今天讲讲怎么用AI帮忙想paper的idea。

当然，这套方法真正执行起来并不复杂，但每一步到底怎么问AI，差别非常大。所以我自己测试了一个可行的Prompt工作流：从论文拆解、研究缺口，到创新生成、压力测试、文献查新，最后收敛成具体选题，你只需照着一步步跑就行。

另外，找完创新之后做实验、写论文的环节我也给你安排了，5个科研Skills省去你80%的重复劳动！

找创新点Prompt+科研Skills我一起打包了，可以扫码添加小享让TA无偿及时发送给你最新完整文档！

Step 1：划定研究范围

做法：选定你感兴趣的AI子方向（比如：多模态大模型的对抗攻击、LLM的推理能力增强），找2-3篇近期的顶会文章（最好带代码）当锚点，丢给AI让它总结：

• 每篇解决了啥、怎么解的、还有啥坑。
• 让AI根据这些，帮你梳理出几个结构性空白（比如“现有防御都假设X，但如果X不成立呢？”）。

关键：让AI先遍览顶会论文，再谈创新，这是防止想法飘在空中或撞车的基础。

Step 2：挖假设，不要问怎么改进

做法：不要直接问“怎么改进XXX”，让AI换个思路： “假如我们是审稿人，请列举这个方向最火的3个方法，它们为什么会失败？在什么场景下会崩？”

这样做的意义是从“怎么加模块”转向“现有方法为什么失效”，这种视角更容易挖出反直觉的、有根有据的创新假设。

Step 3：让AI自己迭代找坑

做法：拿到初步idea后，开新窗口，让AI扮演“最刻薄的审稿人”+“最较真的合作者”：

1. 指出所有逻辑硬伤和漏洞。
2. 追问每个假设是否站得住脚。
3. 推荐需要对比的基准和文献。

迭代2-3轮，把idea的薄弱点炸一遍。很多听起来make sense但经不起推敲的假想法，在这一步就会被筛掉。

Step 4：多模型交叉验证，避免被AI带偏

做法：把打磨过的idea分别丢给GPT、Claude、Kimi等不同模型，用同样的问题让它们互评。AI有讨好倾向，单模型容易自嗨，多个模型交叉检查能暴露低级bug和幻觉引用。

Step 5：回归学术搜索引擎

做法：AI给出的idea再漂亮，也要自己去Google Scholar搜一圈：

• 这个概念/术语，是不是已经有人用别的名字发过了？
• 最近3年相关论文数量趋势如何？是红海还是死水？

关键：以同行评审过的论文为准绳，不要轻信AI编的研究现状。自己读原文，判断真实创新性和落地难度。

几点注意

1. 对话超过20轮就让AI做交接总结，压缩成一段，换窗口无缝继续。
2. 写prompt要把你想表达的说清楚、具体点就行，啰嗦点没关系。
3. 保持独立思考，AI的优点是发散和查漏，但筛选和判断只能靠你自己对领域的理解积累。