研究生使用 AI 的核心矛盾，是效率需求与学术规范的平衡。文献工作要广度和线索，数据分析要严谨和可复现，两类任务对 AI 的要求完全不同，混用一套工具和方法容易出事。这篇按文献、数据分析两条主线讲工具选择与使用边界，Kimi 这类长文本工具在文献精读环节有天然优势。
文献检索的分工安排
正式检索交给专业数据库（知网、Web of Science 等），AI 负责外围：帮你扩展关键词、翻译检索式、梳理某方向的综述性线索。AI 给出的文献一律存疑，必须逐条在数据库里核实存在性与内容，编造引用是 AI 的经典错误，也是学术不端的雷区。检索式让 AI 扩展后，先在数据库里跑一遍看命中量，命中过多或过少都回头调关键词，迭代两轮再定稿。检索阶段用 AI 的正确心态：把它当消息灵通但不可靠的师兄，线索可以收，原文必须查。
文献精读与综述整理
精读环节是长文本工具的主场：把 PDF 论文交给 Kimi 这类工具，让它总结方法、结论、局限，你带着问题追问细节。批量处理时更高效：几十篇同主题论文各出一份结构化摘要，汇总成对比表，综述的骨架就有了。注意两点：摘要是转述，引用时回原文核对页码；你课题的核心文献必须自己精读，AI 摘要替代不了第一手理解。综述写作让 AI 帮你梳理论文间的观点异同，成文和论点自己来。
数据分析的能力边界
数据分析上 AI 有两个可用层次：写代码层，把分析需求描述给它，让它生成 Python 或 R 代码，你跑代码并理解每一行；解释层，把统计输出贴给它，帮你解读回归系数、显著性这些结果。边界很清楚：实验设计、数据清洗决策、方法选择必须你自己拿主意，这些是学术判断，错了论文就塌了。AI 生成的统计代码先在小样本上验证，再上全量数据。涉及复杂统计模型时，方法部分找导师或统计课确认，AI 仅供参考。
学术规范的红线清单
各期刊和学校对 AI 的规定日趋明确，通用的红线包括：AI 不能列为作者、AI 生成内容要按期刊要求声明、不能让 AI 代写核心论证、引用必须核实。投稿前查目标期刊的 AI 使用政策，以期刊最新要求为准。组会汇报里用 AI 整理的资料，注明处理方式，保持透明。这些规定会持续变化，养成每学期查一次的习惯，比出事后补救划算。
研究生阶段的工具组合
务实组合：文献线索与综述辅助用通用大模型，长论文精读用长文本工具，代码生成用通用模型或代码助手，翻译润色用写作类工具。工具总数控制在三四个以内，每个都摸透常用功能。数据敏感的课题（未发表数据、涉密项目）斟酌上传范围，遵守实验室的数据管理规定，必要时选本地部署方案。工具组合每学期复盘一次，新工具先小范围试，别全线迁移。每个工具记一条自己的使用心得，写进课题组内部的共享文档，同门少走弯路，换人接手课题时也能快速上手。
研究生该用通用模型还是学术模式？
- AI 总结的文献能直接写进综述吗？：不能，综述引用必须基于你自己核对的原文，AI 摘要只是导读。
- 数据分析代码报错了怎么问 AI？：把完整报错和对应代码段一起贴给它，说明数据结构，信息全才改得准。
- 导师不让学生用 AI 怎么办？：先弄清禁止的范围，多数导师反对的是代写而非辅助整理，沟通比隐瞒稳妥。
