科研写作别共用提示词：文理分开的模板-知了AI

为什么 AI 科研写作注定要文理分家

过去几年，几乎所有关于「用 AI 写论文」的教程都在做同一件事：给你一条万能提示词，让你把题目、材料、要求塞进去，期待出来一篇像模像样的稿子。这类教程的失败率高得惊人，原因不在提示词写得不够长，而在一个更前置的假设上——它假设科研写作是一种可以被统一建模的技能。事实恰恰相反：科研写作不是一种写作，而是两种写作。一次化学实验的叙事逻辑，和一次文本细读的叙事逻辑，几乎没有一个环节可以互换。你把两者塞进同一条提示词，得到的不是折中，而是两头都不像的东西：理工科读者觉得它虚，文科读者觉得它空。

这篇教程要讲的，是把科研写作拆成「三个环节 × 两种学科」的六套提示词。它们不是把同一条提示词改几个词，而是从证据观、论证观、规范观三个层面重新设计。如果你正在写毕业论文、投期刊、准备开题，或者帮学生改稿，这套东西可以直接抄走用。

科研写作的一条提示词，是怎么失败的

先看一个大多数人都踩过的坑。有人写了一条提示词：「你是学术写作专家，请帮我写一篇关于 XX 的论文，要求学术性强、逻辑严谨、引用规范。」这句话听起来很专业，实际上什么约束都没有。「学术性强」对模型来说，约等于「多用术语、多用被动句、多分段」；「引用规范」对模型来说，约等于「在句末加一个看起来像文献的括号」。结果你拿到一篇句式漂亮、术语密集、引用全是编造的东西。

更麻烦的是，它还分不清自己是文还是理。你让它写「数字化转型对制造业的影响」，它可能给你一段带假设、带变量、带回归系数的文字，也可能给你一段讨论福柯式规训话语的文字，完全取决于它随机抓到了哪一类训练语料。这种漂移在单条提示词里无法修正，因为你根本没有告诉它你要的是哪一种证据。

科研写作分家的核心不是语言，而是证据观

很多人以为文科和理工科的差别是「一个写得感性、一个写得理性」。这是外行看法。真正的差别在于：什么算作证据，以及证据如何支撑结论。

理工科的证据是可复现的测量。你说某催化剂在 300℃ 下转化率达到 92%，这个数字必须能由别人在你描述的条件下重跑出来。证据的说服力来自可重复性，所以方法部分写得越细越好，细到别人能照着做。文科的证据是可解释的文本与事实。你说某部小说反映了晚明的身份焦虑，你的证据是具体的段落、具体的史料、具体的理论框架，说服力来自解释的贴切度与文本细读的密度，而不是重复实验。这里没有「重跑一次」这回事，只有「换一个人读，是否也读得出这层意思」。

这个差别一旦确立，后面的所有环节——选题怎么找、综述怎么组织、正文怎么写、引用怎么标——就全部是它的推论。所以科研写作的提示词设计，第一步不是想「我要写什么」，而是想「我这一行，什么算数」。

这篇科研写作教程适合谁

适合：正在写学位论文的研究生、准备投稿的青年教师、需要给学生改稿的导师、以及做课题申报的科研人员。不适合：想要 AI 直接代写整篇论文的人——本文的核心立场恰恰相反，AI 在科研写作里的正确位置是结构顾问、归类助手、语言打磨工，而不是文献生产者。

科研写作的文理差异到底差在哪些维度

要分开写提示词，先得把差异列成可以对照的条目。下面这张表是本教程的地基，后面六套模板的每一条约束，都能在这张表里找到出处。建议你在设计自己的提示词时，先把这张表填一遍，看看你的学科落在哪一格。

维度	理工科	文科
证据类型	实验数据、可复现结果、量化指标	文本、史料、案例、理论对话
论证方式	假设 → 验证 → 结论	概念辨析 → 文本细读 → 阐释
综述写法	按方法/指标归类，强调可比性	按流派/议题归类，强调观点差异
引用规范	数字编号、图表为主	脚注、直接引语为主
AI 最危险的错误	编造数据、编造实验结果、虚构 DOI	编造文献、曲解原意、张冠李戴
方法部分的要求	可复现，别人能照着做	材料来源可核查，选材理由充分
结论的形态	有边界条件的定量结论	有分寸的阐释性判断
常见写作病	数据堆砌、讨论与结果脱节	概念含混、结论先行、材料注水

科研写作里原料的质量决定产出

你给 DeepSeek 的材料，必须匹配它要处理的证据类型。理工科需要的是：实验条件表、原始数据、统计结果、图表草稿、代码片段。文科需要的是：原文段落、史料摘录、已有研究的核心观点、理论概念的定义原文。如果你给一个文科写作任务只丢了一段简介，它唯一能做的事就是编——因为它手里除了常识什么都没有。

这也是为什么很多「AI 写不出好论文」的抱怨，本质是投喂不足。你给它的证据颗粒度，决定了它输出的可信度。给理工科一张汇总表，它只能写综述；给它逐次实验的原始记录，它才能写方法；给文科一句「某某认为……」，它只能复述；给它那段原文，它才能细读。

科研写作的论证方式决定提示词结构

理工科的论证是一个漏斗：从宽泛的问题收窄到具体假设，再到方法、结果、解释。提示词必须体现这个漏斗，要求它每一步都交代「上一步的什么结论，推导出这一步的什么动作」。

文科的论证是一个螺旋：从概念的歧义出发，经由文本、史料、案例层层推进，最后收在一个更精确的判断上。它不能是直线，因为直线意味着结论早在开始时就已确定。提示词必须体现这个螺旋，要求它「先说这个问题为什么有争议，再说你想怎么处理这个争议」。

一个很实用的自查方法：写完初稿后，看第一段。如果第一段就给出了全文结论，那么这篇文章大概率是文科写法却用了理工科结构，或者反过来——两种情况都是病。

科研写作的格式规范该写成硬约束

格式约束是最容易被忽略、也最容易让 AI 暴露的地方。理工科论文的图表有严格编号规则（图 1、表 1），正文必须以「如图 1 所示」与图表呼应，参考文献用数字编号并按出现顺序排列。文科论文脚注频繁，直接引语要标页码，转引要注明「转引自」。

在提示词里，这些都必须写死。否则模型会给你一个「混合体」：用了编号引用，却配了脚注式的行文；或者在讨论部分引用了一个正文里从未出现过的图。这类低级错误，审稿人一眼就能看出来。

科研写作中 AI 最危险的错误，两边完全不同

理工科最要命的是编造数据：一个看起来合理的 R²、一个精确到小数点的转化率、一个格式完全正确但根本不存在的 DOI。这些错误极具迷惑性，因为数字的「像」会让人放松警惕。

文科最要命的是编造文献与曲解原意：作者名、书名、出版社、年份全部对得上格式，但整条文献不存在；或者文献存在，观点被压缩成一句失真的转述。后者更隐蔽，因为引用了真文献，看起来毫无破绽。

所以防编造的策略也必须分家：理工科要卡「数字必须有出处」，文科要卡「观点必须有原文」。这一点后面单独用一整节来讲。

科研写作的选题生成：两种学科找两种缺口

选题是科研写作的第一道关，也是 AI 最容易帮倒忙的地方。大多数人让 AI 想选题，得到的是一串「XX 视角下的 XX 研究」之类的标题，看着像那么回事，实际上每一个都站不住。原因很简单：AI 不知道你这个领域现在缺什么，它只知道这个领域里出现了什么词。

正确的用法不是让 AI 替你「发明」选题，而是让它替你搭一个缺口地图，然后你自己拿着这张地图去文献库里验证。所以选题环节的提示词，关键不在「给我 10 个选题」，而在「用什么样的三角去扫描缺口」。

理工科科研写作：方法-数据-问题三角

理工科的选题缺口，几乎总能落在一个三角里：已有方法、已有数据、尚未解决的问题。缺口的产生方式有三种：有新数据但旧方法处理不了；有新方法但还没人用在某类问题上；有明确问题但现有方法在某个条件下失效。

所以理工科的选题提示词，必须要求它输出三件事：这个选题涉及哪一类方法、需要什么数据、这个数据你能不能拿到。第三点是最容易被忽略、也是最能筛掉伪选题的一条。一个「用深度学习预测某地区地下水污染扩散」的选题，如果该地区的监测井数据根本不公开，这个选题在开题阶段就该被毙掉，而不是写到第四章才发现。

提示词模板一：理工科选题生成

你是我的科研选题助手。我的学科是 [具体方向，例如：环境催化 / 增材制造 / 图神经网络]。

【我的条件】
- 可用数据：[列出你实际能拿到的数据集、设备、样品、公开数据库]
- 可用方法/平台：[实验室现有仪器、算力、合作方资源]
- 时间窗口：[例如：14 个月内完成]
- 我已有的积累：[读过哪些方向、做过什么]

请按「方法-数据-问题」三角为我扫描选题缺口，输出 4 个候选选题，每个候选必须包含：

1. 三角定位：用一句话说清这个选题落在哪两条边的交叉处
   （是「新数据 + 旧方法失效」/「新方法 + 旧问题」/「明确问题 + 现有方法在何种条件下失效」）
2. 需要什么数据：列出所需数据类型、规模、精度要求
3. 数据可得性判断：基于我上面列出的条件，直接标注「已具备 / 可获取但需成本 / 大概率拿不到」，
   并说明若拿不到，是否有替代方案
4. 最小可行版本：如果资源只够做一半，可以砍掉哪部分，剩下什么仍然成立
5. 最可能的反驳：这个问题最可能被审稿人质疑的地方是什么，我的回应是什么
6. 一句话风险提示：这个选题最大的失败风险

最后按「可行性 × 新意」排序，并明确说出哪一个的数据条件最差、不建议作为首选。

注意：不要给我「XX 研究综述」这类泛泛的题目，不要用「基于 XX 的 XX」这种套话。如果某个选题的数据在我的条件下拿不到，请直接说，不要用「可以通过公开数据获取」一笔带过。

科研写作选题为什么要强制写「数据可得性」

因为这是选题环节唯一一个 AI 无法替你判断、却又是决定生死的东西。模型对「某数据集是否公开」的了解往往过时甚至是编的，所以提示词里要逼它基于你给的条件做判断，而不是基于它的记忆。你给的条件越具体（实验室有什么仪器、能接触什么人群、有多少经费），它的判断越有参考价值。

科研写作选题还有一个细节：要求输出「最小可行版本」。这一条在理工科特别有用，因为研究生的选题最常见的死法是「胃口太大」，一年的课题设计了五年的工作量。让 AI 先帮你砍一遍，你再决定砍多少，比写到中期才发现做不完强得多。

一个被验证有效的追问话术

科研写作选题拿到 4 个候选之后，不要直接选，追加一句：「假设这 4 个选题全部失败，请分别写出最可能的失败经过，按可能性排序。」这是我在改学生开题报告时最常用的一招。大多数人写开题只写「预期成果」，不写「失败路径」，而失败路径恰恰是导师和评审最关心的。

文科科研写作：概念争议-文本空白-现实关切三角

文科的缺口不在数据和方法的交叉，而在概念争议、文本空白、现实关切这三者的交点上。概念争议是指某个核心概念在学界还没吵完；文本空白是指某类材料、某种文本、某个时段还没人系统研究过；现实关切是指当下社会出现了新现象，旧理论解释不了。

三者中任意两者的重合，都可能是一个切口。但文科选题最容易犯的错是「只有现实关切」——看到一个热点，就写一篇「XX 现象的文化解读」，结果既没有理论对话，也没有材料支撑。所以文科的选题提示词，必须强制要求它说明这个选题跟已有研究的对话关系。

提示词模板二：文科选题生成

你是我的科研选题助手。我的学科是 [例如：中国近现代文学 / 社会学 / 法学理论]。
我目前掌握的材料是：[列出你读过的核心文献、能接触的一手材料、感兴趣的现象]

请按「概念争议-文本空白-现实关切」三角为我找切口，输出 4 个候选选题，每个候选必须包含：

1. 三角定位：这个选题占住了哪两个角？
   （例如：某个概念在学界存在 A、B 两种理解的分歧 + 某类材料尚未被系统处理）
2. 对话关系：这个选题是在跟谁对话？
   - 它挑战了哪个已有判断？
   - 它补充了哪个研究的空白？
   - 它把哪个理论用到了新对象上？
   请用「A 认为……，本文认为……」的句式写出这个对话关系
3. 材料支撑：这个选题至少需要哪三类材料？我上面列的材料够不够？
   （如果不够，明确说出还缺什么，不要说「可进一步搜集」）
4. 概念风险：这个选题里的核心概念，最容易被误用或含混的地方是什么？
5. 最可能的反驳：最可能被质疑的是「材料不足」「理论套用」还是「问题不成立」？
   请选一个，并给出你的回应思路
6. 一句话判断：这个选题是「真问题」还是「伪问题」，理由

最后告诉我：这 4 个选题里，哪一个的对话关系最清晰、最不容易写成综述式空谈。

注意：不要给我「XX 视域下的 XX」这类套话标题；不要假设我已经读过某本书；
如果我的材料不足以支撑某个选题，请直接指出来。

科研写作里「对话关系」为什么是文科选题的命门

文科论文的本质是一场学术对话。你不是在陈述一个事实，而是在对一个已有的判断提出补充、修正或反驳。如果一篇文章说不出「我在跟谁争、争什么」，那它就不是论文，是随笔。

把这一条写成科研写作提示词的硬性输出项，效果非常明显：AI 会开始用「某研究认为 X，但忽略了 Y」的句式组织内容，而不是泛泛地说「该领域研究较少」。注意，「研究较少」这个说法是最典型的伪缺口——研究少不等于值得研究。

如何判断 AI 给的对话关系是真是假

技巧：看它有没有点出具体的分歧点。真的对话关系长这样：「关于晚明小品文的社会功能，一种看法强调其作为士人身份区隔的符号，另一种看法强调其商业出版带来的公共性，本文认为两者并不矛盾，而是分别对应了刻本与抄本两种传播路径。」假的长这样：「现有研究多集中于文本分析，较少关注社会语境，本文拟从社会语境切入。」后者没有任何具体对象，换任何题目都能用。

科研写作选题的硬要求：可行性判断与最可能的反驳

不管你做的是文科还是理工科科研写作，上面两套模板都保留了两个共同项：可行性判断和最可能的反驳。这两项不是锦上添花，它们是选题环节唯一的「刹车」。

AI 的天性是乐观。你让它想选题，它会给你一堆听起来很有想法、实际上做不出来的东西。所以提示词必须强制它输出刹车信号。可行性判断逼它面对资源约束，最可能的反驳逼它面对审稿人的视角。这两条一加，选题的质量会立刻分化：能同时通过这两关的，才是能开题的。

环节	理工科提示词核心	文科提示词核心	共同硬约束
选题生成	方法-数据-问题三角；数据可得性判断	概念争议-文本空白-现实关切三角；对话关系陈述	可行性判断 + 最可能的反驳
文献综述	按方法族/数据集/指标三条线归类；输出对比表	按理论立场分组；输出「谁在跟谁争什么」	禁止生成具体文献条目
正文写作	IMRaD；方法部分可复现	问题意识先行；避免结论先行	禁止编造硬约束

文献综述：AI 最不该碰的环节，也是最该用的环节

这是整篇教程里立场最鲜明的一节：文献综述，是 AI 最容易出事的地方，也是它最有价值的地方。这两个判断并不矛盾——出事的用法是让它「找文献」，有价值的用法是让它「组织文献」。一字之差，天壤之别。

科研写作里为什么会出事？因为模型的训练方式决定了它生成的是「看起来像文献的东西」而不是「真实存在的文献」。它知道学术引用的格式长什么样，于是就能生成格式完美的假引用。你让它列 20 篇参考文献，它一定能列满 20 篇，其中可能有 12 篇根本不存在，8 篇存在但观点被扭曲。

科研写作先立规矩：AI 不得生成文献条目

在写任何综述提示词之前，先把这条规矩立死，并且写进提示词的第一段：「你不得生成任何具体的文献条目，包括作者名、年份、期刊名、DOI。所有文献由我提供。」

这条规矩要多强硬都不为过。因为它一旦松动，后面所有的努力都白费。模型很聪明，你只要给它留一个缝，比如「可以举一些典型例子」，它就会开始编。

那么 AI 在科研写作的综述环节，正确定位是什么？三件事：给你归类（这些文献可以怎么分组）、帮你对比（这些研究在哪些维度上可以比较）、指出分歧（谁和谁的观点冲突、冲突在哪）。这三件事的前提都是「文献已经在你手里」。

科研写作综述的一个可操作投喂流程

你自己先读：读 15-30 篇核心文献，每篇提取 3-5 条要点（研究问题、方法/材料、核心结论、局限）。
整理成清单：作者 + 年份 + 一句话观点 + 方法/材料 + 你认为的局限。
投喂给 AI：把清单贴进去，让它做归类、对比、找分歧。
核对：AI 说「A 和 B 在 X 上存在分歧」，你去翻原文，确认这个分歧是否真的存在。
写作：你根据 AI 给出的结构自己写，或者让它按结构起草，你再逐句核实。

这个流程里，AI 从来没有「生成」过一条文献，它只是在处理你给的材料。这就是安全区。

理工科科研写作综述：按方法族、数据集、评价指标三条线

理工科的综述，本质是一张可比性地图。读者看综述，最想知道的不是「这个领域有哪些研究」，而是「这些研究在什么条件下可以互相比较，谁的结论更可靠」。所以理工科综述的组织逻辑，不是按时间，也不是按作者，而是按方法族、数据集、评价指标三条线切分。

方法族：同一类技术路线归一组（比如「基于卷积网络的分割方法」「基于 Transformer 的分割方法」）。数据集：用了哪些基准数据集，规模多大，标注质量如何。评价指标：用了哪些指标，是否存在指标不一致导致结论不可比的情况。

第三条线是最容易被忽略、也是最能体现功力的。很多论文报告的 mIoU 高，是因为在容易的数据集上评测，一旦换到难的数据集就掉下来。综述如果能指出这类「指标不可比」的问题，立刻就比一般综述高一个层次。

提示词模板三：理工科文献综述

你是我的文献综述助手。我提供的文献清单见下方，请严格基于清单内容工作。

【最高优先级规则】
你不得生成、补全、推测任何不在我清单中的文献。不得写作者名、年份、期刊名、DOI。
如果你觉得需要补充某类文献，只能说「需要补充 X 类文献」，不得举具体例子。

【我的文献清单】
1. [作者 年份] 研究问题：…… / 方法：…… / 数据：…… / 主要结论：…… / 局限：……
2. ……
（依此类推，15-30 条）

【任务】请按以下三条线对这批文献做归类与对比：

一、方法族划分
- 把这些文献按技术路线分成 3-5 个方法族，命名要具体（不要用「传统方法/深度方法」这种粗分）
- 说明每个方法族的共同假设，以及它在什么条件下失效

二、数据集与评测条件对比
- 列出这些研究分别用了什么数据集、规模、是否公开
- 指出：哪些结论是在不同数据集上得到的，因此不可直接比较

三、评价指标一致性
- 这些研究用了哪些指标？是否存在同名指标定义不同的情况？
- 指出哪些「性能提升」的结论可能是评测条件差异造成的，而非方法本身的优势

四、输出一张对比表，列为：
  方法族 | 代表研究（仅限清单内序号） | 数据条件 | 评价指标 | 主要局限 | 与其他组的可比性

五、最后列出：
- 共识：这批文献在哪些点上高度一致
- 分歧：在哪些点上结论相反，可能的原因是什么
- 空白：三条线交叉后，哪一格是空的（这是你的研究可以放进去的位置）

所有结论请标注来自清单中的哪几条（用序号标注）。凡是清单中没有依据的判断，请标注「待补」。

科研写作综述里对比表该怎么读

这张对比表是科研写作综述的骨架。写作时，你不需要把表里的内容全部复述一遍，而是要用表来支撑论断。比如：「在语义分割任务中，基于 Transformer 的方法在 ADE20K 上普遍优于卷积方法，但这一优势在 Cityscapes 上并不稳定（1、4、7），提示其优势可能与数据规模而非架构本身有关。」这句话背后，就是表里的三行数据。

注意「与其他组的可比性」这一列。这一列的训练价值极高，它逼你和 AI 一起思考「这两组研究到底能不能放在一起比」。大多数新手综述的毛病，就是把不可比的研究放在一起下结论。

文科科研写作：按理论立场分组，说清争什么

文科综述的组织逻辑完全不同。它不追求可比性，而追求观点差异的画廊。同一份材料，不同理论立场的人读出来的东西截然不同，综述的任务是把这个差异呈现出来，并且说清楚差异的根源在哪。

所以文科综述的核心句式不是「A 方法在 X 指标上优于 B 方法」，而是「A 认为……，B 认为……，二者的分歧源于对某某概念的不同理解」。你要让读者看完综述之后，清楚地知道这个领域有几派、各派的核心主张是什么、争到哪里了、还差什么没争完。

提示词模板四：文科文献综述

你是我的文献综述助手。我提供的文献清单见下方，请严格基于清单内容工作。

【最高优先级规则】
你不得生成、补全、推测任何不在我清单中的文献，不得写作者名、书名、年份、出版社、页码。
如果我提供的材料不足以支撑某个判断，请标注「待补」，不要自己圆过去。

【我的文献清单】
1. [作者 年份] 核心主张：…… / 依据的材料：…… / 使用的理论框架：…… / 我读到的局限：……
2. ……
（15-30 条）

【任务】请按以下步骤处理：

一、理论立场分组
- 按核心理论立场把这批研究分成 3-5 组，每组给一个准确的命名（用学界的通行说法，不要自造词）
- 每组说明：这一派的核心预设是什么？它倾向于把什么问题当作真问题？

二、画出争论地图
用下面的句式逐条写出主要争论：
「关于【某议题】，A 派认为……；B 派认为……；两派的分歧不在事实层面，而在【概念/方法/价值预设】层面。」
每条争论请标注涉及清单中的哪几条。

三、指出争论的边界
- 哪些争论已经基本达成共识？
- 哪些争论表面上在争 A，实际上在争 B？
- 哪些问题被两派共同忽略了？（这往往是新研究的入口）

四、材料支撑检查
- 我清单里的材料，哪一派的支撑最弱？如果要在综述里写这一派，我还需要补什么类型的材料？

五、最后给我一个综述的三段式提纲草稿：
   第一段：这个议题为什么值得重新讨论
   第二段：已有研究分成几派，各自的主张与盲点
   第三段：本文站在什么位置，要推进哪一条争论

注意：不要把综述写成「某某研究了……某某也研究了……」的流水账。
如果某个观点在我提供的材料里找不到直接依据，标注「待补」，不要用「学界普遍认为」搪塞。

科研写作里「争论地图」比「研究现状」有用在哪

大多数文科综述写成了「研究现状罗列」：第一段说国内研究，第二段说国外研究，第三段说不足。这种写法的问题是，读者读完之后不知道这个领域到底在争什么。

「争论地图」的做法是反过来：先找争论，再把文献挂到争论上。一篇文献如果挂不到任何争论上，说明它对你的研究没有用，可以删掉。这个筛选标准非常锋利，能立刻帮你砍掉一半不相关的文献。

第三小项「哪些争论表面上在争 A，实际上在争 B」是这套提示词里最有价值的一条。学术争论里大量存在这种情况：两派吵得火热，其实各自预设了不同的概念定义，根本没在同一个频道上。能识别出这一点，你的综述就有了洞察力。

科研写作的一个反常识判断：张力比数量重要

很多人认为文献综述要「全面」，读得越多越好。但我在改稿时发现，综述的质量与文献数量关系不大，与文献之间的张力关系极大。十篇互相打架的文献，比五十篇互相附和的文献更能支撑一篇好综述。所以你在投喂材料时，优先选那些观点彼此冲突的，而不是那些被引用最多的。

两种学科共同的规则：科研写作不生成条目只给结构

再强调一次这条铁律，因为它值得单独占一个标题。不管文理，AI 在综述环节的角色都是结构工程师，不是文献供应商。它给你的应该是：怎么分组、怎么对比、怎么找分歧、提纲怎么搭。它不该给你的是：具体的作者、年份、期刊、书名。

你可能会问：那我想快速了解一个陌生领域，怎么办？答案是：用 AI 生成检索策略，而不是检索结果。你可以问它「研究这个议题，应该去哪些数据库、用什么关键词组合、关注哪些经典理论」，然后自己去检索。它给的检索词可能不精准，但至少不会让你拿着一堆假文献去投稿。

科研写作的正文：一个漏斗，一个螺旋

到了正文，文理的分野更加明显。理工科正文是一个漏斗：从宽泛的问题逐步收窄，每一个环节都建立在上一个环节的结论之上。文科正文是一个螺旋：从概念的歧义出发，经由材料反复推进，最后收在一个更精确的判断上。这两种结构对应两套提示词。

理工科科研写作：IMRaD 与「可复现」硬标准

IMRaD 是理工科论文的标准结构：Introduction（引言）、Methods（方法）、Results（结果）、Discussion（讨论）。这个结构本身不新鲜，但提示词的关键在于每个部分的具体约束。

引言要回答：这个领域已经知道什么、还不知道什么、本文要补哪个口子。方法要回答：别人能不能照着做。结果要回答：你观察到了什么，不加解释。讨论要回答：这些结果意味着什么，边界在哪。

其中方法部分是理工科论文的命门。审稿人判断一篇论文可不可信，最先看的就是方法部分够不够细。所以提示词里必须把「可复现」写成可检查的条目，而不是一句空话。

提示词模板五：理工科正文写作

你是我的论文写作助手。我的研究内容如下，请严格基于我提供的材料写作。

【绝对禁止】
1. 不得编造任何数据、实验结果、统计值、图表内容。所有数字必须来自我提供的材料。
2. 不得虚构参考文献、DOI、期刊名。
3. 如果某个论证需要数据支撑而我没有提供，请在该处写「【待补数据：具体说明需要什么】」，
   不要自行填补。

【我的材料】
- 研究问题：……
- 实验/仿真条件：……（仪器型号、参数、样本量、重复次数）
- 原始结果：……（表格或数值，请原样引用）
- 对照设置：……
- 我初步的解释：……

【任务】按 IMRaD 结构写，每个部分遵守以下约束：

一、Introduction
- 三段式：领域现状 → 尚未解决的问题 → 本文做了什么、贡献是什么
- 只写「已知」和「未知」，不写结论判断
- 每一句涉及已有研究的陈述，标注「【需引用：哪一类文献】」，不要写出具体文献

二、Methods
- 写成别人可以照着复现的程度：材料来源、设备型号、参数设置、操作步骤、统计方法、重复次数
- 凡是涉及主观判断的步骤（如「明显变化」），必须改成可操作的定义
- 如果你发现我提供的条件描述不足以复现，请直接列出缺什么

三、Results
- 只描述观察到的现象和数值，不做机制解释
- 每个结果必须与一个具体的图表或数据对应，用「如图 X 所示」的方式呼应
- 按逻辑顺序排列，不按重要性排列

四、Discussion
- 先回应引言提出的问题，再解释机制，再谈局限
- 明确写出「本结论的适用条件」
- 与已有研究对比时，只写「与……一致/不一致」，具体文献标【需引用】

【输出后请自查并报告】
- 全文出现的每一个数字，来自我材料的哪一处？（逐条标注）
- 有哪些地方我提供的材料不够，导致你只能写「待补」？
- 方法部分是否达到「他人可复现」的标准？如未达到，缺什么？

科研写作中「可复现」如何在提示词里落地

「可复现」这个要求太抽象，模型接不住。要把它拆成可检查的动作：要求它把「明显变化」改成「变化率超过 5%」，把「适量」改成「2.0 mL」，把「多次重复」改成「独立重复 3 次」。这些替换，模型做得很好，因为它们是局部改写任务，不涉及它不掌握的事实。

科研写作里另一个技巧是要求它反向自查：写完之后，让它自己检查「如果我是审稿人，按照这段方法，我能不能重现这个结果？不能的话，缺哪一步？」这个自查往往会暴露出你自己都忽略的操作细节。

文科科研写作：问题意识先行，论证层层推进

文科正文最忌讳的写法是「结论先行」。也就是说，文章第一段就把观点说完了，后面全是在举例子证明。这种写法的毛病在于：它不是论证，是举例说明。读者会问：既然你一开始就知道答案，那你为什么还要读这些材料？

好的文科论文是让材料推着你走。你先提出一个问题，然后读第一组材料，发现事情比想象的复杂；再读第二组材料，发现之前的理解需要修正；最后形成一个比开头更精确的判断。这个过程必须在正文中体现出来，而不是被隐去。

提示词模板六：文科正文写作

你是我的论文写作助手。我的研究内容如下，请严格基于我提供的材料写作。

【绝对禁止】
1. 不得编造文献、作者、书名、年份、出版社、页码。
2. 不得将我对某段材料的理解，未经核对就写成「某某认为」。
3. 不得生成任何直接引语的原文。所有引文必须由我提供原文，你只能使用我给出的文字。
4. 如需引用而我没有提供原文，请在原处标注「【待补文献：需要什么类型的材料】」。

【我的材料】
- 我要处理的问题：……（用疑问句表述，不要写成判断句）
- 我掌握的核心文本/史料：……（贴出原文段落或摘要）
- 我初步感到的张力：……（材料中哪一处让你觉得不对劲）
- 我担心的反驳：……

【任务】按以下结构写作，注意：不得在第一段给出全文结论。

一、问题提出
- 从一个具体的困惑或材料中的反常之处切入，不要从「近年来，随着……的发展」这种套话开始
- 说清楚：这个问题为什么现在值得问？已有的回答为什么不够？
- 明确本节的终点：你打算通过哪几步来推进这个问题的回答

二、材料分析（可多节）
- 每节处理一组材料，先描述，再分析，最后得出一个局部判断
- 局部判断要能引出下一节的新问题，形成推进感
- 分析时使用概念要明确：首次出现的核心概念，给出你的界定

三、推进与转折
- 写出材料中相互矛盾或张力之处，不要回避
- 说明你的解释如何处理这个张力，以及处理不了的部分

四、结论
- 收在一个比开头更精确的判断上，而不是重复开头
- 明确说出这个结论的边界：它适用于什么范围，不适用于什么
- 指出尚未解决的问题

【语体要求】
- 避免口语化表达，避免「我觉得」「很显然」「毫无疑问」
- 避免绝对化表述，使用「倾向于」「在一定程度上」「就现有材料而言」
- 段落之间要有逻辑连接，不要用「首先、其次、最后」机械排列

【输出后请自查】
- 第一段是否泄露了全文结论？如果是，改写
- 每一处「某某认为」，是否都有我提供的材料依据？逐条列出
- 全文中是否出现了我材料里没有的具体人名、书名、年份？如果有，删除或标「待补」

科研写作提示词为什么必须禁止「结论先行」

因为模型在科研写作里的默认写法就是结论先行。它在摘要和引言里就倾向于把话说死，因为这样看起来「有观点」。你必须在提示词里明确禁止，它才会克制。

科研写作还有一个细节是「用一个疑问句表述研究问题」。这个动作看似小，效果显著。当你把问题写成「晚明小品文中的身份焦虑如何被表述」，你就自动避免了「晚明小品文反映了身份焦虑」这种结论先行的写法。

科研写作材料分析的三种推进方式

文科正文的推进感，通常来自三种方式之一：时间推进（同一个问题在不同时期的变化）、层次推进（从表层表述到深层结构）、反例推进（一个不符合预期的材料迫使你修正判断）。在提示词里可以指定一种，让 AI 围绕它组织材料。我个人最推荐反例推进，因为它最能体现研究的诚实——你愿意处理那些不支持你的材料。

科研写作的共同底线：把「禁止编造」写死

硬约束要具体到可以被检查

不管文科理工科，正文写作的提示词都必须包含「禁止编造」硬约束，而且要具体到可以被检查的程度。不能只写「请勿编造」，那等于没说。要写成：不得生成具体数字、不得生成具体文献、不得生成具体引文、找不到依据的地方标「待补」。

还有一条更狠的要求：让它在输出末尾列出所有它自己不确定的地方。模型对自己的不确定性有一定感知能力，你逼它交底，它往往能指出几个你可能忽略的点。这个清单不是万能的，但它是一个有效的过滤器。

「待补」标记是整个流程的泄压阀

科研写作里，最怕的不是写得慢，是写得假。而 AI 之所以倾向于编造，是因为它被设计成「有问必答」，空白对它来说是一种失败。你要做的，是给它一个合法的退路——「待补」。一旦你可以接受「待补」，它就没有编造的必要了。

这个标记还有一个附带作用：它让你的写作进度可视化。初稿里有多少个「待补」，就说明还有多少工作没做完。比那种看起来完整、实际上全是窟窿的稿子，诚实得多，也安全得多。

防编造：科研写作里唯一不能省的一步

前面所有的提示词都提到「禁止编造」，这一节专门讲怎么把它变成可执行的流程。因为只靠提示词里的一句话，是防不住的。模型会说「好的，我不会编造」，然后继续编。你必须建立一套流程，让人来兜底。

科研写作里文献一律由人提供

科研写作中这条没有例外。你在写综述时需要的每一篇文献，都必须来自你自己的检索和阅读。AI 可以帮你做的是：你给它一份清单，它帮你归类、对比、找分歧。它不能做的是：替你想出应该读哪些文献。

有人会反驳：那我不就白用 AI 了？恰恰相反。综述写作里最耗时的不是找文献，是把 30 篇文献整理成一个有逻辑的结构。这件事 AI 做得比人快得多，而且做得比大多数新手好。你把省下来的时间用在精读上，综述质量反而更高。

科研写作里数据一律由人提供

科研写作同理，所有数字必须来自你的实验记录、统计数据、公开数据库。AI 可以帮你做描述统计、建议用什么图表、润色表述，但它不能生成任何一个你没有提供的数值。

一个实操细节：在提示词里，把你提供的数字放在明确的标记里，比如用「【数据】」开头，然后要求它在输出中「只能使用【数据】标记下的数字」。这样它在写的时候有明确的边界，你事后核对也方便。

逐条标注来源：找不到就标「待补」

这是整套科研写作防编造方法里最有效的一条。要求 AI 对每一处引用，标注「来自你提供的哪一篇」，找不到就标「待补」。

这条要求的作用有两层：第一层是让引用可追溯，你逐一核对即可；第二层是改变模型的生成行为。当它知道每一句话都要标来源，它就不敢随便写了，因为标不出来。这个约束比任何「请勿编造」都管用。

交叉验证：让它复述，你核对

科研写作的最后一步是人来做。AI 写完综述或正文的分析段之后，你抽出其中的关键论断，让它用另一种方式复述一遍，然后你对照原文核对。

比如它写「A 认为明清小说中的商人形象体现了士商融合」，你就问它：「用三句话概括 A 这篇文章论证这个观点的逻辑。」如果它的复述和原文对不上，说明它要么曲解了，要么根本没读过——后者在你没提供原文的情况下几乎必然发生。

这个方法还有一个变体：故意给它错误材料，看它会不会顺着错误材料论证。如果它毫不犹豫地接受了你的错误前提并展开论证，说明它的「论证」只是语言层面的，没有事实核验能力。知道这一点，你就知道该在哪些环节加倍小心。

检查项	理工科重点	文科重点	操作方式
数字来源	每个数值必须来自原始记录	史料中的数字必须核对原文	逐条对照【数据】标记
文献真实性	DOI、期刊名、作者全部核对	作者、书名、出版社、页码全部核对	在数据库中逐条检索
观点准确性	引用的结论是否被过度简化	引用是否脱离原文语境	让 AI 复述，再对照原文
图表一致性	图号、表号、正文呼应是否对上	引文页码、版本是否统一	通读一遍，逐图核对
待补标记	是否有未填补的【待补数据】	是否有未填补的【待补文献】	搜索全文的「待补」字样
方法可复现	他人能否照着做	材料来源能否核查	请同门/同学盲读方法部分

大多数人做错的地方

这一节讲的是我在长期改稿中反复见到的错误。它们之所以普遍，是因为它们看起来都很合理，甚至在很多教程里被当成「正确做法」推荐。我把它们列出来，不是为了批评谁，而是因为只有知道坑在哪，才谈得上绕开。

科研写作里错得最多的一条：把提示词写得越长越好

很多人相信提示词的篇幅与效果成正比，于是写一篇八百字的「角色设定 + 背景 + 要求 + 格式 + 禁忌」。这种做法有一个根本问题：长提示词会让约束互相稀释。你写了十五条要求，模型在一次生成中往往只能兼顾前五六条，后面的会被淡化。

正确的做法是：短提示词，分轮执行。选题、综述、正文本来就是三个不同的任务，硬塞进一条提示词里，模型会把它当成一个「写论文」的整体任务，然后开始编。分开做，每一轮只解决一个问题，约束才有力量。

科研写作错误二：让 AI 先「找文献」再写综述

这是最普遍、也最危险的做法。很多人以为让 AI 列出文献再去核实能省时间，结果是核实的时间比自己做还长，而且容易漏掉那些「看起来很像真的」的假引用。

更隐蔽的问题是：一旦你从 AI 那里拿到了一份文献清单，你的阅读顺序就被它决定了。它列出来的文献，会框定你对这个领域的认知，而那些它没列出来的，你可能永远都不会去找。这个影响比编造文献本身更深远。

科研写作错误三：用同一套提示词套所有学科

这就是本文要解决的核心问题。但它的表现形式比人们想的隐蔽：很多人确实「改」了提示词，只是改了几个词。比如把「实验数据」改成「文本材料」，其他全不动。这种改动是无效的，因为结构的骨架没变——它仍然是按「方法-结果-讨论」在组织一篇文本分析的论文。

真正有效的分家，是换骨架，不是换词。文科的骨架是「问题-材料-推进-判断」，理工科的骨架是「背景-假设-验证-意义」。这两套骨架的段落功能完全不同，不能互相替换。

科研写作错误四：把「润色」和「改写」混为一谈

很多人的用法是：自己写一版，然后让 AI「润色一下」。但模型对「润色」的理解，往往是把你的句子改得更华丽、更学术、更长。结果是你的观点被稀释，论证的棱角被磨平。

正确的用法是定向润色：明确告诉它改什么。比如「只改这三段，要求：去掉口语表达，保持论点不变，不增加任何新的论断，不改动任何数字和引文」。约束越具体，改写越安全。

科研写作错误五：相信「学术腔」就是学术性

这是一个更深层的问题。模型很容易写出「学术腔」：大量名词化、被动语态、抽象词汇堆叠。看起来像个学者在说话，实际上信息密度极低。「本研究基于对相关理论的分析与探讨，进一步揭示了该现象背后的深层机制」，这句话一个字的信息都没有。

判断标准很简单：把每一句压缩成一句人话，看还剩什么。如果一句话压缩完之后什么都不剩，那它就是学术腔填充物，应该删掉。在提示词里可以加一条：「凡是删掉之后不影响论证的句子，一律删除。」

我的判断：AI 在科研写作里该站的位置

说了这么多「不能」，那到底能做什么？我的判断是：AI 在科研写作里的价值，集中在三个位置上——结构顾问、疲劳期的陪练、语言的镜子。

结构顾问，是指帮你判断你的综述分组是否合理、你的论证链条是否有断点、你的方法部分是否完整。它不提供内容，提供视角。

疲劳期的陪练，是指在你写到第三稿、已经看不出自己文章问题的时候，让它指出「哪一段最像是凑数的」「哪一节的逻辑跳了」。它的判断不一定对，但能打破你的惯性。

语言的镜子，是指帮你把一段话改得更清楚、更简洁、更符合学术语体。这是它最擅长、也最安全的事，因为它不动内容，只动表达。

而它不该去的位置是：文献供应商、数据生产者、观点发明者。越过这三条线，科研写作就会出问题。

语言与规范：那些不会让论文被拒、但会让论文显得业余的细节

科研写作里，内容对了、语言不对，论文依然是业余的。这一节讲的是那些不影响学术价值、但影响读者观感的东西。它们最容易被 AI 处理，也最容易被 AI 破坏。

科研写作学术语体的三条禁令

第一，避免口语。口语的表现不只是「挺」「蛮」「搞」，更隐蔽的是「我们可以看到」「不难发现」「众所周知」。这些短语在学术写作里都是填充物。

第二，避免绝对化表述。「完全」「毋庸置疑」「必然」「彻底改变了」——这些词一旦出现，审稿人就会本能地找反例。学术写作的常态是分寸感，用「倾向于」「在多数情况下」「就现有数据而言」来限定你的判断范围。

第三，避免「我认为」。学术写作不靠人称来表明观点归属，观点归属靠论证本身。你要说的不是「我认为 X」，而是「X 之所以成立，是因为……」。中文论文里「笔者认为」是可以用的，但用多了会显得论证无力，仿佛观点只属于你一个人。

科研写作语体检查提示词

请对我下面这段文字做纯语体检查，不要改动任何观点、数字、引文和文献信息。

检查项目：
1. 是否存在口语化表达？逐条列出并给出替换建议
2. 是否存在绝对化表述（完全、必然、毫无疑问、众所周知）？逐条列出
3. 是否存在「笔者认为」「我们可以看到」这类无信息量的主语？建议删除或改写
4. 是否存在名词化过度、信息密度过低的句子？请指出
5. 段落之间的逻辑连接是否自然？有没有用「首先/其次/最后」机械排列？

输出格式：原文片段 → 问题类型 → 修改建议（只给建议，不要直接重写全文）。
最后告诉我：这段文字里，有哪一句是删掉之后完全不影响论证的？

【待检查文字】
……

注意最后那个问题。它逼 AI 判断哪些句子是冗余的，这个判断往往比语体修改本身更有价值。

科研写作中英文表达的差异

如果你的论文要投英文期刊，这个问题必须单独处理。中英文学术写作的差异不只在语法，而在信息组织方式。

科研写作里，中文倾向于「先铺垫，后结论」，句子长，修饰多，逻辑关系靠上下文暗示。英文写作倾向于「先结论，后支撑」，句子短，主语明确，逻辑关系靠连接词显性表达。所以直接把中文论文翻译成英文，读起来会非常别扭：铺垫太多，主语漂移，段落之间缺乏显性连接。

一个实用做法是：先用中文写清楚，然后让 AI 做「结构重排 + 英文改写」，而不是「逐句翻译」。提示词可以这么写：「请先识别这段文字的核心论断，用一句英文写出，然后以这句为核心重新组织，英文段落遵循先结论后支撑的结构。」

科研写作里图表标题与正文的呼应

科研写作里，理工科的图表不是装饰，是论证的一部分。图表标题要能独立成立——读者只看标题和图，也能明白这张图说明了什么。正文里必须至少引用一次每张图，而且引用要有具体内容：「如图 3 所示，温度超过 280℃ 后转化率出现明显下降」，而不是「如图 3 所示」后面就没话了。

文科论文里对应的东西是引文。引文要标明出处和页码，长引文要独立成段并缩进，引文之后必须有分析，不能引完就完。AI 在这两件事上都能帮忙检查，前提是你把图表或引文清单给它。

科研写作投稿前的自检清单

下面这份科研写作清单是投稿前的最后一道关。它不是 AI 能替你做的，但它能帮你把 AI 留下的问题筛出来。

检查项	具体做法	常见问题
结构完整性	对照目标期刊的投稿要求，逐项确认各部分是否齐全	缺少数据可用性声明、伦理审批说明
引用连续性	核对正文引用编号是否连续、参考文献表是否一一对应	删除段落时留下空号、参考文献表有未被引用的条目
术语一致性	全文搜索核心术语，确认译名、缩写、大小写统一	同一概念前后用了三种译法
图表编号	图 1、图 2 是否按出现顺序编号，正文是否都引用了	图表顺序与正文出现顺序不一致
数值一致性	摘要、正文、图表中的同一数据是否一致	摘要写 92%，正文写 91.8%
待补清理	搜索全文「待补」字样，逐一处理	提交时还留着【待补文献】
AI 痕迹	抽查段落，看是否有过度对称、过度排比的句式	连续三段都是「一方面……另一方面……」

把六套科研写作模板串成一条流水线

最后讲怎么把它们用起来。六套提示词不是孤立的，它们应该按照真实的研究流程串起来：选题 → 综述 → 正文，每个环节内部再分文理。

科研写作六模板的完整执行顺序

第一轮：用选题模板生成 4 个候选，自己挑出 1-2 个，回去查文献验证。不要跳过这一步，因为后面的所有工作都建立在选题成立的基础上。
第二轮：读 15-30 篇文献，整理成清单，用综述模板做分组和对比。这一步产出的不是综述正文，是综述的骨架。
第三轮：根据骨架自己写综述初稿，或者让 AI 按骨架起草，然后逐句核对。这一步最容易出问题，因为它是 AI 唯一可能「顺手编一句」的地方。
第四轮：用正文模板写各章节。理工科从 Methods 开始写，文科从问题提出开始写——先写你最清楚的部分，最后写引言和摘要。
第五轮：用语体检查模板过一遍，再做投稿自检。

这个流程里，AI 出现在每一个环节，但从不在任何环节「替你完成」。它做的都是辅助判断、整理结构、打磨语言这类工作。这就是本文的核心结论：科研写作可以用 AI，但用法必须比一般写作更窄、更硬、更可控。

科研写作中用 AI 什么时候该停手

科研写作还有一条边界要划清楚。当你发现自己在反复让 AI 改同一段话，改到第五版还是不满意，那问题多半不在语言，而在你自己还没想清楚这一段要说什么。这时候继续改是无效的，应该停下来，用笔在纸上画一下这段的论证链条。想清楚了再回来，往往一遍就过。

还有一种情况：当你对 AI 的输出产生了依赖，离开它就不会写第一段，这也是一个信号。科研写作的核心能力是判断力，不是表达能力。判断力只能靠自己练，AI 帮不了，过度依赖反而会让它退化。

科研写作结语：分家不是分裂，是各自到位

回到开头那个判断：科研写作不是一种写作，是两种写作。这个判断的意义不在于区分学科，而在于逼你说清楚你到底要什么证据。一旦你说清楚了，提示词自然就写得对；说不清楚，再长的提示词也救不了。

六套模板的价值，不在于它们可以直接复制粘贴，而在于它们展示了「怎么把学科的方法论翻译成提示词的约束」。你可以照着这个思路，为你的具体方向再写几套——比如实验类、计算类、田野调查类、档案研究类，每一类的证据观都不同，提示词也该不同。

真正稳定的，是那条底线：文献由人提供，数据由人提供，AI 只做归类、对比、结构和语言。守住这条线，科研写作就能用上 AI 的效率，又不至于踩进编造的坑里。

科研写作常见问题

用 DeepSeek 做科研写作，最大的风险到底是什么？

不是语言不通顺，而是编造。而且它不是随机编，是按最像真的方式编：数字精准到小数点、文献格式完全规范、论证逻辑自洽。这种错误的危害比明显的错误大得多，因为它骗过的是你自己的警觉。所以本文所有的模板都把「禁止编造」放在第一段，而且要求 AI 标注「待补」，就是为了让这类错误显形。

文科真的不能用 AI 找文献吗？

不能让它「生成」文献条目，但可以让它帮你设计检索策略。你可以问它：这个议题在学界通常用哪些关键词检索、有哪些经典理论应该先读、这个议题的英文表述是什么。它给的关键词可能有偏差，但不会让你拿到假文献。拿到检索词之后，你去知网、JSTOR、Google Scholar 自己查，这才是安全的做法。

我把 30 篇文献的摘要贴给 AI，让它写综述，这样可以吗？

可以，但要注意两点。第一，摘要不等于全文，很多论文的关键结论或局限恰恰在正文里，只读摘要会让你的综述失准。第二，AI 按摘要写出来的综述，容易变成「每篇一段」的流水账。所以更好的做法是：你自己提炼每篇文献的研究问题、方法、结论、局限，形成结构化清单再投喂，同时要求它按争论或方法族分组，而不是按文献顺序排列。