博士生实战：论文写作中人与AI如何高效分工协作

论文写作里，AI该干什么、人该干什么

一位同济大学博二在读的UP主分享了自己刚投完一篇论文后的实战心得，主题聚焦于一个具体问题：在论文写作这个任务中，人和AI究竟应该以怎样的方式协作。这不是泛泛的"AI能写论文"话题，而是从结构、语言、图表三个维度拆解协作边界的经验总结。

他这次的演示工具从常用的 Codex 切换到了 MiniMax Code，原因是发现它具备较强的长文本理解能力和多模态能力——这两点恰恰是论文写作的刚需。整篇分享的核心逻辑始终围绕一句话：AI负责执行与整理，人负责把握方向与核心贡献。

论文结构：方向性的决策必须由人来定

论文的经典架构是 Introduction、Related Works、Method、Results、Discussion。但作者坦言，自己在写作中最纠结、也最常和AI"辩论"的地方，恰恰是几个核心贡献点该怎么写。

他的体会很直接：让AI去总结贡献点，总感觉"味道不对"，越总结越偏。原因在于研究是自己一手做出来的，对"我这个研究和之前研究最大的差异点""目前最大的gap是什么""最想强调什么"，作者天然比AI清楚。所以在方向性的地方，人必须深度参与，自己把贡献描述清楚，而不是把定义权交给智能体。

他给出的推荐流程是：先把领域背景、研究目的、方法和结果一并交给AI，让它罗列几套贡献点方案（方案A、方案B……）作为参考；然后由人拍板确定三到四个核心贡献；确定之后，后续写作才更多交给AI——理逻辑、写初稿，或者人写初稿AI改、AI写初稿人交互式修改。

或者AI写个初稿

一个关键原则贯穿全文：整篇论文都要围绕这几个贡献点展开。 Related Works 若分三四小块，就应分别对应贡献A、贡献B去组织，而不是把相关论文平铺直叙地罗列；Results 和 Discussion 同样要回扣贡献。他特别提到，很多模型上下文能力不足，写到 Results、Discussion 时就"忘了"前面的核心贡献，而 MiniMax 的长上下文表现让它在多轮对话后仍能记住三个贡献点，这对保持论文主线很重要。

论文的"核心贡献点"（Contributions）在学术写作中有其特定功能：它们通常出现在 Introduction 末尾，以条目形式列出，是审稿人快速判断论文价值的第一锚点。贡献点的措辞直接影响审稿结果——太保守会让论文显得平庸，太夸大则会被指"Overclaim"。这也是为什么作者强调"让AI总结贡献点总感觉味道不对"：贡献点不是对研究内容的客观描述，而是研究者对自己工作"战略定位"的主观判断，涉及与领域内其他工作的差异化比较，以及对当前研究gap的理解——这些背景知识AI在没有充分上下文的情况下无从准确把握。将贡献点确定权交给研究者，再让AI围绕这几个锚点展开全文，是一种把AI的执行优势和人的判断优势分别用在正确位置上的合理分工。

文件处理与文献核对：agent能力的加分项

除了写作本身，作者演示了几个提升效率的功能。第一次把整个项目丢给 MiniMax，仅用简单指令让它阅读项目内容，约1分26秒就输出了完整的项目组织逻辑和论文工作档案。

让他去打开浏览器

更值得关注的是浏览器控制能力。核对参考文献真实性时，作者直接把文件发给AI，让它打开浏览器搜索并核对某篇论文是否为真实文献，还能直接在网页里浏览详细内容、打开PDF。作者认为，对一个agent来说，快速的浏览器功能是非常重要的能力——这直接关系到论文投稿前最容易踩坑的"参考文献造假"问题。

参考文献造假（即"幻觉引用"，Hallucinated References）是当前AI辅助写作中最受学术界警惕的问题之一。大语言模型在生成文本时可能编造出格式完全正确、作者姓名和标题听起来合理的"假文献"，但这些论文实际上并不存在。由于格式上毫无破绽，研究者若不逐条核实，极易将其收入参考文献列表，最终在同行评审或发表后被发现，造成严重的学术信誉损失。正因如此，作者演示的"让AI打开浏览器直接搜索核对文献真实性"这一功能具有实际意义——它将核对步骤整合进写作流程，而不是依赖人工逐篇手动搜索。这类具备浏览器操控能力的agent与纯文本生成模型的根本区别，在于它可以接触外部真实信息源，从而对自身输出进行事实锚定。

论文语言：三大"重灾区"需要人工兜底

语言是作者眼中的"重灾区"，他总结了三个AI高频出问题的点。

防御性写作

作者点名 GPT 类模型（他提到的"5.6"版本）在这方面"超级明显"，容易写出主动缩小贡献的表述，比如"本研究仅能表明……尚不能体现"，或回避主张"不是证明了，而是为证明提供可能性"，以及模糊结论"具备某方面的潜力"。他的态度是实事求是：能证明的就硬写进去，模棱两可的干脆不写，多余的免责声明要删掉，说明的边界要人工明确。这类修改，AI改往往不满意，必须人手动改。

跳过证据链

AI容易从"方法"直接跳到"结论"，中间的推导过程凭空消失，尤其在写方法、写实验的部分。作者的做法是主动补充材料，把"用了什么方法—通过什么机制—产生什么现象—得到什么实验结果—最终证明什么结论"这条完整链条讲清楚，不能让AI偷工减料。

偏离核心贡献

这是全文反复强调的问题。实验结果部分AI爱把数据平铺直叙地罗列，但正确做法是只强调能证明三个贡献点的结果。系统介绍时AI容易"平均用力"，而人应该在最重要的模块上多花篇幅，借鉴自其他论文的模块则可省略。Discussion 部分AI常"天马行空"地发散展望，需要人及时"收住"，拉回核心贡献。

但是这个这个我们也一定要注意

作者还分享了一个高效习惯：用语音输入做招呼式修改。看到某段写得不好，直接语音说出问题让AI调整，MiniMax 的语音识别转化很快，配合长上下文记忆，交互体验流畅。

"防御性写作"（Hedging）在学术写作中本有其正当用途：用"suggests"而非"proves"、用"may contribute to"而非"solves"，是遵循科学严谨性的常见做法。然而AI模型的防御性表述往往并非出于学术规范，而是模型训练中对"不过度承诺"倾向的泛化——它会不分场合地软化所有结论，即便研究数据已经足以支持强结论。这与学术写作的要求恰恰相反：审稿人反而会质疑措辞过于模糊的论文是否真的验证了作者的假设。作者提出的"能证明的就硬写进去，模棱两可的干脆不写"，实际上对应的是学术写作中对"声明强度"（Claim Strength）的精准控制：结论措辞应与证据强度严格匹配，既不缩水也不夸大，而这种校准判断目前只能由研究者本人完成。

论文图表：数据图放心交，插图仍需人把关

图表分两类，作者给出了截然不同的建议。

数据图（实验数据可视化）可以放心交给AI。 借助 MiniMax 较强的代码能力和多模态图片理解能力，给它一些参考图再喂上数据，就能复刻出图表。前提只有一个：保证数据绝对真实。 之后整理数据、写Python代码、输出图表，完全交给智能体即可。作者演示时只告诉AI原始数据存在哪个文件，它就整理好数据并画出插图，遇到文字重叠等小问题，一句话就能让它快速调整。

就这个论文的这个插图给他画了出来

插图（工作流图、架构图）则需要更多人的参与。 作者的做法是把喜欢的论文配图作为参考图发给AI，让它从逻辑上拆解画法，给出HTML或SVG范例，再在此基础上修改。但他坦言，出于对领域配图审美的高要求，自己往往还是会重画——目前AI还不能完全满足这类需求。多模态能力在这里也有用武之地：把喜欢的论文图或PDF发给AI，让它拆解结构并给出借鉴建议。

一张协作分工表：AI做什么，人做什么

作者最后做了清晰的总结。

AI擅长的四件事： 整理材料（读取整个项目文件、整理实验数据和用户访谈记录）；交互式修改（配合语音输入快速改稿）；生成代码和图表；多模态分析（解析参考论文的图表和PDF）。

人必须守住的四条底线：

抓住核心贡献——从头到尾向AI强调所有叙述都要围绕核心贡献；
证据把关——纠正防御性表述和夸大结论，实事求是讲清能证明什么、边界在哪；
论文主线——AI常把重点讲得少、边角讲得多，人要持续校准叙述逻辑；
最终核对——文字错误、结论的事实性、每一篇参考文献的真实性，都要人工再过一遍。

这套分工的底层逻辑其实很朴素：AI是强大的执行者和整理者，但对研究本身的理解、对核心价值的判断、对学术严谨性的兜底，仍然是研究者不可让渡的责任。工具越强，越考验使用者对"什么该自己做"的清醒认知。