核心结论
把科研任务交给 AI，最有用的不是背诵一段“万能提示词”，而是写出一份可验收的任务说明。任务说明至少要包含目标、材料、边界、处理方法、输出格式和验收标准。它把研究者脑中隐含的判断变成 AI 能执行、研究者能检查的约定。
提示词只是这份说明进入工具时的表达形式。没有清楚任务，即使提示词很长，AI 也只能猜测研究对象、证据范围和“完成”的含义；任务清楚以后，很多普通表达也能得到稳定结果。
为什么“帮我分析这些论文”无法执行
一句“帮我分析这些论文”，至少留下了六个未定义问题：分析是摘要、比较还是质量评价；围绕哪个研究问题；允许使用哪些材料；没有全文时怎样处理；需要提取哪些字段；什么结果算合格。AI 往往会用最常见的写法补齐这些空白，输出看似完整，却未必服务于当前研究。
科研任务特别容易受这种隐性补全影响。比如“效果更好”可能指统计显著、效应更大、成本更低或患者体验更佳；“研究质量”可能指报告完整、偏倚风险低，也可能只是在高影响力期刊发表。研究者不定义，模型就会自行选择一种含义。
因此，任务说明的首要作用不是“让 AI 更听话”，而是迫使研究者先说清自己准备作出什么判断。
六部分任务说明
一份够用的科研任务说明可以写成六部分。
1. 目标：完成什么判断
目标用动作和对象表达。例如“比较 12 篇研究对远程康复依从性的定义与测量方式”，比“总结远程康复文献”更容易验收。一个任务只保留一个主要目标；如果同时要求检索、评价、写综述和设计研究，应先拆开。
2. 材料：只能依据什么
列出 AI 可以使用的材料及其版本，例如 12 篇全文、研究问题说明、字段表和术语表。还要说明材料不完整时怎样处理：没有全文就标记“无法判断”，不能根据标题或常识补写。
3. 边界：明确不能做什么
边界不是泛泛地说“不要出错”，而是限制推断范围。例如：不把相关性改写为因果；不根据期刊名称推断研究质量；不生成材料中不存在的样本量和结论；不新增参考文献。
4. 处理：按什么顺序工作
需要判断的任务应写出处理顺序。先识别研究对象，再定位测量定义，随后摘录原文证据，最后比较差异。顺序使研究者能够检查错误发生在哪一步，也避免 AI 跳过证据直接给结论。
5. 输出：以什么结构交付
输出结构应与后续工作直接衔接。需要建立证据矩阵，就定义字段、允许值和缺失值；需要代码，就定义输入文件、函数接口和测试结果；需要文字，就规定每项结论必须带出处位置。
6. 验收：怎样判断能不能用
验收标准必须能够检查。例如“12 篇全部有记录；每个判断带页码或章节；无法判断处不补写；随机抽查 4 篇与原文一致”。“准确、专业、深入”不是可操作的验收标准。
把模糊请求改造成可执行任务
**教学模拟案例：**材料学博士生周屿已经选出 12 篇关于可降解涂层的论文，想比较不同研究怎样评价耐腐蚀性能。他原本准备把 PDF 上传后输入“请深入分析这些文章，并给出研究空白”。
这个请求把单篇提取、跨文献比较和创新性判断混在一起。改写后的任务说明如下。
填写完成的任务说明
目标
依据提供的 12 篇论文，比较耐腐蚀性能的测量指标、实验条件和观察时间，形成一张用于后续研究设计的比较表。本任务不判断整体“哪种涂层最好”，也不直接提出创新性结论。
材料
P01—P12 论文全文、论文编号表、项目术语表 1.2 版。只依据这些文件；文件缺页、扫描不清或正文未报告的信息写“原文未确认”。
边界
- 不使用论文外知识补齐数值；
- 不把电化学指标与失重指标直接等同；
- 不根据摘要中的形容词判断效果；
- 不生成新的参考文献；
- 不把作者的解释写成实验结果。
处理顺序
- 确认材料对应的样品、对照和实验介质；
- 定位每项耐腐蚀指标的定义、单位和测量时间；
- 摘录支持信息并记录页码、表号或图号；
- 分开记录“结果数值”和“作者解释”；
- 只有条件足够可比时才描述差异，否则说明不可直接比较的原因。
输出字段
| 字段 | 允许内容 |
|---|---|
| 论文编号 | P01—P12 |
| 材料与对照 | 原文名称 |
| 实验介质 | 名称、浓度、温度 |
| 测量指标 | 指标全称与缩写 |
| 单位与时间点 | 原文报告值 |
| 主要结果 | 数值和不确定性信息 |
| 证据位置 | 页码、表号或图号 |
| 可比性判断 | 可直接比较／需谨慎／不可比较 |
| 未确认项 | 缺失或歧义说明 |
验收标准
- 12 篇各有一条或多条记录，不能静默漏掉论文；
- 所有数值带单位和证据位置；
- “不可比较”必须说明缺少哪个共同条件；
- 人工核对 P02、P06、P09、P12 的全部字段；
- 抽查发现关键数值错配时，停止批量使用并回查全部记录。
这份说明没有追求华丽措辞，但研究者可以判断任务是否完成，也能把输出直接交给下一步的证据矩阵。
提供一个正确样本和一个错误样本
仅靠字段定义，AI 仍可能误解研究者的口径。最有效的补充通常不是增加十条抽象规则，而是提供一条已经人工确认的正确记录，以及一条必须拒绝的错误记录。
正确样本应展示：原文怎样写、字段怎样填、为什么判定“需谨慎比较”。错误样本可以展示：两篇都报告百分比，但基线、介质或时间点不同，不能因为单位相同就排序。样本的用途是确定判断口径，不是诱导 AI 照抄相同结论。
当任务包含类别或评分时，还要说明临界情况。例如“证据位置只能定位到摘要，全文不可访问”应属于“未确认”，而不是低分或零分。缺失、否定和真正的零值必须分开。
分轮执行，不等于反复闲聊
复杂科研任务适合分轮，但每一轮都应产生可检查的中间产物：
- 第一轮只检查材料清单和缺失文件；
- 第二轮处理两篇样本，校准字段和边界；
- 第三轮批量处理剩余材料；
- 第四轮只做一致性和遗漏检查；
- 人工完成抽查、修正和放行。
这不是让 AI “一步一步想”的表演，而是把错误限制在小范围内。前两篇样本没有通过，就不应继续处理其余十篇。
NIST AI 风险管理框架强调先理解使用情境、再选择测量和处置方法。对应到科研任务，就是在运行前写明用途与风险，在运行中用样本测试，在输出后按验收标准决定继续、返工还是停止。
常见失败及其修正
把角色设定当成任务定义
“你是一位顶级教授”没有提供研究材料、判断口径或验收标准。角色可以帮助控制表达视角，但不能替代任务说明。应把篇幅优先留给真实输入、字段和边界。
同时要求过多成果
“阅读论文、评价质量、找空白、设计实验、写出引言”会让错误跨步骤传播。应按产物拆开：先建立可信论文记录，再比较证据，之后才讨论研究位置。
只规定格式，不规定证据
要求输出一张漂亮表格，并不能防止表格中的内容被编造。每个关键字段需要证据位置；无法定位时允许留空或写“未确认”。
没有停止条件
当 PDF 无法读取、术语含义冲突或抽查出现系统性错误时，继续生成只会扩大返工。停止条件应在运行前写进任务说明。
任务说明也要经过一次“干跑”
任务说明写完后，不要立即处理全部材料。先拿一个人工熟悉的样本做干跑，并逐项问：模型是否找到了正确材料，是否按规定顺序处理，输出能否直接进入目标表格，验收人能否根据证据位置复核。如果失败，先判断问题来自说明不清、材料不足，还是模型能力不足。
仍以涂层论文为例，第一次干跑时，输出把“浸泡 7 天后的腐蚀电流密度”和“测试开始时的阻抗值”放进同一比较列。问题并不是行文质量，而是任务说明没有规定“每条结果必须绑定指标、时间点和实验条件”。团队补充这个约束，并加入一条跨时间点不得横向排序的反例，再用另一篇论文复测。只有新样本也通过，才开始处理剩余材料。
干跑还应验证交付接口。假如后续要把结果导入证据矩阵，字段名、缺失值和一对多关系必须提前确定。论文报告三个时间点时，是生成三行，还是在一个单元格中保存数组？如果不先规定，批量完成后再整理格式会引入第二轮错误。好的任务说明不仅让 AI 能回答，也让输出能被下一步稳定接收。
任务改变时，不能偷偷沿用旧说明
同一项目中，任务常从“提取报告内容”变成“评价偏倚风险”，或从“比较测量方法”变成“提出实验设计”。这时必须新建任务说明。前一个任务允许的材料、判断口径和放行人，不会自动适用于后一个任务。尤其是质量评价和创新判断，需要相应方法规范与领域判断，不能因为已经读过论文就顺带完成。
建议给每份说明写上任务编号和版本，并在输出中保留该编号。例如 TASK-LIT-03 v1.2 对应比较测量指标；若研究者修改了主要问题、字段或验收抽样，就升级版本并说明哪些结果需要重跑。这样团队能回答“这一批表格是按哪个口径生成的”，也能避免新旧规则混用。
一份任务可以关闭的条件也应明确：目标产物已经通过验收，未确认项已单独登记，人工放行人签认，输出与输入版本都已保存。只要其中一项缺失，AI 显示“任务完成”也不代表科研任务真正完成。
可直接复用的科研任务说明模板
任务名称：
目标：本次只完成什么判断或产物？
材料：允许使用哪些文件、数据和版本？材料缺失时怎样处理？
边界：哪些推断、数据、来源和外部动作明确禁止？
处理顺序：需要依次识别、提取、比较或检查什么？
输出：字段、格式、允许值、证据位置和缺失值怎样表示？
正确样本：一条人工确认的输入与合格输出。
反例：一条容易误判、应拒绝或转人工的输入。
验收：检查多少样本、检查哪些字段、达到什么条件可以使用？
停止：出现哪些错误、缺失或风险时立即停止？
责任：谁复核，依据什么，在什么动作之前放行？
如果这份模板只能填出“高质量、专业、全面”之类形容词，说明任务还没有被定义。先回到研究目的和材料，把“好”改成可观察、可复核的条件，再开始与 AI 对话。