我真正开始把 DeepSeek 用到科研工作中，并不是从“让 AI 帮我写论文”开始的。最初，我也只是把它当作一个比较方便的文字工具，用来修改英文表达、解释一些概念，或者在遇到代码问题时帮我找找思路。但用得越来越多以后，我发现它真正有价值的地方并不是替我完成某一个具体任务，而是可以参与到科研过程中的很多环节。
现在，如果从一个完整的研究周期来看，我会在确定研究问题、梳理研究思路、阅读和比较文献、分析数据、编写代码以及论文写作等阶段使用 DeepSeek。它更像是一个随时可以讨论问题的科研助手，而不是一个“输入问题、输出答案”的工具。对我来说，这两者之间其实有很大的区别。
我也逐渐形成了一个比较明确的原则：AI 可以帮助我更快地思考，但不能替我完成科学判断。 DeepSeek 给我的答案，无论看起来多么完整，我都不会直接把它当作最终结论。涉及文献、数据和研究结论的内容，我都会回到原始论文、专业数据库或者实际分析结果中进行验证。
用 DeepSeek 整理一个还不成熟的研究想法
科研中经常会遇到这样的情况：脑子里已经有一个大致的想法，但还不能很好地把它变成一个明确的科学问题。以前遇到这种情况，我通常会自己反复想，或者找几篇相关论文慢慢梳理。现在，我会把自己的想法直接告诉 DeepSeek。
不过，我不会简单地问它“这个研究方向有没有意义”，因为这种问题太宽泛。我的做法通常是把目前知道的信息尽可能说清楚，包括研究背景、已有结果、目前观察到的现象以及自己初步形成的假设，然后让它从不同角度帮我拆解。例如，我会让它分析这个想法背后真正需要回答的科学问题是什么，目前的假设有哪些证据支持，又有哪些地方仍然缺乏证据。
有时候，我还会故意让 DeepSeek 扮演一个比较“挑剔”的同行评审者，让它不要急着肯定我的想法，而是找出研究设计中可能受到质疑的地方。比如，哪些变量可能成为混杂因素，哪些结论实际上超出了现有数据能够支持的范围，以及如果这个问题要进一步验证，还需要什么实验。这样的讨论对我很有帮助，因为它并不是替我设计一个研究，而是迫使我从另一个角度重新审视自己的思路。
经过几轮这样的讨论，一个原本比较模糊的想法通常会逐渐变得清楚。哪些是已经被研究过的问题，哪些是真正值得继续追问的问题，以及下一步需要寻找什么证据，都会比最初更加明确。
让它帮我寻找研究空白
文献综述是我使用 DeepSeek 比较多的地方。过去做文献调研时，我通常需要自己不断修改关键词，然后在 Google Scholar、Web of Science 或 Scopus 中反复检索。这个过程很耗时间，而且当一个领域的论文数量比较大时，仅靠关键词检索很容易陷入大量相似文献之中。
现在，我会先把一个研究主题交给 DeepSeek，让它帮助我建立一个“领域地图”。我会问它这个领域目前主要有哪些研究方向、不同方向分别解决什么问题、常用的方法有哪些，以及不同研究之间存在哪些争议。这个阶段我并不是要它告诉我一个现成的 research gap，而是希望借助它的整理能力，帮助我判断接下来应该重点看哪些问题。
真正涉及“研究空白”的时候，我会非常谨慎。DeepSeek 所说的“目前很少有研究关注……”并不能直接作为研究空白的证据。因为模型可能没有掌握最新论文，也可能忽略某个领域中比较冷门但实际上已经发表的研究。
所以我的做法是把 DeepSeek 提出的方向转化成检索词，再回到 Web of Science、Scopus、Google Scholar 等数据库中进行验证。如果发现这个问题已经有大量研究，我就继续追问这些研究之间是否存在研究对象、实验条件、研究方法或者结论上的差异。很多时候，真正值得研究的并不是“没有人研究过”，而是已有研究之间存在矛盾，或者某个问题在新的研究条件下仍然没有得到很好的解释。
在这个过程中，DeepSeek 对我的帮助主要是缩短了“从一个模糊主题到几个值得检索的问题”之间的距离，而最终的 research gap 仍然需要通过真实文献来确认。
让 DeepSeek 帮我比较，而不是简单总结
如果只是让我总结一篇论文，DeepSeek 通常能够很快完成。但我现在已经很少把“总结论文”作为自己的主要需求，因为一段看起来很完整的摘要，并不一定能够帮助我真正理解一项研究。
我的习惯是先自己阅读论文的标题、摘要、关键图表和结论，然后再让 DeepSeek 帮我从研究问题、假设、方法、主要结果和局限性几个方面重新梳理。有时候我会进一步问它：“作者的哪个实验真正支撑了核心结论？”或者“这个结论是实验结果直接证明的，还是作者基于结果进一步推断的？”这类问题往往比单纯要求 AI 总结更有价值。
如果同时阅读几篇研究同一问题的论文，我也会把它们放在一起比较。例如让 DeepSeek 对比不同论文使用的研究对象、样本、实验设计、统计方法以及主要结果，然后把这些差异整理出来。这样做的好处是，我不需要在几篇论文之间来回切换，才能想清楚它们到底有什么不同。
但这里同样存在一个原则：AI 的论文分析只是辅助阅读，不能替代原文。 尤其是 Methods、Results 和关键图表，我仍然会自己检查。因为科研论文中的一个实验条件、一个样本选择标准，甚至一个统计方法，都可能影响最终结论。如果只看 AI 压缩后的内容，很容易丢掉这些细节。
数据分析和代码，是效率提升比较明显的地方
除了文献和研究思路，我现在也会把很多代码和数据分析问题交给 DeepSeek 辅助处理。比如使用 R 或 Python 时，如果某段代码运行出错，我会把代码、报错信息以及我的分析目标一起提供给它，而不是只把错误信息扔过去让它“修复”。
更重要的是，我会要求它先理解我的分析目的，再决定应该使用什么方法。例如，我可能会告诉它因变量和自变量分别是什么，有几个独立组，数据是否满足正态性和方差齐性假设，以及我具体想比较什么。然后让它先判断适合使用什么统计方法，再提供代码。
我觉得这比直接问“给我一段 R 代码”更有意义。科研中的问题往往不是代码能不能运行，而是这个分析方法是否适合当前的数据和研究问题。一段能够正常运行的代码，并不意味着统计分析就是正确的。
因此，DeepSeek 生成的代码，我都会放回自己的 R、Python 或 SPSS 环境中重新运行，并检查数据处理、统计假设和结果。对于比较重要的分析，我还会通过其他方法进行交叉检查。AI 可以帮助我节省编写和调试代码的时间，但统计结果最终还是要由研究者自己负责。
写 Discussion 时，把 DeepSeek 当成一个“讨论对象”
论文写作中，我觉得 DeepSeek 对我帮助比较大的另一个地方是 Discussion。
Results 写出来以后，真正困难的往往不是描述“发现了什么”，而是解释“为什么会这样”。一个实验结果可能存在多个合理解释，而研究者很容易因为已经形成了自己的预期，就只关注其中一个方向。
这时候我会把自己的主要结果、研究背景以及已经掌握的文献告诉 DeepSeek，让它从不同角度提出可能的解释。例如，我会让它分别讨论支持某个机制的证据、可能存在的替代解释，以及哪些额外实验能够进一步区分这些解释。
这种方式有点像和一个没有参与实验的同事讨论结果。它未必能够直接给出正确答案，但经常可以提醒我还有另一个角度没有考虑到。有时候，这种“被反驳”的过程反而比让 AI 一味支持我的观点更有价值。
当然，最后真正写进 Discussion 的解释仍然需要回到文献中寻找依据。尤其需要注意的是，AI 很容易把“可能”“提示”“与……一致”写成比较确定的结论。科研写作中，这种语气差异非常重要。如果实验结果只是支持一种可能机制，就不能因为 AI 写得很肯定，就把它表述成已经被证明的机制。
论文写作中，我更倾向于把论文交给AJE润色
现在写论文时，我通常不会直接告诉 DeepSeek：“帮我写一篇 Introduction。”相比从零生成一篇文章，我更愿意把自己已经写好的内容交给它，让它帮助我发现逻辑问题。但实话实说，效果非常差，尝试多次也没有满意的结果。
我还是选择人工润色，将自己的论文交给同领域的专家给修改，我一直都是在用AJE的论文润色服务，主要是美国全职编辑，而且是同领域的，也是老品牌，比较放心。
使用 DeepSeek 最重要的一条原则其实是验证
如果让我总结自己使用 DeepSeek 到现在最大的一个变化，我反而不会说是“学会了更多 Prompt”，而是越来越重视验证。
AI 的答案越完整、越流畅，越容易让人产生一种“它应该是对的”的错觉。但科研恰恰不能依靠这种感觉。
当 DeepSeek 给我推荐一篇论文，我会去期刊官网或者数据库确认；当它告诉我某个研究结果时，我会查看原始论文；当它提出一个研究空白时，我会重新检索文献；当它给出一段统计代码时，我会在自己的分析环境中运行；当它解释一个实验机制时，我会检查这种解释究竟有没有文献支持。
所以，我现在比较习惯把整个流程理解成四个环节：DeepSeek 负责提出和整理，专业数据库负责检索和验证，原始论文和数据负责确认，而最终的科学判断由研究者自己完成。
这套方法可能没有“复制 AI 答案”那么快，但对于科研而言，我认为这种速度才是比较可靠的效率提升。我们真正想节省的，是搜索、整理、比较、编码和重复修改这些时间，而不是省掉验证证据的时间。
AI 真正改变的，可能不是科研方法，而是科研工作的分工
使用 DeepSeek 一段时间以后，我越来越觉得，科研人员真正需要掌握的并不是某个复杂的 Prompt，而是知道什么时候应该让 AI 参与，什么时候必须自己判断。
一个没有想清楚的研究问题，即使交给 AI 一个非常复杂的 Prompt，也很难得到真正有价值的结果。相反，如果研究者自己已经清楚研究背景、现有证据和真正缺少的信息，那么简单的对话也可以产生很好的结果。
因此，我现在更喜欢和 DeepSeek 进行连续讨论，而不是试图通过一个超级复杂的 Prompt 一次性得到最终答案。先提供研究背景，再提出一个具体问题；根据它的回答继续追问；发现新的问题之后，再回到论文和数据库中验证。这个过程其实和传统科研没有本质区别，只是其中的信息整理和部分推理环节变得更快了。
如果一定要给自己的使用方式做一个总结，我会把 DeepSeek 放在科研工作流的中间，而不是最前面或者最后面。研究问题仍然需要研究者提出，证据仍然需要通过可靠来源获得，实验和数据仍然需要独立分析，而 AI 可以参与这些环节之间大量的思考、整理、比较和沟通工作。
这也是我目前对 AI 辅助科研最实际的理解：不是让 AI 替我做科研，而是让它帮我把更多时间留给真正需要科研人员判断的事情。
