭环
缺的不是答案,是目标与验收
这周的主线是给博士科研起步搭基建。Zotero 装好必需插件、LaTeX 入门、zotero mcp 让 AI 能读写文献库 —— 这些是工具层,一天就能配完。
真正的卡点在另一层:导师不会每天在旁,科研要怎么开始?
小导师的要求其实很明确。背景上,了解进化计算(PSO、ACO、GA 这类模拟自然进化的优化算法)和大语言模型 API;文献上,从一份 IEEE 清单里精读至少 1–2 篇;时间上,到 2027 年 6 月建立科研素养与习惯,把课题组方向(进化计算 × 大语言模型 × 炼化生产调度)的基础打牢。
要求清楚之后,剩下的问题是:没有人每天出题、检查我做得对不对、决定下一步学什么。这件事交给 AI—— 不是让它代做,而是让它扮演博导。
闭环怎么跑
科研以目标驱动,AI 导师按四步循环:
flowchart LR
A[AI 发布目标<br/>明确可执行] --> B[人工执行<br/>先写自己的判断]
B --> C[提交交付物]
C --> D[AI 验收<br/>核对证据/改变条件追问]
D --> E{是否达标}
E -- 是 --> F[提升难度]
E -- 否 --> G[缩小粒度补基础]
F --> A
G --> A两条经验,比闭环本身更值钱。
先写自己的判断,再要提示。 AI 直接给答案是学习的终点。跳过判断环节,训练就退化成 "问答案"。博士阶段要练的核心能力,恰恰是 "自己判断下一步做什么"。
验收不只对答案。 以一道 PSO 手算题为例:验收时会改一个条件追问 ——"如果粒子当前位置恰好是它的历史最优,哪些因素还能让它移动?" 这一问区分了两种状态:完成了这道题,还是能解释机制。前者靠记忆,后者才算学会。
不达标怎么办?不硬推,把任务粒度缩小(比如从多个粒子缩到一个粒子、一个维度),补完基础再来。
闭环要长期运转,得对着时间表验收产出。到 2027 年 6 月的里程碑是:前两个月用同一道小题解释 PSO/ACO/GA 如何表示候选解、如何更新,并完成一次 LLM API 调用;然后读综述画方法脉络、精读论文复述问题与证据;再往后选一个足够小的炼化调度场景,手工排程并实现简单基线;最后带着初步证据的研究问题去找导师讨论 —— 被实验否定的设想也保留结果和理由。
AI 导师有明确边界:涉及现场工艺、可用数据、选题取舍的判断,仍然留给真人导师。AI 负责训练过程,方向决策不外包。
知识库按用途归档
闭环要持续运转,得有底座。在知识库里单独设「博士科研训练」区,七个板块:首页、导师手册、目标与能力、知识库、训练任务、联培课题探索、组会与复盘。
板块怎么分?归档规则一句话:按这条信息将来怎么用,决定它放在哪。
flowchart TD
Q[一条新信息] --> U{将来怎么用}
U -- 重复使用的结论 --> K[知识库<br/>出处+适用条件]
U -- 训练与验收的证据 --> T[训练任务<br/>目标/提交/追问/结论]
U -- 改变对课题的判断 --> P[课题探索<br/>场景/变量/约束/假设]举例:同一篇 PSO 论文,可复用的笔记进知识库;第一次独立解释速度更新公式时哪里答错,进训练任务;读完发现某种编码方式难表达储罐切换顺序的疑问,进课题探索。三处用链接串起来,原文只留一份。
启动不需要一次建齐。三页就够:首页(目标与当前主任务)、目标与起点(自己填)、第一张训练任务单。其他板块随真实工作长出来。
参考资料
- pengsida/learning_research:开源的科研经验总结,覆盖如何起步、如何找科研问题、如何做实验与和导师交流,本篇指导方式设计的参考来源之一。
- openai/codex:本篇闭环所用工具 —— 在终端运行的轻量编码 agent。