核心结论

把科研任务交给 AI，关键不是把提示词写得很长，而是让它知道这次究竟要交付什么。研究目标、允许使用的材料、不能越过的边界、输出怎样进入下一步，以及研究者准备如何验收，这些内容没有写清楚，模型只能自己猜。

因此，真正值得保存的不是某段“神级提示词”，而是一份任务说明。提示词只是把说明发送给模型的那段文字。工具换了，措辞可以换；目标、材料和验收口径不能跟着消失。

先把“深入分析论文”改成一件具体的事

下面用一个教学场景说明。某位博士生手里有 12 篇可降解涂层论文，原本想让 AI “深入分析这些文章，并找出研究空白”。这句话听起来目标明确，实际混在一起的至少有三件事：逐篇提取实验信息、比较不同论文的结果、判断还有什么值得研究。

他眼下真正缺的并不是研究空白，而是一张能帮助自己设计实验的比较表。具体来说，他想知道各篇论文用什么指标测量耐腐蚀性能，实验介质和观察时间是否相同，哪些结果可以放在一起比较。把这个需求说清楚以后，任务自然缩小了：先比较测量方法，不评价哪种涂层最好，也不直接宣布创新点。

这一步很容易被忽略。研究者说“分析”，心里可能想的是比较；模型理解的“分析”，却可能是每篇写一段摘要。最后生成了十二段流畅文字，双方都完成了各自理解中的工作，结果仍然不能用于实验设计。

这份任务说明写给人看，也写给 AI 看

博士生把任务记为 TASK-LIT-03 v1.0。下面是实际送入工具前的版本。它没有角色扮演，也没有要求模型“全面、专业、深入”。

项目本次任务的写法
目标比较 12 篇论文怎样测量可降解涂层的耐腐蚀性能，整理测量指标、实验条件和观察时间，供后续实验设计使用
材料P01—P12 全文、论文编号表、项目术语表 1.2 版；只依据这些文件
不做什么不判断哪种涂层整体最好；不直接提出研究空白；不按期刊或作者推断质量；不补写原文没有的数值和参考文献
怎样处理先确认样品和对照，再定位实验介质、指标、单位和时间点；结果数值与作者解释分开记录
交付内容每篇论文对应若干条记录，包含论文编号、材料与对照、实验介质、测量指标、单位、时间点、结果、证据位置和可比性说明
无法确认时文件缺页、扫描不清或正文没有报告的内容写“原文未确认”，不得根据摘要或常识补齐
怎样验收12 篇都要有处理记录；数值带单位和页码、表号或图号；先完整核对 P02、P06、P09、P12，再决定是否使用其余结果
什么时候停关键数值与原文错配、不同指标被当成同一指标，或证据位置无法复核时，停止批量处理并回查

这张表最重要的作用，是让“完成”变成一件双方都能判断的事。十二篇各有记录，不等于十二篇都必须有结果；如果 P08 没有报告实验介质，合格输出应当保留 P08 并写“原文未确认”，而不是静默漏掉它，也不是补一个常见介质进去。

材料一栏也不是简单写一句“见附件”。论文编号表用来防止文件名和论文身份错配，术语表则固定项目内已经采用的中英文名称。若某篇 PDF 只有摘要，模型应在材料检查时把它报出来，研究者决定补全文还是暂不处理，不能等比较表完成以后才发现若干结论其实来自摘要。

边界和交付内容要配着看。“不把作者解释写成实验结果”只有落实到不同字段才有用。原文报告的数值进入“主要结果”，作者对机理的讨论另行记录，两者都带证据位置。这样，后续写综述的人能看出哪句话是观察结果，哪句话仍是论文作者的解释，不会因为它们出现在同一段正文里就混成一个事实。

输出怎样使用，也在这里提前确定。论文若报告三个时间点，就生成三条记录，而不是把三个数值塞进一个单元格。这样整理好的内容可以直接进入后续证据矩阵，不必等十二篇全部完成后，再由人工拆列和猜测一对多关系。

NIST AI 风险管理框架把使用情境、预期用途、测试和处置放在相互关联的位置，也明确指出这些动作不是一张固定顺序的检查清单。对这项文献任务来说，具体做法就是先写用途，再用少量已知材料测试；发现系统性错配时，返回任务说明修正，而不是继续处理剩余论文。

第一次试跑，让一个含糊的字段露了出来

任务说明写完后，博士生没有马上处理 12 篇，而是先选了自己熟悉的 P02 和 P06。第一次输出读起来没有明显问题，证据位置也能找到，但表格把两项结果都归在“耐腐蚀性能”下面，并给出了“可比较”的判断。

把相关记录简化后，问题很清楚：

原文信息
P02：腐蚀电流密度；浸泡 7 天后测量
P06：阻抗值；测试开始时测量

AI 第一次整理
P02｜耐腐蚀性能｜浸泡 7 天腐蚀电流密度｜可比较
P06｜耐腐蚀性能｜测试开始时阻抗值｜可比较

人工核对
指标不同，时间点不同，不能放进同一结果列横向比较。
两条记录均保留，但可比性改为“不可直接比较”。

这里没有编造数值，模型也确实找到了原文位置。如果验收只检查“是否完整”和“是否有出处”，这两条都会通过。错误来自任务说明本身：它要求提取指标和时间，却没有明确规定，每一条结果必须同时绑定指标、单位、时间点和实验条件；“同属耐腐蚀性能”也不能成为横向排序的理由。

博士生据此把原来的同一份说明改为 v1.1。交付内容中增加一条约束：一条记录只能对应一个指标和一个时间点；可比性判断必须写出共同条件，不同指标、不同介质或不同时间点默认不直接比较。停止条件也随之变得更具体：一旦再次出现跨指标或跨时间点排序，就暂停剩余论文。

验收人随后回到表中的四篇抽查对象。核对时不是从头重读一遍 AI 的总结，而是从每条记录标出的页码、表号或图号返回原文：论文编号是否对应，指标和单位有没有抄错，时间点是否跟着数值一起移动，“不可比较”的理由是否真的来自实验条件。发现一条证据位置指向讨论段、找不到对应数据，这条记录就不算通过，即使结论碰巧与原文一致。

修改以后不能继续用 P02 和 P06 证明任务已经可靠。模型已经见过这两条及其修正，再跑一次只能说明它会不会顺着刚给出的答案。博士生换了一篇自己提前核对过、同时报告多个时间点的论文复测。模型把各时间点拆成独立记录，并分别保留证据位置，这才开始处理余下材料。

提示词只负责把说明送进去

任务说明准备好以后，真正输入模型的文字可以很短：说明本次执行 TASK-LIT-03 v1.1，附上待处理论文，并要求它先处理一篇，输出后等待核对。没有必要再叠加“你是世界顶级材料学教授”“请进行深度思考”之类的身份和语气要求。

第一次运行也不要一句话要求它处理到底。先让模型复述它收到的论文编号、缺失文件和准备交付的字段，研究者确认无误后，再处理一篇。这样做不是增加聊天仪式，而是尽早发现附件漏传、版本拿错或字段理解不同。材料清单已经不对时，后面生成得越多，返工越大。

这些话最大的问题不是一定有害，而是占据了研究者的注意力。模型被称作什么角色，不会自动知道“未报告”和“数值为零”的区别，也不会知道论文报告三个时间点时该生成三行。能影响结果的，是材料里有没有这项信息、任务说明采用什么口径，以及错误出现时是否有人真的停下来。

同样，输出格式不能只写“请用表格呈现”。表格可以很漂亮，里面的内容仍可能无法核对。任务说明要求每个结果带证据位置，是为了让博士生能返回原文；要求无法确认时保留缺失，是为了防止完整表格掩盖材料不足。这些约束都服务于下一步工作，而不是为了让提示词显得专业。

NIH 关于科研严谨性与可重复性的说明把严谨性落实到研究设计、方法、分析、解释和结果报告的严格运用。放到这项任务里，AI 输出的表格只是中间材料：它是否可用，要看提取口径能否被说明、原文位置能否被别人找到、相同材料能否按同一规则重新处理，而不是看文字是否像专家写的。

什么时候该新建任务，而不是继续补充原说明

处理完测量方法以后，博士生可能想让 AI 根据比较表判断研究空白。此时不应在 TASK-LIT-03 后面追加一句“再给出创新建议”。提取报告内容和判断研究空白，需要的证据、判断口径与人工责任不同，后者已经是另一项任务。

任务说明可以在原目标不变时修订，例如补上跨时间点不得直接比较的规则，或者把缺失值写法统一为“原文未确认”。如果主要产物从比较表变成创新性结论，或输入从十二篇全文扩展到新的数据库检索结果，就另建编号。旧说明和旧输出留着，才能知道哪批记录按什么口径生成，也能判断哪些内容需要重跑。

这个区分不需要复杂的版本系统。任务编号、版本、使用的文件版本和一次简短的修改原因已经够用。关键是不要让一项已经通过验收的提取任务，在聊天过程中悄悄变成没有定义过的评价任务。

如果只是把输出从 Markdown 表格改成 CSV，目标和判断口径没有变化，可以在原任务中记录格式调整。若增加了新的比较指标，则要看已有十二篇是否都需要重新提取；需要重跑，就在版本说明里写明影响范围。版本号的价值不在形式整齐，而在于团队以后能够回答：眼前这张表是按哪套规则产生的。

这次交付最终停在什么地方

完成试跑和修正后，TASK-LIT-03 v1.1 只交付一张测量方法比较表。每条结果绑定论文、指标、单位、时间点、实验条件和证据位置；条件不足的记录明确写出为什么不能直接比较。博士生核对约定样本后，才接受其余记录进入证据矩阵。

它没有替博士生判断哪种涂层最好，也没有直接生成研究空白。这不是任务少做了，而是任务已经在预定的位置完成。接下来若要评价证据或寻找创新点，应当带着这张经过核验的比较表，另写一份新的任务说明。