从回答到执行
从对话框到科研执行
多数人第一次使用 AI，是在对话框里输入一个问题，等待它给出一段答案。遇到整理文献、核对引用、分析数据或制作文件这样的任务，仍要自己在不同软件之间来回操作。编程智能体改变了这种分工：它像从对话框里走出来，坐到你的电脑前，在获得相应工具和权限后读取资料、检索证据、运行 Python 或 R、生成图表和文档，并检查最终结果。过去需要研究者反复切换工具才能完成的工作，现在可以交给它连续处理。
能力与责任
会行动，不等于会判断
不过，能够接手更多工作，并不意味着它可以独立承担科研判断。编程智能体的核心仍是语言模型，底层通过多层计算，根据当前材料和前文估计接下来哪种输出最可能。搜索、代码和文件工具让它能够查证信息、执行分析，却不会让它自动理解什么研究问题最有价值，也不会替研究者承担错误结论的责任。研究方向、主要方法和关键结论仍需研究者确认；发现它理解偏了，也要及时纠正。
错误会被放大
模糊要求为何代价更高
帮我把论文写好 一个缺少边界的要求
也正因为它能够真正行动，模糊要求造成的损失会比普通聊天更大。如果你只说“帮我把论文写好”，它就得自行猜测研究范围、证据标准、变量定义、分析方法和完成条件。一旦起点猜错，它就会在错误方向上持续检索、分析和写作，白白耗掉大量时间；部分付费智能体还会按输入输出的文字量或任务额度收费，错误越晚发现，花的钱越多，最后仍要推倒重来。
给空间，也给边界
把结果和边界说清楚
怎样既避免它一路跑偏，又不必把每个细枝末节都提前设计好？如果每一步都要由你规定，智能体就只剩照单执行，你并没有少做多少工作，也失去了用它提高效率的意义。更有效的做法是说清想得到什么结果、可以使用哪些材料、最后要交什么、哪些事情不能做，以及哪些决定必须先问你，再把检索、比较、计算和文件制作交给智能体安排。
- 01目标
- 02材料
- 03交付
- 04边界
- 05确认
可直接检查的示例
一份可检查的科研任务
第一次使用时，可以交给它一项足以看出能力差距、结果又能逐项检查的任务：
目标
基于“睡眠研究”文件夹中的论文、研究设想、变量说明和教学数据，制作一套关于“睡眠时长与学习表现”的初步研究扫描包，帮助我判断下一步值得研究什么。
材料
文件夹中包含20篇论文、《研究设想.md》、《变量说明.xlsx》和《教学数据.csv》。这些材料处于研究早期，尚未确定最终研究问题和主要分析方法。
交付结果
生成《证据矩阵.xlsx》，整理每篇论文的研究对象、样本量、研究设计、睡眠指标、学习指标、主要结果、局限及对应页码；生成《研究扫描报告.docx》，说明现有证据的一致之处、矛盾和缺口，并提出三个候选研究问题；检查教学数据的缺失值、异常值和变量范围，完成可以重新运行的探索性分析，保存代码、结果表和图；最后生成一份论文结构草案，把每个拟写结论对应到证据来源，并列出仍需研究者决定的问题。
不能做的事和需要确认的决定
不修改原始文件。文献结论必须标出来源和页码，外部检索得到的资料必须单独标明；无法核实的内容直接列入问题清单。严格区分已有文献发现、教学数据结果和智能体提出的建议，不把探索性结果写成正式研究结论。最终研究问题和主要分析方法等待研究者确认。