核心结论

AI 要持续参与同一个科研项目，靠的不是一段越来越长的聊天记录，而是一份由团队维护的“当前项目记录”。研究问题、术语、证据、已经作出的决定和仍未解决的问题要分开保存；每次任务只取其中有关的部分，任务结束后也不能让模型直接改写正式记录。

这份记录可以叫研究上下文包。它的作用不是替 AI 塞入所有资料，而是回答几个会反复影响工作的具体问题：项目现在采用哪个定义，哪个方案已经被否决，某项判断依据什么，哪些内容还只是候选。只要这些状态清楚，换一次聊天甚至换一个工具，都不必重新靠模型猜项目背景。

三个月的项目，先在一个变量上发生了漂移

下面是一项模拟队列研究。团队计划在三个月内完成文献整理、数据清洗和分析方案讨论，研究社区步行环境与中年人身体活动变化的关系。材料使用公开模拟数据，不包含真实参与者信息。

第一次讨论时，“身体活动”在材料里出现了三种写法：每周中高强度活动分钟数、日均步数、是否达到每周 150 分钟。AI 在一次文献表里用分钟数，下一次写代码说明时又把步数当成主要结局。每次回答单独看都说得通，放回项目却无法合并。

随后又出现了更危险的变化。AI 建议把三次随访取平均后做横断面回归，团队讨论后没有采用，因为研究问题关注的是个体随时间的变化。几天后，另一段长聊天没有带上这次决定，模型又把横断面方案当成默认方法。问题并不是它“忘了”，而是团队从未给这项决定一个可以被后续任务稳定引用的位置。

继续在聊天里提醒“请记住以前的决定”不会解决这种漂移。聊天中同时存在旧口径、新建议、被否决的方案和正式决定，文字都以同一种样子出现。团队需要把它们从对话中拿出来，标明身份。

一份当前记录，比完整聊天更有用

团队建立了 CONTEXT-01 v1.4。下面不是空白模板，而是足以支持当前数据任务的一段实际内容。

记录类型当前内容依据与状态
项目问题社区步行环境是否与三次随访中的身体活动变化有关模拟方案 2.1，已确认
主要结局每周中高强度身体活动分钟数模拟方案 2.1 第 4 节，已确认；不得与日均步数混用
暴露住址 500 米路网范围的步行性指数数据字典 1.3，已确认；不是行政区平均指数
决定 D-007不采用三次测量简单平均后的横断面回归研究问题关注个体变化，已否决
决定 D-008主要分析保留三次测量结构统计讨论记录，已确认；缺失模式严重时重新评估
开放问题 Q-011第三次随访缺失是否与基线活动水平有关待检查；不能写成已知结论

这张表把几种容易混淆的内容放在一起展示，却没有把它们混成一种状态。主要结局来自方案，分析选择来自团队决定，缺失问题仍在等待证据。AI 可以根据 Q-011 提出检查办法，却不能把一个可能性改写成“第三次随访存在选择性缺失”。

已否决的 D-007 也需要保留。删除它会让当前记录看起来更干净，却无法解释团队为什么没有采用更简单的横断面分析。以后若有人再次提出相同方案，团队可以直接看到原来的理由，以及什么情况下才值得重新讨论。

FAIR 原则在数据可复用方面强调详细来源和演变记录。这里借用的不是“把所有聊天都永久保存”这一做法，而是让关键定义和决定能够追溯：现在使用的内容从哪里来，过去怎样变化，为什么成为当前版本。

检查清洗代码时，只带需要的那一部分

上下文包建好后，团队准备让 AI 检查主要结局的清洗逻辑。这个任务需要主要结局定义、数据字典版本、D-008、二十行模拟测试数据和预期输出。它不需要三个月的全部聊天，也不需要整套文献全文。

实际交给模型的上下文可以写成：

本次任务：检查主要结局变量的清洗逻辑
依据版本：CONTEXT-01 v1.4、数据字典 1.3、决定 D-008
允许材料：模拟数据 20 行、当前清洗代码、预期输出
明确排除：真实数据、未确认的模型建议、已否决决定 D-007
输出：逐条对应清洗规则、测试结果和仍未解决的问题

排除 D-007 不是要销毁它，而是说明这次代码检查不能把已否决方案重新当作要求。等团队专门复核分析设计时，可以重新调出 D-007 的理由。每次只载入有关内容，也避免一项简单代码任务顺带接触不需要的研究资料。

检查过程中，AI 发现部分分钟数似乎按小时转换了。它可以列出受影响的测试行、当前代码位置和建议规则，但结果先停在候选区。数据负责人对照模拟输入后确认，原来是数据字典的一处单位说明写错了，而不是原始数值错误。正式写回的内容因此是：数据字典修正、清洗脚本版本和受影响范围；“这批数据质量很差”没有证据，不能进入项目事实。

这次写回可以具体到下面的程度：候选记录先写“第 6—9 行单位疑似错误，建议检查”；负责人对照测试输入后，把正式记录改成“数据字典 1.3 的活动时长单位由小时更正为分钟，清洗脚本升级到 0.8，测试数据第 6—9 行重新运行并与预期一致”。前一句只报告疑点，后一句才是经过核验的变更。上下文包保存后一句，同时把前一句留在本次任务日志中，不把模型的推测升级成项目事实。

负责人还检查了这个更正会影响哪些下游产物。若错误版本只处理过模拟数据，无需重算正式结果；若已有表格引用脚本 0.7，就必须把表格列入重跑清单。上下文维护到这里才完成，因为“定义已经改对”与“受错误定义影响的工作已经修复”是两件不同的事。

一次自动总结，差点改掉了研究设计

这个项目曾经让 AI 根据最近几段聊天自动更新项目摘要。聊天里有人随口说“也许可以按行政区聚合”，后面又明确否决。模型生成的摘要却只留下前半句：

AI 候选更新
暴露定义：采用行政区平均步行性指数。
分析方式：对三次随访取平均后进行横断面回归。

正式记录中的依据
暴露定义：住址 500 米路网范围的步行性指数。
D-007：横断面平均方案已否决。

如果这段摘要直接覆盖 CONTEXT-01，下一次生成的代码会忠实执行一个团队没有批准的设计。团队因此改变了写回方式：模型只能提交候选变化，并为每项变化指出原记录位置；负责人逐项接受、拒绝或标为待确认，随后才产生新版本。没有出处的“更新”不能进入正式记录。

这也解释了为什么自动总结不等于维护上下文。总结追求缩短文字，维护上下文则要保留状态、来源和被否决的理由。两者目标不同，把前者直接用作后者，最容易丢掉的恰恰是科研决定中最重要的限定。

NIST AI 风险管理框架要求在具体使用情境中记录预期用途、人的监督和系统限制。放到这个项目里，写回权限就是一项限制：AI 可以发现冲突和拟写候选记录，但正式项目事实仍由有权限的研究者确认。

两份正式材料冲突时，先停下来

上下文包不能替团队消灭真正存在的分歧。假如研究方案写“基线为招募日”，数据字典却写“第一次随访日”，模型不应选择看起来更常见的一种，也不应把两个说法平均成模糊表述。它应生成一条冲突记录，列出两份来源、受影响变量和已经运行的任务。

负责人解决冲突以前，依赖基线定义的分析暂停。决定作出后，团队更新相应正式文件，在上下文包中记录采用哪个定义、为何采用、哪些代码和结果需要重跑。旧版本保留在历史记录里，但不再作为日常任务的默认输入。

冲突也可能来自文献证据。证据登记表若把一篇论文标为支持某项测量方法，后来全文核对发现它只在讨论中提到该方法，并未实际使用，就要降低支持状态，并查找哪些综述段落引用过这条记录。修改一行登记表而不检查已经生成的文字，会让旧错误继续留在论文里。

版本名也不能只写“最终版”“最终版2”。v1.4 到 v1.5 的变更要说明日期、修改人、原因和影响范围；涉及主要结局或统计方案时，还要记录修改发生在查看研究结果之前还是之后。这个信息会直接影响团队如何解释方案偏离。

项目进入写作阶段时，当前记录给出了什么

三个月后，团队从分析转入论文写作。此时 CONTEXT-01 没有保存所有对话，而是留下了当前研究问题、有效术语、证据位置、D-007 和 D-008 的来由，以及 Q-011 最终如何处理。作者可以从方法段的一句话返回分析决定，再返回代码和数据字典版本。

阶段切换时，团队请一名没有参加最近讨论的人做了一次反向追踪。他从草稿中的“主要结局为每周中高强度活动分钟数”返回 CONTEXT-01，再找到方案 2.1 第 4 节；从“保留三次测量结构”返回 D-008 和统计讨论记录。追到 Q-011 时，记录仍显示待处理，草稿中也没有把它写成结论。这比让原团队成员凭记忆说“应该没问题”更能暴露上下文断点。

NIH 关于严谨性与可重复性的说明把严谨性贯穿于设计、方法、分析、解释和报告。对长期项目而言，当前记录的价值正是让这些阶段能够相互对上：方法中的定义能回到方案，结果能回到分析版本，解释不会脱离当时采用的证据。

AI 在新任务中只读取写作所需的当前记录。它不会因为早期聊天里出现过“行政区平均”就把旧想法写回方法，也不会把尚未解决的问题当成研究发现。若要改变主要结局或分析口径，团队必须先更新正式决定，而不是在生成论文时临时改一句提示。

这份上下文包做到这里就够了：它不替项目作决定，只让已经作出的决定不再随聊天漂移，并让每次新工作都能找到当前、可核对的依据。