工程科研这件事，过去十年的主流工作流其实没怎么变过：查文献、推公式、写仿真、跑实验、处理数据、画图、写论文或报告。真正让这套流程发生结构性变化的，是最近两三年大模型能力的快速成熟。我自己从2023年开始把AI逐步嵌进日常科研工作里，从最初只用来润色英文摘要，到现在文献调研、代码生成、仿真脚本编写、数据分析、图表绘制、甚至实验方案设计都深度依赖AI协作，中间踩过的坑和总结出来的方法，足够写一篇长文了。
这篇内容面向的是做工程类科研的读者——不管你是研究生、博后、高校教师还是企业研究院的工程师，只要你日常要面对仿真、实验、数据处理、论文写作这些事，下面这些经验都能直接拿去用。我不会泛泛谈"AI能帮科研做什么"，而是把每个环节的具体做法、提示词设计思路、工具选型逻辑、以及实测中遇到的问题都拆开讲清楚。核心关键词就一个：AI工程科研，围绕它展开的所有实操细节，都是我自己跑过一遍甚至多遍的东西。
1. 先搞清楚AI在工程科研里到底能接哪些活
很多人对AI辅助科研的理解还停留在"帮我改改语法"这个层面，这其实严重低估了当前模型的能力边界。工程科研的工作流可以粗略拆成六个环节：文献调研与综述、理论推导与公式验证、仿真建模与脚本编写、实验数据处理与分析、图表绘制与可视化、论文撰写与投稿准备。这六个环节里，除了"提出真正原创的科学假设"这件事目前AI还替代不了，其余每一个环节AI都能实质性参与，而且参与深度远超大多数人的想象。
1.1 文献调研：从关键词搜索到结构化综述
传统文献调研的做法是：在Web of Science或Scopus里输入关键词，筛出几十上百篇，然后一篇篇读摘要、做笔记、归类。这个过程耗时巨大，一篇高质量综述的文献调研阶段往往要花两三周甚至更久。AI介入之后，流程可以压缩到几天甚至更短。
具体做法是这样的：先用传统数据库做一轮检索，导出文献的标题、摘要、年份、期刊、作者信息，存成CSV或Excel。然后把这份数据喂给大模型，让它做几件事——按研究主题聚类、识别每个聚类的方法论差异、标出哪些工作是开创性的、哪些是跟进改进的、哪些结论之间存在矛盾。这一步的关键在于，你不能只给AI一堆摘要让它"总结一下"，而是要给它明确的分析框架。比如你可以这样设计提示词：
你是一名[具体工程领域]的资深研究者。下面是一组文献的标题和摘要， 请按以下维度分析： 1. 按研究方法论分成3-5个流派，说明每个流派的核心思路和代表工作 2. 指出流派之间的主要分歧点在哪里 3. 标出近三年出现的新趋势 4. 列出你认为最值得深入阅读的5篇，并说明理由这样得到的输出，质量远高于让AI泛泛地"写一篇综述"。我实测下来，用这种方式处理80到120篇文献的摘要，模型能给出相当有洞察力的分类和趋势判断，准确率大概在八成以上，剩下两成需要你自己核对原文修正。
注意：AI对文献的"理解"完全基于你喂给它的摘要文本，它不会主动去查原文。所以摘要的质量和你筛选文献的质量，直接决定了输出质量。另外，模型有时会编造不存在的文献引用，所有它提到的具体论文，你都必须去数据库里核实一遍。
1.2 理论推导与公式验证：AI能帮你查漏但不能替你创新
工程科研里经常涉及公式推导，比如力学建模、控制理论推导、传热方程化简等。AI在这个环节的价值主要体现在两个地方：一是帮你检查推导过程中是否有代数错误或逻辑跳跃，二是帮你把一种形式的公式转换成另一种等价形式。
我自己的习惯是，推导完一版之后，把每一步都写清楚，然后让AI逐步检查。提示词可以这样设计：
下面是一个[具体问题]的推导过程，请逐步检查每一步的代数运算和逻辑 是否成立。如果某一步有问题，指出具体是哪一步、错在哪里、正确的 应该是什么。如果全部正确，也请明确说明。 [附上推导过程]实测下来，对于中等复杂度的推导（比如涉及十几个步骤的常微分方程求解），AI能查出大部分代数错误，但对于涉及物理直觉的判断——比如某个边界条件是否合理、某个近似是否在特定工况下成立——AI的判断力明显不足，这部分还是得靠你自己。
另一个实用场景是量纲分析。工程公式必须量纲一致，AI检查量纲的速度比人快得多，而且不容易漏。你可以把公式和每个变量的量纲一起给它，让它验证等式两边是否一致。这个用法我几乎每次推导新公式都会跑一遍，省了不少低级错误的时间。
1.3 仿真脚本编写：从伪代码到可运行代码
仿真建模是工程科研的核心环节，常用的工具包括MATLAB、Python（NumPy/SciPy）、COMSOL、ANSYS、OpenFOAM等。AI在脚本编写上的能力，取决于你用的工具和问题的复杂度。
对于Python和MATLAB这类主流语言，AI生成代码的质量已经相当高。我的做法是：先用自然语言把仿真逻辑写清楚——包括控制方程、离散格式、边界条件、时间推进方案、输出变量——然后让AI生成代码框架，我再在此基础上修改。这样做的好处是，AI帮你处理了语法细节和API调用，你只需要关注物理逻辑是否正确。
比如你要写一个一维热传导的有限差分求解器，可以这样给提示词：
用Python写一个一维非稳态热传导方程的有限差分求解器。 要求： - 空间离散用中心差分，时间推进用Crank-Nicolson格式 - 左边界固定温度T0，右边界绝热 - 初始温度分布为线性分布 - 输出温度随时间和空间的分布，并画出时空云图 - 代码要有注释，变量命名清晰生成的代码通常可以直接跑，但有几个地方必须自己检查：边界条件的实现是否正确、稳定性条件是否满足、网格收敛性是否验证过。AI不会主动帮你做网格无关性验证，这件事必须自己做。
对于COMSOL、ANSYS这类商业软件，AI生成脚本的能力要弱一些，因为这些软件的API文档相对封闭，训练数据也少。但AI在帮你理解API文档、解释报错信息、给出建模思路方面仍然很有用。我经常把COMSOL的报错信息直接贴给AI，让它解释可能的原因和排查方向，效率比翻论坛高得多。
1.4 数据处理与分析：从清洗到特征提取
实验数据处理的痛点在于：数据格式五花八门、噪声大、缺失值多、需要做各种变换和特征提取。AI在这个环节能帮的忙非常多。
首先是数据清洗。你可以把数据的基本情况（列名、数据类型、缺失比例、异常值分布）描述给AI，让它生成清洗脚本。比如：
我有一个实验数据集，包含以下列：[列出列名和类型]。 缺失值比例：[各列缺失比例]。异常值情况：[描述]。 请写一个Python脚本完成以下清洗步骤： 1. 删除缺失比例超过30%的列 2. 对数值列用中位数填充缺失值 3. 用IQR方法识别并处理异常值 4. 输出清洗前后的对比统计其次是特征提取。工程实验数据往往需要提取频域特征、时域统计量、相关性特征等。AI可以帮你快速写出特征提取代码，而且能根据你的物理背景给出合理的特征建议。我做过一个振动信号分析的课题，AI建议提取的特征包括均方根、峰值因子、峭度、重心频率、频率方差等，这些确实是振动分析里的标准特征，省了我查资料的时间。
1.5 图表绘制：从默认样式到期刊级配图
论文配图的质量直接影响审稿人对文章的第一印象。AI在图表绘制上的价值，主要体现在帮你快速实现复杂的可视化效果，以及把图表调整到期刊要求的格式。
Matplotlib和Origin是工程科研里最常用的两个绘图工具。对于Matplotlib，AI生成代码的能力很强，你可以直接描述你想要的图——比如"画一个双y轴图，左轴是温度随时间变化，右轴是热流密度，两条线用不同线型，加图例和网格"——AI能给出可运行的代码。对于Origin，AI不能直接操作软件，但可以帮你写LabTalk脚本，或者指导你通过菜单操作实现特定效果。
我自己的经验是，把AI生成的Matplotlib代码作为起点，然后自己调整细节——字体大小、线宽、颜色、图例位置、坐标轴刻度等。这些细节AI给的默认值往往不符合期刊要求，但框架它搭得很快，省去了从零写代码的时间。
1.6 论文撰写：从结构设计到语言润色
论文写作是AI介入最深的环节，也是争议最大的环节。我的立场很明确：AI可以帮你写，但你不能让它替你思考。具体来说，AI在以下几个子环节非常有用：
- 结构设计：把研究内容和主要结论告诉AI，让它给出论文的章节结构和每节的核心要点。这个用法在写第一篇论文时特别有用，能帮你快速建立框架。
- 段落展开：你给出每段的核心论点和支撑数据，AI帮你展开成连贯的段落。注意，这里的"展开"不是让它编内容，而是让它把你已经有的信息组织成学术语言。
- 语言润色：这是最成熟也最安全的用法。把写好的段落给AI，让它检查语法、改善表达、统一术语。对于非英语母语的研究者，这个功能价值巨大。
- 审稿意见回复：把审稿意见和你的回复草稿给AI，让它帮你把回复写得更有条理、更礼貌、更有说服力。
注意：所有AI生成的文字，你都必须逐句核对，确保没有事实错误、没有编造的引用、没有与你实际研究不符的表述。学术诚信的底线是：AI是工具，你是作者，文责自负。
2. 提示词设计：决定AI输出质量的关键变量
同样是用AI，有人觉得"也就那样"，有人觉得"效率翻倍"，差距主要出在提示词上。工程科研场景对提示词的要求比日常聊天高得多，因为你需要的是精确、可复现、有专业深度的输出，而不是泛泛而谈。
2.1 角色设定：让AI进入专业模式
最简单的提升输出质量的方法，就是在提示词开头给AI设定一个明确的角色。比如"你是一名有二十年经验的传热学研究者"和"你是一个AI助手"，得到的回答深度完全不同。角色设定要具体到子领域，越具体越好。
我常用的角色设定模板是这样的：
你是一名[具体子领域]的研究者，有[X]年经验，熟悉[具体方法/工具]， 在[具体期刊]发表过相关工作。你的风格是严谨、直接、注重细节， 不回避技术难点。这个模板的关键在于最后一句——"不回避技术难点"。不加这句，AI倾向于给出笼统的、安全的回答；加了之后，它会更愿意讨论具体的参数选择、实现细节、潜在问题。
2.2 上下文注入：把背景信息给足
AI不知道你的研究背景、你的数据特点、你的目标期刊。这些信息必须你在提示词里给清楚。我见过很多人用AI效果不好，就是因为提示词只有一句话，比如"帮我写一段讨论"，AI只能瞎猜。
正确的做法是把上下文拆成几个部分：研究问题是什么、你用了什么方法、得到了什么结果、你想让AI做什么、输出格式要求是什么。这五部分给清楚，输出质量立刻上一个台阶。
2.3 分步拆解：复杂任务不要一次给
工程科研的任务往往很复杂，比如"帮我分析这个实验数据并写出结果部分"。这种任务如果一次性丢给AI，输出往往很泛。更好的做法是拆成多步：先让AI帮你理解数据结构，再让它给出分析思路，然后逐步执行分析，最后基于分析结果写文字。
每一步的输出你都可以检查、修正，然后再进入下一步。这样虽然交互轮次多了，但最终质量高得多，而且你能全程掌控方向。
2.4 输出格式约束：让结果可直接使用
AI默认的输出格式往往不适合直接用。你需要在提示词里明确格式要求，比如"用Markdown表格输出"、"代码用Python，加类型注解"、"公式用LaTeX格式"、"结果分点列出，每点不超过三句话"。格式约束越明确，你后续整理的时间越少。
我特别推荐的一个技巧是：让AI输出结构化数据（比如JSON或CSV格式），这样你可以直接用脚本处理，不用手动复制粘贴。比如让AI把文献分析结果输出成表格，每行是一篇文献，列包括方法、结论、局限性、与本研究的关系，这样你直接就能拿去做进一步分析。
2.5 迭代优化：第一版永远不是最终版
AI的输出第一版通常只有六七十分，但通过迭代可以提到八九十分。迭代的方式包括：指出具体哪里不满意、给出修改方向、提供更好的示例、要求它换一个角度重写。我自己的习惯是至少迭代两到三轮，第一轮看整体结构，第二轮改细节，第三轮润色语言。
有一个反直觉的经验：不要在一次对话里让AI改太多轮，因为上下文会越来越长，模型对早期信息的注意力会下降。更好的做法是，当一轮对话改得差不多时，把当前版本复制出来，开一个新对话，把当前版本和新的修改要求一起给它。这样每次AI都是在"干净"的上下文里工作，输出质量更稳定。
3. 工具选型：不同环节该用什么
AI工具生态变化很快，但工程科研场景下的选型逻辑相对稳定：看任务类型、看数据敏感性、看是否需要联网、看预算。下面这张表是我自己用下来觉得比较靠谱的搭配，供参考。
| 任务类型 | 推荐工具类型 | 选型理由 | 注意事项 |
|---|---|---|---|
| 文献调研与综述 | 支持长上下文的大模型 | 能一次处理几十篇摘要 | 引用必须核实 |
| 公式推导检查 | 推理能力强的模型 | 逐步推理准确率高 | 物理直觉仍需自己判断 |
| 代码生成 | 代码专用模型或通用强模型 | 语法准确、API熟悉 | 边界条件自己检查 |
| 数据处理 | 通用强模型+本地脚本 | 生成脚本后本地跑 | 数据敏感时用本地部署 |
| 图表绘制 | 通用强模型 | Matplotlib代码生成快 | 细节样式自己调 |
| 论文润色 | 语言能力强的模型 | 学术表达地道 | 事实和引用自己核对 |
| 审稿回复 | 通用强模型 | 条理清晰、语气得体 | 立场和底线自己把握 |
3.1 云端模型 vs 本地部署：数据敏感性是分水岭
工程科研经常涉及未发表的数据、企业合作项目、专利申请相关内容。这些数据能不能上传到云端模型，是一个必须严肃对待的问题。
我的原则是：公开数据、已发表内容、通用代码，可以用云端模型；未发表的核心数据、企业合作数据、专利申请材料，必须用本地部署或至少是私有化部署的模型。本地部署的门槛这几年降了很多，一台配备中高端显卡的工作站就能跑量化后的中等规模模型，虽然能力比云端旗舰模型弱一些，但处理数据清洗、代码生成、文本润色这些任务完全够用。
如果实验室或公司没有本地部署条件，至少要做到：上传前脱敏（去掉关键参数、替换敏感名称）、分段上传（不要一次性传完整数据集）、用完后及时清理对话记录。
3.2 通用模型 vs 专用工具：别用锤子拧螺丝
市面上有很多科研专用AI工具，比如文献管理工具内置的AI功能、数据分析平台的AI助手、绘图工具的AI插件等。这些工具在特定环节确实比通用模型好用，比如文献管理工具的AI能直接读取你库里的PDF并做问答，比你把摘要复制出来喂给通用模型方便得多。
但专用工具的通病是：能力边界窄、更新慢、有时过度包装。我的建议是：通用模型作为主力，专用工具作为补充。遇到通用模型搞不定的特定任务（比如直接解析PDF里的公式、直接操作某个软件的API），再去试专用工具。
3.3 多模型协作：让不同模型干不同的事
不同模型有不同特长。有的擅长推理，有的擅长代码，有的擅长长文本，有的擅长多模态。工程科研里一个实用的做法是：把任务拆开，分给最合适的模型。
比如写一篇论文，文献调研用长上下文强的模型，公式推导用推理强的模型，代码用代码专用模型，润色用语言能力强的模型。每个环节用最合适的工具，整体效率比死磕一个模型高得多。
多模型协作还有一个好处是交叉验证。同一个问题问两个不同模型，如果答案一致，可信度就高；如果不一致，说明这个问题有争议或容易出错，需要你自己深入判断。我在检查关键公式推导时经常这么做，效果很好。
4. 实操流程：一个完整的AI辅助科研案例
光讲方法不够直观，下面用一个完整的案例把前面的内容串起来。假设你要做一个"某型换热器在不同工况下的传热性能分析"的课题，从零开始到写出论文初稿，看看AI在每个环节怎么介入。
4.1 第一阶段：文献调研与问题定义
第一步是明确研究问题。你可以先跟AI对话，让它帮你梳理这个领域的研究现状和空白点。提示词可以这样：
我要研究[某型换热器]在[具体工况]下的传热性能。请帮我梳理： 1. 这个方向近五年的主要研究进展 2. 目前存在哪些争议或未解决的问题 3. 常用的研究方法和实验手段有哪些 4. 如果我要做这个课题，有哪些可能的研究切入点AI给出的回答不会完全准确，但能帮你快速建立对这个领域的整体认知，知道该去查哪些关键词、哪些期刊、哪些课题组。然后你带着这些线索去数据库做精确检索，效率比盲目搜索高得多。
检索到文献后，把摘要批量喂给AI做结构化分析，得到方法分类、趋势判断、关键文献列表。这一步的输出直接成为你论文引言部分的素材。
4.2 第二阶段：建模与仿真
研究问题明确后，进入建模阶段。假设你要建立一个一维稳态传热模型，控制方程是能量守恒方程，边界条件是对流换热。你可以让AI帮你做几件事：
第一，检查你的建模思路是否合理。把你的物理模型、假设条件、控制方程、边界条件描述给AI，让它指出可能的遗漏或不合理之处。AI有时能发现你忽略的因素，比如某个热阻没考虑、某个假设在特定工况下不成立。
第二，生成求解代码。把方程和边界条件给AI，让它生成Python或MATLAB代码。生成的代码你要逐行检查，特别是离散格式、边界条件实现、收敛判据这几处。
第三，做参数敏感性分析。让AI帮你写一个循环脚本，扫描关键参数（比如流速、入口温度、换热系数），输出性能指标的变化曲线。这个分析在论文里是加分项，AI能帮你快速实现。
4.3 第三阶段：数据处理与可视化
仿真跑完，得到一堆数据。这时候让AI帮你做几件事：写数据清洗脚本、提取关键特征、生成图表代码、做统计分析。
我特别推荐的一个做法是：让AI帮你写一个"一键出图"脚本，输入数据文件路径，自动生成论文需要的所有图表，包括温度分布云图、性能曲线、对比柱状图等。这个脚本写一次，后面改数据重跑就行，省大量时间。
图表生成后，让AI帮你检查是否符合期刊要求——分辨率、字体、线宽、颜色搭配、图例位置等。很多期刊有明确的图表规范，你可以把规范贴给AI，让它逐条检查你的图。
4.4 第四阶段：论文撰写与投稿
数据和分析都完成后，进入写作阶段。我的流程是这样的：
先让AI根据研究内容和结果，给出论文的章节结构和每节要点。然后逐节展开：引言部分基于文献调研的输出改写，方法部分基于建模过程的记录整理，结果部分基于数据分析的输出组织，讨论部分基于你对结果的解读展开。
每一节写完后，让AI做语言润色和逻辑检查。特别注意让AI检查：段落之间的过渡是否自然、论点是否有数据支撑、术语是否统一、时态是否正确。
投稿前，让AI帮你检查格式是否符合目标期刊要求，包括参考文献格式、图表格式、字数限制等。还可以让AI模拟审稿人，对你的论文提出可能的质疑，你提前准备好回复。
5. 踩过的坑与避坑经验
这部分是我最想分享的，因为很多问题只有真正用过才会遇到，常规教程里不会写。
5.1 幻觉问题：AI会编造看似合理的错误
AI最危险的地方不是它说"我不知道"，而是它自信地给出错误答案。在工程科研场景里，这表现为：编造不存在的文献引用、给出量纲不一致的公式、生成语法正确但逻辑错误的代码、引用不存在的API函数。
我的应对策略是：所有AI给出的具体事实——文献、公式、数据、API——都必须独立核实。文献去数据库查，公式自己推一遍或查手册，代码跑一遍看结果，API查官方文档。这个核实过程不能省，省了迟早出事。
5.2 上下文遗忘：长对话后期质量下降
对话轮次多了之后，AI会"忘记"前面的内容，或者对早期信息的注意力下降。这在处理复杂任务时特别明显，比如你前面定义了变量含义，后面AI生成代码时用错了。
应对方法是：关键信息在每轮对话里重复强调，或者把关键信息整理成一个"背景文档"，每次新对话都带上。另外，前面提到的"开新对话"策略也很有效——把当前成果和新的要求一起给AI，让它在新上下文里工作。
5.3 过度依赖：AI给的方案不一定最优
AI倾向于给出"标准答案"，但工程科研里很多问题没有标准答案，需要根据具体情况权衡。比如AI可能推荐某个常用的数值格式，但你的问题可能有特殊的稳定性要求，需要用另一个格式。
我的经验是：把AI的建议当作"候选方案之一"，而不是"最终答案"。特别是涉及方法选择、参数设定、方案设计这些需要判断的地方，AI的输出只是参考，最终决策必须你自己做，并且你能解释为什么这么选。
5.4 数据安全：不该传的绝对不传
这一点怎么强调都不为过。未发表的核心数据、企业合作项目的敏感信息、专利申请材料、涉及个人隐私的数据，绝对不能上传到云端AI服务。这不是技术问题，是职业操守和法律责任问题。
如果确实需要用AI处理这类数据，用本地部署的模型，或者做充分的脱敏处理。脱敏不是简单改个名字，而是要确保从数据本身无法反推出敏感信息。
5.5 学术诚信：AI是工具，你是作者
最后这一点是底线。用AI辅助科研不违规，但把AI生成的内容直接当作自己的原创成果，或者用AI编造数据、伪造引用，这是严重的学术不端。所有AI参与的部分，你都必须实质性审核、修改、负责。
我自己的做法是：AI生成的每一段文字，我都会逐句改写，确保表达是我的、逻辑是我的、判断是我的。AI帮我省的是打字和查资料的时间，不是思考的时间。思考这件事，永远得自己来。
6. 把AI变成科研搭档而不是拐杖
用AI搞工程科研，最忌讳两种极端：一种是完全不用，觉得AI不靠谱；另一种是过度依赖，什么都让AI做。前者浪费了效率提升的机会，后者迟早出问题。
比较理想的状态是：把AI当成一个知识面很广、反应很快、但需要你把关的科研搭档。它帮你处理重复性工作、快速给出候选方案、检查你可能的疏漏；你负责判断方向、做关键决策、核实所有事实、承担最终责任。
我自己的日常是：早上到工位先跟AI过一遍今天的任务清单，让它帮我梳理优先级和可能的问题；写代码时用AI生成框架再自己改；处理数据时用AI写脚本；写论文时用AI润色和检查；遇到不懂的概念或报错，先问AI再查资料。这套流程跑下来，我的科研效率大概提升了一倍多，但更重要的是，我有了更多时间去做真正需要深度思考的事——提出好问题、设计好实验、做出好判断。
工具在变，方法在变，但科研的本质没变：发现问题、解决问题、创造新知识。AI让这个过程更快、更顺，但方向感和判断力，永远是你自己的事。
