实验记录的价值在于可复现，不在于写得漂亮。半年后自己还能照着它把实验重做一遍，这份记录才算合格。AI 在这里能做两件事：把零散的原始记录整理成结构，把数据组织成报告的骨架；但记录里有没有漏掉关键条件、结论能不能成立，工具判断不了，这些仍然靠人。
记录该记的四类内容
可复现的记录至少包含四块：时间与条件（什么时候做的、环境参数是什么）、参数与操作（改了什么、按什么顺序做）、原始数据（未经处理的测量值，单独留存）、异常与偏离（哪一步出了意外、当时怎么处理的）。
四块里异常最容易漏，偏偏最有价值。很多发现就藏在「和预期不符」里：某次读数突然跳变、某组重复实验的波动明显偏大，当时多写一句「可能与室温升高有关」，半年后回看就是线索。顺手记下的异常，比事后回忆可靠得多。
报告的四段结构
数据分析报告建议固定成四段：问题（这份数据要回答什么）、方法（怎么处理的、用了什么口径）、结果（数据说明了什么，附必要的图表）、局限（样本和方法上的不足、哪些结论不能下）。
固定结构的好处是别人能快速定位。导师、合作方或者评审的人，关心点各不相同：有人只看问题定义得对不对，有人直奔局限那段。四段各自独立成立，报告就不用反复解释「我在说什么」。
整理提示词怎么写
可复用的写法：「这是我的实验原始记录：{粘贴记录}。请帮我：1) 整理成结构化的实验记录，条件、步骤、数据、异常分开列；2) 指出记录里缺失的、会导致别人无法复现的信息；3) 生成一份数据分析报告框架。请不要替我填写任何我没有提供的数据。」
末句是关键约束。没有这句，模型面对空缺处倾向于「合理补全」，补出来的数据格式漂亮、来源是编的。让它列「缺失清单」反而是最有用的一步——复现卡壳的位置，多半就藏在清单里。
| 环节 | AI 能做的 | 必须人工把关的 |
|---|---|---|
| 实验记录 | 按条件、步骤、数据、异常分块整理，标出缺失项 | 核对参数与操作顺序是否与实际一致 |
| 数据处理 | 按给定口径做计算、画图、写图表说明 | 口径选择、异常值是否剔除及依据 |
| 报告撰写 | 生成四段框架，把结果组织成连贯文字 | 结论是否被数据支撑、局限是否写足 |
| 复现检查 | 列出「别人照做会卡在哪」的清单 | 逐项补齐缺失信息并动手验证 |
数据真实性的三条底线
底线一：没有的数据不能补。缺失就写缺失，报告里写明「样本量不足、该项未测」，比一段编出来的漂亮数据体面得多。底线二：「不好看」的数据不能随手删。要剔除必须写明依据和规则，比如「超出三倍标准差的两组读数，因设备重启期间的环境波动剔除」，让读报告的人能判断这个规则合不合理。底线三：改动要留痕。修正过的数值保留原始值和修正原因，确保整个过程可追溯——数据被质疑时，能拿出原始记录和修改依据，是比「我记得没错」有力得多的回应。
它判断不了的部分
AI 能整理格式、发现记录里的漏洞、搭报告框架，但它无法判断你的数据是否真实、结论是否成立。它不知道某次测量时仪器刚被碰过，也不知道两组数据的差异是不是操作习惯导致的。结论最终由记录者负责，这一点在任何场景下都成立。
另一个常见失效是原始数据事后补记。实验做完三天才凭回忆写记录，参数顺序、环境条件都可能记混。原始记录要当场保存，哪怕是随手拍的照片和草稿纸，也比事后回忆的「工整版本」可信。
实验记录速查
- 记四块：条件、操作、原始数据、异常
- 原始数据单独留存，不覆盖不删改
- 剔除数据必须写明依据和规则
- 报告四段：问题、方法、结果、局限
- 提示词里明确禁止「合理补全」
几个容易忽略的细节
- 手写记录和电子记录混着用怎么办？：约定一个汇聚点，比如当天结束前把手写内容拍照或录入同一个文档，AI 整理时以这份汇总为准。两套记录并存且不互通，复现时最容易出问题。
- 负结果要不要写进报告？：要。「预期现象没有出现」本身就是结果，写清楚条件，下一次实验或接手的人能少走一段弯路。只留正面结果的记录，复现价值反而低。
- 同一次实验换了几批样本，数据怎么标？：给每批样本一个独立编号，处理时按批次分开统计再合并。混在一起平均，批次间的差异就被抹掉了。
这套「先结构化、再找漏洞、末了成文」的流程，换个场景也成立。学期末把一年的实验和项目放在一起看时，用 AI 做年度复盘的方法提供了按主题汇总的路径；面对一堆待解释的数字时，售后数据的归因思路讲的是怎么从相关走向归因；要把分析结果讲给导师或管理方听，写给合伙人的总结写法里「先给结论再给证据」的组织方式可以直接借用。
