简介：把 AI 助手当“命令行问答机”用，是科研场景返工不断的根源：模型看不到项目文件与研究规则，只能靠猜作答。本文拆解问题根因，并给出一套可落地方案——标准化目录结构、可执行的项目级规则文件、研究问题档案与核查闭环，帮助你把 AI 从“临时实习生”变成稳定产出的研究协作者，显著降低返工与事实性错误。
这样的场景许多研究者都不陌生：今天问 AI 综述该怎么搭框架，明天贴一段数据问怎么分析，后天再让它润色摘要。单看每一轮，它都能给出像模像样的回答；但几轮对话之后，几个规律性问题就会浮现出来。
第一，背景丢失。 它不记得你的研究问题、方法路线与写作规范，每一轮都要你从头交代一遍；而散落在历史聊天记录里的零散信息，它也未必能准确调用。
第二，产出空泛。 给出的建议四平八稳、放之四海而皆准，却没有一句话能直接落到你的稿子里。你让它提综述结构，它给的是教科书式目录；你让它分析数据，它讲的是方法论通识。
第三，责任错位。 最后的产出你仍然要大改，AI 的贡献更像“提供了些许灵感”，而不是“完成了一项工作”。
一句话概括：它表现得像一个临时被拉进项目群的实习生——每次都要重新交代背景，交付的东西总差一口气。多数人的第一反应是“模型还不够聪明，等下一代就好了”。这个判断，恰恰把问题的方向看反了。
把 AI 助手当成“命令行版聊天机器人”来用，是科研场景里最典型的翻车姿势：开一个对话框，想到什么问什么，文献、数据、草稿全部散落在聊天记录里。这种用法下，模型手头根本没有“现场”——它看不到你的项目文件，不知道研究背景，也不清楚你希望它遵守什么规则。
没有现场，AI 只能靠两条路径作答：一是从训练语料的通用知识中检索“平均答案”，二是从当前对话窗口里抓取只言片语。前者导致产出假大空，后者导致对话一长就前后矛盾，甚至编造出格式规范、实则不存在的文献引用。
而如今具备项目文件读写能力的智能编程工具，本来可以做得更多：它可以读取工作目录下的材料，可以遵循你写下的规则文件，还可以回溯核查自己产出的内容。问题不在能力，而在于你没有把这些能力组织起来。
这背后是一条朴素的工程常识：再强的执行者，没有规范的信息输入和明确的工作约定，产出质量就无法稳定。人类团队靠入职手册、项目文档和评审流程解决这件事；与 AI 协作，对应的解法是一套三件组合拳——工作区结构、规则文件、核查闭环。
具体而言，包含三个环环相扣的步骤：
下面逐步展开。
结构不需要复杂，重点在于“固定位置”四个字：
my-research/├── RULES.md # 规则文件:定义 AI 的行为约束├── research-question.md # 研究问题档案:记录问题与进展├── literature/ # 文献笔记├── data/ # 原始数据与分析材料├── drafts/ # 论文与报告草稿└── outputs/ # 最终交付物
文献笔记放 literature/，草稿放 drafts/，原始数据放 data/——位置固定的价值在于：当你对 AI 说“基于我的文献笔记提结构”时，它有明确的检索范围，而不是在对话历史里打捞。
如果懒得手动创建，直接在选定工作目录后发送这样一段指令：
请在当前工作目录下创建一套学术研究用的目录结构:- literature/ 存放文献笔记;- data/ 存放原始数据与分析材料;- drafts/ 存放论文和报告草稿;- outputs/ 存放最终交付物。另外创建 research-question.md,用于记录研究问题与进展。要求:只创建空目录和空文件,不写入任何内容。完成后,请逐项说明每个目录的用途,以及你对后续协作方式的理解。
注意最后一句并非客套。让 AI 复述任务理解，是一个成本极低的校验手段：如果它对结构的理解有偏差，你在第一分钟就能纠偏，而不是等到第十轮对话才发现文献放错了地方。
多数支持项目级配置的智能编程工具，会在任务启动时自动读取项目根目录下的规则文件（不同工具对文件名的约定不同，本文以 RULES.md 为例）。你可以把它理解成给 AI 制定的“员工守则”。
写这份文件最常见的失败方式，是把它写成口号，比如“请认真、严谨地协助我完成研究”。这类表述对模型几乎没有约束力——因为它不描述任何可执行、可验证的行为。
有效的规则必须具体到动作层面。一份合格的研究协作规则文件，至少应覆盖六类信息：
给出一份可直接改写使用的模板：
# 研究协作规则## 角色与边界- 你是本项目的学术研究协作者,不是通用问答助手。- 涉及研究内容的问题,优先基于本目录下的材料作答。## 信息获取规则- 回答前,先读取 research-question.md,确认研究问题与当前进展。- 涉及文献的问题,必须先读取 literature/ 下对应笔记。- 涉及数据的问题,必须先查看 data/ 下的数据说明,不得凭空推断数据口径。## 产出规范- 文献引用一律使用 [编号] 格式,编号与 literature/ 中的笔记一一对应。- 无法对应到具体笔记的论断,必须显式标注"待核实"。- 摘要控制在 250 字以内,结构为:背景-问题-方法-结果-结论。## 交互规则- 涉及研究方向选择时,先给出 2-3 个备选方案及依据,经确认后再展开。- 材料不足以支撑结论时,直接说明缺什么,不要硬答。## 禁区- 严禁编造文献、数据或不存在的结论。- 未经明确要求,不得修改 data/ 下的任何原始数据文件。- 不得删除或覆盖 drafts/ 下的历史版本,新版本需另存。## 默认工作流- 接到新任务:读 research-question.md → 定位相关材料 →提出执行计划 → 确认后执行 → 产出写入指定目录。
这些条目的共同点是：每一条都指向一个可观察的动作（读哪个文件、用什么格式、何时停下来问你），而不是一种态度（认真、严谨）。这正是“有约束力的规则”与“口号”的分水岭。
目录里的 research-question.md 值得单独强调，它是整个工作区的锚点。建议固定维护五项内容：研究问题的一句话陈述、当前假设、方法路线、已完成与未完成事项、关键决策及其理由。
有了它，再配合规则文件中的默认工作流，可以形成一个进出闭环：任何新任务开始前，AI 先读档案对齐状态；任务结束后，将关键进展写回档案（或给出应写入的内容建议）。“背景丢失”这个老大难问题，就此从机制层面被解决，而不是靠你在对话里反复补课。
“现场”建好之后，原先那三类高频需求的用法会发生本质变化。
工作流一：搭综述结构。 旧做法是空对空地问“某领域综述怎么写”，得到一个通用模板。新做法是让 AI 先读取 literature/ 下的全部笔记，基于你实际收集的文献做主题聚类，提出按主题、按方法、按时间线等若干种组织方案，并说明每种方案各自适合的研究问题；待你选定后，再细化到二级标题，且每个小节标注需要哪些文献支撑。
工作流二：数据分析。 旧做法是把一段数据贴进对话框让它猜。新做法是让 AI 先读 data/ 中的数据说明和档案中的研究假设，再产出分析方法清单，逐项说明每种方法能回答什么问题、需要满足什么前提；你确认后再生成具体分析步骤，并要求它逐条核对数据口径与样本范围是否一致。
工作流三：修改摘要。 旧做法是贴摘要加一句“帮我改好一点”，结果往往是丢信息或加空话。新做法是按规则文件中约定的结构与字数，让 AI 对照 research-question.md 中记录的结论，逐句指出“哪句缺少结果数据、哪句可能与方法部分不一致”，并给出修改稿附修改理由清单，由你最终定稿。
三个工作流的共同变化在于：从“让 AI 凭空输出”，变成“让 AI 基于现场材料工作，并在关键节点留下可核查的依据”。
规则文件解决“怎么做”，核查闭环解决“做得对不对”。两个低成本的做法：
drafts/ 的版本变化与档案中的进展记录，生成一页项目状态简报。这既帮你掌握全局，也相当于对整个工作区做了一次一致性检查。research-question.md 三个月没更新，“现场”就退化成了“遗址”，AI 读到的全是过期状态。AI 在科研中的价值，不取决于某一次对话的惊艳程度，而取决于你是否把它纳入一个有结构、有规则、有反馈的工作系统。目录结构给它“现场”，规则文件给它“纪律”，档案与核查给它“记忆”和“责任”。先立规矩，再谈协作——做到这一步，你会发现自己面对的不再是那个需要反复交代的临时实习生，而是一个可以长期共事的研究协作者。