人工智能助手如何助力学术研究？

不少人觉得AI功能强大，却不清楚具体能用在何处。

制作表格、设计演示文稿、采集数据或完成翻译，这些操作都相对容易。

真正的问题在于，如何利用它辅助研究工作？

我认为这是一个关键难题。

困难之处在于，难以有条理地分解自己的工作步骤。

同时，也很难清楚地向AI说明自己的需求。

现在，我们来梳理一下，AI智能体（例如Codex、Claude Code、Workbuddy、Kimi Code）究竟能执行哪些任务。

了解它能做什么，就等于成功了一半。

接下来只需将自己的任务对应归类即可。

以下每项内容，我都亲自验证过。

我目前的策略，是把这些方法组合起来，让它连续运作。最近完成的一个新任务，让它不间断运行了18小时56分钟，正是将这些任务串联起来执行。

总体而言，我视其为指导的博士生来引导。

只需提供一个主题，AI就能检索网页、论文、数据库和公开资源，无需人工逐页浏览。

它不会局限于单一关键词。发现新的人名、书名或术语后，它会继续调整搜索方向，拓宽检索范围。

若某个网页无法访问，它还能转向查询出版社网站、大学资料库、作者主页或其他数据库，不会轻易将“暂时无法获取”判定为“资料缺失”。

有时网络仅能获取论文标题或摘要。

AI可依据作者、标题、DOI、出版社和研究机构进一步搜寻全文。

更重要的是，它能辨别几种不同情形：仅见到书目信息、只阅读了摘要，还是已经实际浏览了全文。

这一点至关重要。许多不可靠的回复，正是将摘要中的片段，误解为整篇论文的结论。

面对数十页甚至上百页的论文，AI能提取文字，定位页码，找出关键段落，并整理成阅读笔记。

它不仅能概括文章主旨，还能指明某个论断具体出自哪一页、哪一段。

若PDF为扫描文件，它还可启用OCR，将图像转化为文字。

然而，OCR结果不能直接视为原文。特别是古籍、外文和复杂排版，人名、术语和异体字仍需根据语境校正。

AI可在本地数据库或大型文献库中，运用多组关键词反复检索。

它不仅能找到相关词汇，还能将上下文、出处、位置和文献名称一并保存。

检索结果还可进一步整理成表格、网页、JSON文件或SQLite数据库，便于后续统计和核查。

AI能对比两部文本的字数、词频、关键词、句式和段落结构，也能识别增删、改写和相似表述。

但真正有价值之处，不止于找出“相同之处”。

它还能继续判断：相似的是语言、情节，还是更深层的思维框架。

面对不同学者的争议，它也能分别梳理每人使用了哪些材料、提出了何种观点，以及证据是否充足。

这样就不易将原典、译本、论文、摘要和转引材料混淆。

阅读一篇重要论文后，AI可继续查验它引用了哪些书籍和文章。

它还能判断哪些资料值得进一步探寻，哪些仅为重复性引用。

有时所谓的“新发现”，实则早已存在于旧项目或旧论文中，只是换了表述。AI可沿参考文献回溯，协助识别此类情况。

不同网站可能存储同一篇论文，不同文件名也可能对应同一PDF。

AI可比较文件内容、页数和哈希值，找出重复文件。

这样可避免重复下载、重复登记和重复阅读。

它也能建立资料索引，记录哪些内容已核对，哪些仍缺全文，哪些观点尚未确认。

面对大量杂乱材料，AI可按人物、时代、文本、事件、主题和材料类型进行分类。

例如，可区分原典、现代研究、图像材料、仪式材料、接受史材料和反向案例。

不过，它并非机械地套用现有标签。

当旧分类不够精确时，它还能检查分类标准本身的缺陷，并提出新的划分方式。

AI不仅寻找支持原有观点的材料。

若任务设定恰当，它也能主动搜寻反例，检验原先的判断是否过于绝对。

例如，起初认为某种现象仅出现在特定时代或地区，后来发现更早或更远的材料，AI就需回溯原始证据，重新调整分类和结论。

因此，它更适宜被视为研究伙伴，而非仅用于证实我们正确的工具。

现今许多AI是多模态模型，能同时解读文字和图像。

它能辨识图像中的文字、版面、构图、人物和物体，也能比较不同图像间的相似性。

这意味着它不仅可用于文献研究，也能参与艺术史、考古图像、碑刻、写本和视觉文化研究。

当然，图像判断同样需要原始