← 作品集JASPER ZHANG / FIELD NOTES

A FIELD GUIDE FOR THE AI GENERATION

人文 × 社会科学 × 人工智能

人文社科大学生
AI 入门101

从题海走进 AI 时代

保持好奇,形成判断。
从一次对话,走向属于自己的人机协作。

进入阅读 三篇 · 十四章
一份面向未来的入门指南
HUMANITIES & SOCIAL SCIENCES向未来,保留自己的思考。 ↘
阅读标记核心概念关键判断行动建议

人文社科大学生 AI 入门 101

引言:从题海走进 AI 时代

不妨设想这样一种情境(欢迎来到2077(误))。

你刚刚结束高考,进入大学。过去十几年里,你已经很熟悉一套学习方式:记忆知识、理解例题、反复练习、应对考试。学习目标清晰,材料相对固定,评价标准也大多明确。

然而,当你第一次走进大学课堂,事情开始发生变化。

老师可能要求你在一周内阅读十来篇中英文文献,围绕一个陌生的社会现象提出问题并做一次展示,或者尝试发问卷、做访谈……你会逐渐发现,大学里有许多问题没有标准答案,甚至连问题本身都需要由你来发现和定义。

与此同时,另一种变化也在发生。

在你埋头备考的几年里,人工智能已经悄然改变了许多人获取信息、处理材料和完成工作的方式。一些过去需要反复查资料、学习软件、花上几个小时才能完成的事情,如今可能通过几轮对话就能得到相当不错的初步结果。AI 也逐渐走出了最初的聊天窗口,开始检索网页、读取文件、调用程序,甚至在一定范围内自主执行复杂任务。

对刚刚进入大学的你来说,这或许是一个有些奇妙的时代:许多知识与技术的使用门槛正在降低。你可以不懂编程就尝试数据分析,不熟悉排版软件也能制作图表,阅读外文文献不再像过去那样困难。另一方面,当获得答案、生成作品越来越容易,新的问题也随之出现:我们还需要学习什么?怎样判断 AI 给出的答案是否可靠?当它能够帮助我们完成越来越多的工作时,我们自己究竟应该做些什么?

对于人文社科学生,这些问题尤其值得认真思考。

我们的学习与研究关乎对人、历史、文化和社会的理解。我们需要阅读复杂文本,在不同理论之间展开对话,解释具体的制度、行动与社会过程;也会在材料不完整、观点相互冲突的情况下,努力形成审慎的判断。很多时候,找到一个恰当的问题,比迅速给出一份完整的答案更难。

AI 可以为这些工作提供强大的帮助。但它也可能让我们不知不觉地满足于现成的解释、流畅的文字和看似完整的成果。如果把学习 AI 简单理解为掌握几个 Prompt、安装几个工具,或者让模型替我们完成更多作业,那么我们或许会变得越来越“高效”,却未必真正变得更加善于思考。

我们需要一种更有主体性的使用方式。

这种主体性不意味着事事亲力亲为,也不意味着时时刻刻提防 AI。恰恰相反,我们完全可以大胆地把适合机器完成的任务交出去,利用新技术突破个人时间、知识储备和技术能力的限制。同时,我们仍要理解自己的工作,检查关键证据,并对最终采用的成果负责。

在这个意义上,学会使用 AI,也是在学习如何重新组织自己的认知劳动。

这篇文章正是从这样的想法出发。

它主要写给刚刚进入大学、对 AI 还不熟悉的人文社科学生,也希望给已经开始使用 AI、却还没有形成稳定方法的同学提供一些参考。它不会是一份很快就过时的模型排行榜,也不要求每个人一开始就学习编程、配置环境或者部署复杂的智能体系统。

我们会先讨论一些基本问题:AI 究竟是什么?模型、工具和智能体之间有什么关系?人与 AI 应该怎样协作?当生成变得越来越容易,为什么判断力和 Taste 反而值得重视?

随后,我们进入人文社科学习与研究的实际场景,讨论 AI 如何参与文献阅读、量化研究、质性研究和学术写作。最后,再从最普通的聊天窗口开始,一步一步接触工具调用、持续协作和 Agent 工作流。

我把这三个层次概括为:道、法、术。所谓“道”,是理解技术与自身;“法”,是组织学习和研究;“术”,是学会具体操作。三者不是一套必须按顺序升级的等级制度,而是相互支撑的三个方面。

技术还会不断变化。这篇指南更希望帮你建立一种信心:面对新的技术与工具,不必因为陌生而畏惧,也无需因为它们强大就盲目追随。你可以从自己的问题出发,在不断尝试、判断与修正中,逐渐找到适合自己的工作方式。

毕竟,我们正在进入一个需要终身学习的时代。学会适应变化,本身就是一种重要的能力。

第一篇 · 道:如何理解 AI,如何理解自己

一、从聊天窗口说起:认识 AI 背后的五个概念

我们不妨从一个大家可能比较熟悉的场景开始。

《哲学概论》课程进行到期中,娟子老师一般会布置一篇小论文,并且允许大家使用 AI 辅助完成。

你此前可能还没有接受过系统的哲学训练,面对这样一项开放性的作业,一时不知道从哪里开始。于是,你打开 ChatGPT,问它:“我要写一篇哲学概论的期中小论文,有没有什么值得讨论的问题?”

几秒钟后,AI 便列出一些选题:人是否拥有自由意志?我们如何确定自己所认识的世界是真实的?道德判断是否具有客观标准?它还简要介绍了这些问题背后的哲学争论。

你对自由意志比较感兴趣,于是继续追问。AI 开始介绍决定论、相容论等立场,帮你梳理其中的分歧。但听它讲述还不够,你希望阅读真正的哲学文献,于是请它查找资料。它开始检索网络,返回一些可供核对的文章和书目。

接着,你把老师提供的课程资料和自己找到的几份 PDF 上传,要求 AI 比较不同哲学家的论证。等论文思路逐渐清楚,你又请它检查论证中的逻辑漏洞,尝试提出反对意见,并帮忙处理文章的语言和格式。

在这个过程中,你面对的始终是同一个聊天窗口,但 AI 已经完成了几种性质不同的工作:最初是理解问题、生成回答;后来开始获取外部信息、阅读文件;再往后,还可能调用程序修改文档,或者自主安排多个操作步骤。

这些能力究竟来自哪里?

要回答这个问题,我们先认识五个常见概念:Model、Tool、Harness、Agent 和 Skill。它们并非从低到高排列的五种 AI,而是理解一套 AI 系统的不同切面。

1. Model:我们究竟在与什么对话?

Model,就是模型。我们平时提到 GPT、Claude、Gemini、DeepSeek,有时指模型家族,有时指具体模型或产品。需要注意,模型和日常使用的 AI 应用并不是一回事。比如 ChatGPT 是一款产品,GPT 则是支撑其部分能力的模型家族。我们看到的是聊天界面,背后还有许多不直接呈现在屏幕上的机制。

那么,大语言模型(Large Language Model,LLM)是什么?

对初学者而言,暂时不需要钻进神经网络的数学原理。可以先理解:模型通过大规模训练,学习语言、知识以及各种模式与关联,并经过后续训练进一步调整行为。生成文字时,它会根据上下文逐步预测并生成后续的 Token。Token 是模型处理文本的基本单位,可能对应一个字、一个词、一段词语或标点,并不严格等于日常所说的“字数”。

这乍听起来像一场复杂的“文字接龙”,但如果因此认为模型只会机械拼凑词句,就显然低估了现代大语言模型的能力。它们能够解释概念、比较理论、编写程序、辅助推理,也能围绕一个尚不成熟的研究想法与你持续讨论。

我们无须因为它的生成过程具有统计性质,就否认其展现的复杂能力;同样,也没有理由仅凭它能流畅讨论哲学,就直接断言它以与人相同的方式理解世界。

初学者还需要知道三件事。

第一,模型拥有的知识,不等于一个可以随时逐条核对的数据库。 你问它某位哲学家是否在某年发表过关于自由意志的论文,它可能给出一个煞有介事的标题、期刊和卷期,但那篇论文未必真实存在。人们通常把这类编造或缺乏依据的输出称为“幻觉”(Hallucination)。回答得流畅、自信,并不意味着证据已经得到核验。

第二,模型处理信息有上下文限制。 你当前的提问、前面的对话、上传的材料以及系统提供的信息,都可能占用上下文窗口(Context Window)。对话足够长时,早期内容可能被截断、压缩或遗漏。即使产品提供某种记忆功能,也不要假定它能够永久、完整、准确地记住每一句话。做长期项目时,把研究问题、重要材料和阶段性判断整理到独立文件中,比只依赖聊天记录更稳妥。

第三,AI 产品不一定只处理文字。 一些模型能够理解图片、音频等信息;一些产品还会组合多个模型与外部工具来生成图像、视频或处理文件。这就是我们经常听到的“多模态”能力。能否使用这些功能,取决于具体模型和产品的配置。

知道这些,我们就能比较清楚地判断:哪些事情可以直接问模型,哪些需要核验,哪些还需要借助外部能力。

2. Tool:模型怎样获得外部能力?

回到期中论文的例子。AI 帮你找到网页、读取课程文件,甚至制作出一份可编辑的阅读计划表。它并不一定只是“想出了”这些内容。

一个模型即使能写出正确的 Python 代码,也不意味着它天然能够执行代码;即使能介绍某个网站,也不意味着它已经访问过该网站。

因此,我们需要第二个概念:Tool,即工具。

搜索引擎、代码执行环境、文件读取程序、数据库接口,以及其他软件开放的功能,都可以成为 AI 使用的工具。当系统提供相应接口和权限时,模型可以发起工具调用,由外部程序执行操作,再将结果返回。

例如,你要求 AI 将老师的阅读清单整理成 Excel。如果当前产品有文件处理能力,它可以实际创建表格;如果没有,也许只能给出一份可以复制到 Excel 的文本。这两种结果显然不同。

这里最重要的一点是:知道怎样做,与实际具有完成操作的工具和权限,是两回事。

模型可能知道怎样检索中国知网,但没有合法访问权限,就不能凭空取得付费文献全文。它能够生成网页代码,也不等于已经把网页部署上线。

以后,当 AI 告诉你“已经完成”时,不妨多看一眼:它究竟只是描述了一套方案,还是已经实际执行,并留下了可以检查的结果?

3. Harness:同一个模型,为什么在不同产品里表现不同?

现在我们认识了模型和工具。但你可能又会发现:两个产品使用的模型相近,其中一个主要陪你聊天,另一个却能持续处理文件、运行程序,甚至把一份复杂的任务分成多个步骤。

这就涉及 Harness。

Harness 原有“挽具”“控制装置”等含义,在 AI 领域通常指围绕模型搭建的运行与编排机制。它尚无完全统一的定义,这里可以理解为:让模型在一定规则与环境中协调工具、管理上下文、组织执行过程的一套运行系统。

例如,你要求 AI 整理自由意志问题的阅读指南。系统可能需要先确定检索范围,调用搜索工具,读取文献,保存中间笔记,再生成最终文件。如果某篇资料打不开,它可能需要调整检索方式;如果涉及修改重要文件,则可能需要请求你的批准。

这些事情除了需要模型的理解与决策,还需要工具注册、任务状态、上下文管理和权限控制等运行机制。它们便属于 Harness 所关注的范围。

因此,同一个模型,在不同 Harness 中可能有很不一样的实际表现。 评价 AI 产品时,只看模型排行榜并不够;还要看它能访问什么、能执行什么,以及工作过程是否透明、可干预、可恢复。

4. Agent:当 AI 能够自己安排工作

接下来是 Agent,也就是大家常说的“智能体”。

它在学界和产业界没有完全统一的定义。入门阶段,可以先抓住一个核心特征:在给定目标与约束后,系统能够在一定程度上自主决定执行步骤、调用工具,并根据得到的结果调整下一步行动。

如果你问普通聊天机器人“怎样准备哲学概论的期中论文”,它可能列出选题、查文献、写提纲等建议。而在一个具备合适工具和权限的 Agent 环境中,你可以让它阅读指定目录里的课程资料、检索公开文献、整理阅读目录,并生成一个可编辑的工作计划。你不必逐次指示每一个文件如何打开、每一步使用什么工具。

这里可以顺便区分 Workflow(工作流)与 Agent。工作流通常按事先设计的路径执行,例如“读取文件—按规则分类—输出表格”;Agent 则强调根据任务进展动态选择行动。当然,实际产品往往把预设工作流和动态决策结合起来,并没有一道绝对清晰的分界线。

Agent 的“自主”也不意味着“无限授权”。允许它读取一份文献,与允许它删除文件、发送邮件,是完全不同的权限。对于可能造成重大后果、难以撤销的操作,仍需要明确的边界与人工确认。

还有一件事需要记住:能够自主完成步骤,不等于从一开始就正确理解目标。 如果你误解了一位哲学家的立场,Agent 可能非常高效地完成一整套建立在错误前提上的整理工作。执行越便捷,越需要我们认真检查目标与结果。

5. Skill:让 AI 复用成熟的工作方法

最后是 Skill。

你可能在 AI 社区里看到过“最强论文写作 Skill”“一键生成学术 PPT”之类的分享。它们容易让人觉得,Skill 是一种安装之后就能凭空获得的专业能力。

实际上,在目前流行的一类 Agent Skills 规范中,Skill 通常是包含操作说明的文件夹,使用 SKILL.md 等文件写明何时适用、怎样执行,并可以附带模板、参考资料或脚本。你可以把它理解为一份供 AI 反复使用的工作手册。

例如,你希望 AI 在检查哲学论文时,先识别核心论题,再拆解主要前提和结论,随后寻找反对意见。把这些要求整理成一份 Skill,后续遇到相似任务,系统就有机会复用这套方法。

不过,Skill 并不会凭空增加模型的基础能力,也不能绕开工具权限。它能够复用某种做法,却不能保证这种做法始终合理。好的工作经验适合沉淀;未经检验的模板,也可能让错误被反复复制。关于为什么不要迷信 Skill,我们会在第三节接着谈。

6. 再回到那个聊天窗口

现在回头看,刚才那篇《哲学概论》期中论文就没那么神秘了。

你与 AI 讨论自由意志时,Model 主要负责理解问题、组织信息和生成回答;需要检索网页、读取文件或制作表格时,Tool 开始参与;协调模型与工具、管理上下文和权限的,是 Harness 所承担的一类机制;当系统能够围绕目标自主安排多步操作时,我们开始接触 Agent 式的工作方式;经过检验的操作方法,还可以沉淀成可复用的 Skill。

它们也并不是一套必须严格套用的技术层级。Agent 往往依赖某种 Harness 运行,但 Harness 不一定只服务于高度自主的 Agent;Skill 也可能被不同类型的应用加载。

对于人文社科学生,理解这些概念并不是为了成为 AI 工程师,而是为了看懂自己正在使用什么:模型提供基础能力,工具与运行环境影响它能实际做什么,而人的目标与授权则影响这些能力被用在何处。

认识这些能力之后,更切身的问题是:人应该怎样与 AI 协作?


二、与 AI 协作:表达、分工与主导权

许多 AI 入门教程强调“如何写好 Prompt”:说明身份、提供背景、指定格式,或套用模板。这些技巧有用,但不足以应对真正复杂的协作。实际生活中,我们不总是提前知道自己需要什么。一篇文章的结构可能随着阅读而调整,一项研究的问题也可能在讨论中逐渐清晰。与此同时,AI 不只会执行指令,还会主动提出建议、框架和工作计划。

所以,人机协作不能只理解为“我发出命令,它负责执行”。我们需要学会表达自己的想法,判断 AI 的建议是否合适,也需要在较长的工作过程中保持方向感。

1. 学会表达:你未必需要先想好答案

刚开始使用 AI 时,我们容易像使用搜索引擎那样,输入几个关键词:“自由意志论文”“帮我理解康德”“这个理论什么意思”。

模型当然能够作答,但它很难知道你究竟想让它做什么:是推荐选题、解释哲学史,还是检查某个具体论证?你是第一次接触哲学的大一新生,还是已经读过原著、希望继续深入?

因此,一种很有效的习惯,是尽量交代自己的背景、任务和期待。例如:

我正在准备《哲学概论》期中小论文,目前对自由意志有一点兴趣,但还没有形成明确选题。我是刚接触哲学的本科生,希望先了解适合入门者讨论的具体问题,以及它们各自的争论焦点。暂时不要帮我写论文。

这段话并没有什么特殊语法。你只是向它说明了自己身在何处、已经知道什么、希望获得怎样的帮助。

但大学里很常见的另一种情况,是我们自己也没想清楚问题。读完一篇文章,你觉得作者的解释似乎哪里不对,却说不出究竟是什么。与其为了凑出一个“完美 Prompt”而苦恼,不妨直接说:

我现在的想法还很模糊。先不要急着给结论,能不能通过提问,帮我弄清楚自己到底困惑在哪里?

你可能会想起维特根斯坦关于语言界限的讨论。语言表达不等同于思维能力,更不意味着几个提示词技巧就能带来深刻思想,但语言确实是我们组织问题、与他人交流的重要媒介。有时,你发现自己无法向 AI 说明究竟想做什么,恰恰是在提醒自己:对这个问题的认识还不够清楚。

学会表达,不意味着提前拥有完整答案,也包括敢于把不成熟的想法带入对话。

2. 从问答到对话:让思考继续发生

如果只是提出一个问题、接收一份回答、觉得差不多就复制下来,我们实际上把大模型用成了一个会写长答案的搜索框。

很多有价值的讨论,反而发生在第二轮、第三轮之后。

例如,你让 AI 介绍决定论与自由意志的争论。读完解释,你又问:“如果人的行为总是受到过去经验、社会环境和生理条件影响,自由选择究竟意味着什么?”

它介绍了相容论的思路,你可以进一步追问:“这些立场对‘自由’的定义是否相同?有没有可能看似互相反对,实际上在回答不同的问题?”

随着对话深入,你开始从获取知识转向检查概念、分析论证。你还可以要求 AI 尝试站在相反立场提出最有力的反对意见。

对于人文社科学生,这种交互方式尤其重要。许多问题无法靠一轮问答解决。我们需要反复辨析概念,比较不同观点,确认自己究竟同意或反对什么。

不过,“让 AI 批评我”也可能流于形式。它列出三个问题,并不代表这三个问题真能击中论证的要害。我们仍然需要判断反对意见有没有针对性,能否找到相应依据,以及自己是否真正理解了争论的焦点。

好的对话未必每轮都让我们更接近一个现成答案,但应该让问题变得更清楚。

3. AI 给出了一套漂亮方案,我们还会继续追问吗?

现在,我想讨论一种不太显眼的风险。

假设你对某个社会现象只有模糊的研究兴趣,于是把想法告诉 AI。它很快给出一份结构完整的方案:研究背景、理论框架、核心概念、研究假设,甚至连方法和章节安排都准备好了。

你觉得不错,就让它继续完善。几轮下来,研究计划已经有模有样。但如果回头看看最初的兴趣,可能会发现,你真正想理解的现象在这套框架中反而成了次要内容。

这有点像一种认知上的路径依赖:当 AI 提供了一条铺设得很顺畅的道路,我们可能会不知不觉地沿着它继续前进,减少对其他方向的探索。尤其当自己还没想清楚问题时,一套整齐的框架很容易让人产生“研究正在顺利推进”的感觉。

当然,AI 的意外建议也可能打开一条真正有价值的新路。我们并不需要固守最初的想法。关键在于,能否意识到自己的方向发生了变化,理解为什么接受这一建议,以及它是否有助于更好地理解自己关心的问题。

因此,在较长的探索中,不妨偶尔回到原始材料和最初的兴趣,问问自己:现在讨论的还是我想追究的现象吗?这套分类或框架为什么适合它?有没有被遗漏的事实或其他可能?

这一点暂时说到这里。更复杂的解释性探索,将在第二篇讨论质性研究时展开。

4. 怎样分工:根据任务,而不是根据对 AI 的态度

当我们开始让 AI 参与实际工作,一个常见的问题是:究竟应该把多少事情交给它?

我更倾向于从任务的性质来判断,而不是先给出一条僵硬的边界。

如果你已经知道一张图表要表达什么,完全可以请 AI 调整字体、颜色、标注与排版,没有必要花几个小时亲自重复操作。但如果连图表要说明的问题都还没想清楚,先让 AI 生成十张精美的图,未必能让研究真正前进一步。

具体来说,我们可以看三个方面。

首先,任务是否清楚。例如,按照确定规范统一文档格式,通常比从一组历史材料中发现新的研究问题更容易描述与委托。

其次,结果是否容易核验。统计程序的输出可以回到原始数据和代码检查;一段田野材料的解释则可能需要更多语境、比较与证据,才能判断是否成立。

最后,出错的代价有多大。调整一份测试文档与删除重要研究资料,绝不能采用相同的权限设置。涉及隐私、敏感材料和不可逆操作时,更应谨慎。

因此,对于目标明确、低风险且易检验的任务,我们可以提高 AI 的自主性;对于具有探索性、需要复杂判断或后果较重的任务,则应保留更多人工参与。

这并不是在规定哪些事情只能由人完成。随着技术变化,人机分工的具体边界也可能变化。真正值得掌握的是:根据目标、可验证性和风险,灵活安排 AI 参与到什么程度。

5. 主导权不只是审批操作,也包括把握问题

对于较明确的执行性任务,一种稳妥的协作方式是:先说明目标与边界,让 AI 提出计划;确认关键步骤之后执行;在必要时检查中间成果;最后验收结果、保留可恢复的文件版本。

例如,让 AI 清理一份问卷数据时,你至少需要知道它如何处理缺失值、哪些记录被排除、变量经过了怎样的转换。程序运行成功,不意味着研究设计和结论就没有问题。

但并不是所有任务都适合被写成一份固定的执行清单。研究问题尚不明确时,我们可能需要反复对话、阅读材料,甚至随时调整最初的方向。此时,最重要的不是审批每一步,而是持续理解为什么要这样做,以及现有证据是否支持当前判断。

我觉得可以把人在协作中的主导权分成两个方面。

一方面是执行层面的控制:明确权限、管理文件、查看中间结果,并在必要时暂停、纠错或恢复。

另一方面是认知层面的主导:保持对问题本身的关注,判断 AI 提出的观点和方案是否值得采纳,也有能力拒绝那些看起来完整、实际上偏离了目标的建议。

这两种能力彼此联系,但不能混为一谈。一个人可能严格审批了 Agent 的每一步操作,却从未追问这项任务是否值得做;也可能在讨论中拥有清楚的问题意识,却因为没有检查权限,让系统误改了重要文件。

因此,所谓驾驭 AI,既意味着组织它的行动,也意味着能够审视它正在帮助我们完成的究竟是什么。

6. 不必事事亲力亲为,也不要轻易交出判断

说到这里,我还想澄清一种可能的误解。

强调人的主导权,并不意味着只有自己亲手完成的劳动才有价值。搜索引擎、统计软件、文献管理工具早已扩展了我们的研究能力;AI 也可以如此,而且能够承担的任务更多。

如果 AI 帮助你读懂一篇此前难以理解的英文文章,最后你已经能够独立讨论其中的观点,那么这显然是有意义的能力拓展。如果它帮你完成重复的数据整理,让你有更多时间检查研究设计,同样值得欢迎。

需要关注的是,你是否理解自己正在做的事情,能否识别结果的质量,以及是否愿意为最终采用的判断负责。对于课程论文,老师允许 AI 辅助也不等于允许任何形式的代写或虚构引文;对于含有个人信息的访谈录音与调查数据,更不能为了方便就随意上传到不合适的平台。

我们可以让 AI 做很多工作,也可以允许它的建议改变自己的思考;但应该尽可能知道这种改变是怎样发生的,并在关键处作出自己的判断。

使用 AI 的能力,不只是让它更准确地执行要求,也包括面对它提出的各种方案时,能够选择、修改乃至拒绝。

而当 AI 能越来越容易地生成完整、漂亮的成果,另一个问题就显得更加重要:我们究竟凭什么判断,什么才是真正好的作品?


三、从“会用”到“善用”:Taste、Skill 与 AI Slop

随着生成式 AI 的普及,我们似乎进入了一个内容越来越容易生产的时代。

写活动策划?几分钟就能拿到一套方案。做课堂展示?AI 可以帮忙生成排版精美的 PPT。写课程论文?只要给出题目,它甚至能迅速生成几千字看起来颇有学术味道的文字。

这些能力确实令人兴奋。但当我们逐渐习惯这样的工作方式,一个新问题也随之出现:当生成内容的成本越来越低,我们究竟凭什么判断一份成果是好是坏?

这就是我想谈的 Taste。

1. 什么是 Taste?

Taste 通常被翻译为“品味”或“鉴赏力”。日常生活中,我们会用它谈论一个人的审美偏好,例如设计品味、文学品味或音乐品味。在这里,我想稍微扩展它的含义。

我们可以将 Taste 理解为一种经过知识、经验与实践逐渐形成的判断能力:它让我们能够分辨不同成果的质量,理解一份优秀作品为什么优秀,并且在多种可能的方案中作出恰当的选择。

这有些抽象,不妨回到《哲学概论》的期中论文。假如你让 AI 写一段关于自由意志的论文开头,它可能生成:

自古以来,自由意志问题始终是哲学领域的重要议题。随着人类思想的不断发展,哲学家们从不同角度展开了深入讨论,这些争论不仅具有重要的理论意义,也为我们理解现代社会中的个体行为提供了深刻启示。

这段话没有明显语法错误,看起来也很像学术文章,但仔细想想,它究竟表达了什么?把“自由意志”换成“正义”“知识”或“幸福”,这段话似乎仍然成立。它没有真正提出一个需要讨论的问题。

相比之下,我们也许可以这样开始:

假如一个人的所有选择都受到此前经验、环境和心理状态的影响,那么我们还有什么理由认为他应当为自己的行为承担道德责任?

第二种开头至少提出了一组具体的张力:因果决定与道德责任。接下来,作者便可以围绕相容论及其反对者的论证展开讨论,而不必先用大段套话强调“这一问题很重要”。

我们为什么会觉得第二段更好?这里其实涉及几个不同层次的判断。

首先是事实与规范。 一篇文章不能编造文献、歪曲他人观点,也应当遵守基本的引用规则。

其次是方法与论证。 它有没有清楚的问题?概念是否恰当?材料和理由能否支持结论?

再往前一步,才更接近这里讨论的 Taste。 即使几种方案都满足基本规范,也可能存在明显的质量差异:哪一种表达更贴切,哪一个切入点更能触及重要矛盾,哪一种组织方式能够让读者真正理解复杂的问题?

这几个层次彼此联系,但不能完全混为一谈。一张统计图的数据错了,首先是事实或方法上的问题;两张图都准确呈现了信息,我们才进一步讨论哪一种更适合研究意图、更清晰、更有表现力。

因此,Taste 不是“只要看起来高级就好”,也不等于一般意义上的专业知识。它需要知识、规则和经验的支撑,却还包含一种很难完全写成标准答案的选择能力。不同学科、任务与作者的目的,也会影响我们对于好作品的判断。

好的 Taste,让我们不满足于“看起来不错”,而愿意继续追问“它为什么好,又能怎样更好”。

2. “抽卡式”使用:为什么这一次比上一次好?

你可能有过这样的经历。

想做一张课堂展示的封面,于是让 AI 生成图片。第一版不满意,就让它“再高级一点”;第二版似乎不错,但你觉得颜色不协调,便要求“更有学术感”;来回几轮,终于抽到一张看起来顺眼的结果。

这种不断生成、筛选、重新尝试的过程,在一些 AI 社区里被形象地称为“抽卡”。

我并不认为抽卡本身有什么问题。创意探索时,我们未必一开始就知道自己究竟想要什么。让 AI 提供不同方向,可能帮助我们发现原本没考虑过的可能性。

但如果整个过程只剩下“生成—选择—再生成”,我们容易忽略一个重要的问题:为什么这一版比上一版更好?

例如,你觉得某张 PPT 页面明显优于其他版本,是因为删掉了多余的装饰,文字与图形的层次更清晰,还是因为它真正突出了研究想表达的信息?

当你能把这些差异说清楚,下一次提出要求时就不必完全碰运气。你开始把一次偶然的选择,变成可以复用的经验。

这也适用于文字和学术研究。如果觉得某段话“AI 味很重”,可以继续判断:是开头套话太多、句式不断重复,还是根本没有具体事实和真正的论证?如果某个选题不够有意思,是因为缺乏经验基础、已经被充分讨论,还是始终没有说清问题出在哪里?

与其反复对 AI 说“这版不好,再改”,不如逐渐学会解释它哪里不好,以及你想改到什么程度。

当然,我们不可能每次都准确说出自己的标准。有时恰恰是在比较多个结果的过程中,才发现自己原来在意什么。重要的是,别让这种尝试永远停留在碰运气的层面。

3. Skill 能沉淀经验,却不能代替经验

理解了 Taste,再回头看第一节介绍过的 Skill,就会发现一个值得警惕的现象:对现成工作流程的迷信。

在一些 AI 社区,我们经常看到“最强论文写作 Skill”“一键生成顶级学术 PPT”之类的说法。好像只要安装了某套技能,就能够直接获得一个领域的专业水准。

Skill 确实很有价值。它可以把稳定的操作步骤、约束条件、工具使用方法和参考资料组织起来,减少重复说明。但它能否产生好的结果,首先取决于所封装的经验是否可靠、是否适用于当前任务。

假如某套 Skill 要求 AI 将论文统一写成“背景—问题—原因—对策”的结构。对于某些政策报告,这种安排可能很方便;但如果你正在写一篇围绕概念和论证展开的哲学论文,或者试图从复杂历史材料中解释一项制度的运行,它就未必适用。

甚至有时,Skill 执行得越严格,越可能让一套不合适的框架压过材料本身。原本值得研究的意外和矛盾,可能在整齐的分类中消失。

这也解释了为什么我不赞同将 Skill 理解为可以直接安装的“专业能力”。它提供的是一套可复用的方法,至于方法本身好不好,是否需要根据任务调整,仍然需要使用者判断。

借鉴开源社区的 Skill,可以学习别人怎样拆解问题、检查质量、组织文件。但使用之前,应先了解设计理由、适用边界,以及附带脚本所需的权限。

如果你自己已经反复做过某项工作,并逐渐形成可靠的方法,也可以将其整理成 Skill 分享出去。这时,Skill 才真正成为经验的沉淀。

Skill 能够复用方法,却不能保证方法在新的情境下始终正确。 对初学者而言,比收集几十个 Skill 更重要的,是先亲自完成一些真实任务,知道好流程究竟从何而来。

4. 从批量生成到 AI Slop

说到这里,我们就可以讨论 AI Slop 了。

Slop 原本有“泔水”“粗劣东西”等含义。近年来,人们用它来形容那些大量生成、缺乏认真筛选与质量控制的低质量 AI 内容。它可能是一段充满套话的文章、一张细节混乱的图片、一条没有信息量的视频,也可能是一份排版精美、内容却经不起推敲的研究报告。

需要强调,AI Slop 不等于所有使用 AI 制作的内容。 一篇经过认真研究、核对与修改的文章,即使大量使用 AI 辅助,也完全可能很出色;反过来,完全手工写出的东西也可能充斥空话和错误。

真正值得警惕的,是内容生产变得越来越方便之后,我们是否也在不知不觉地降低了对质量的要求。

这与前面谈到的抽卡和 Skill 迷信有内在联系。如果只通过反复生成来寻找满意的结果,却不形成判断标准,那么产出越来越多,理解未必随之加深。如果把未经检验的现成流程一遍遍套到新的任务中,原有的问题还可能被成倍复制。

在人文社科领域,AI 很擅长生成“多维分析”“复杂互动”“深层机制”等学术化表述,甚至搭配工整的机制图。但继续追问:概念指向什么经验事实?机制从哪些材料中发现?如何排除其他解释?这些漂亮词句可能就经不起推敲。

还有一种危险,是我们越来越习惯通过成果的外观评价工作:文章是否足够长、框架是否足够完整、页面是否足够精美。但这些外观特征,与知识贡献并没有必然联系。

不要让 AI 生成内容的速度,决定我们接受内容的标准。

看到一篇文章,可以问它究竟提出了什么值得讨论的问题;看到一张图表,检查它是否准确、是否帮助我们理解数据;看到一套理论框架,回到原始材料,看看它有没有足够的解释力。

这是对作品负责,也是在保护我们自己的判断能力。

5. Taste 需要在实践中慢慢形成

那么,究竟怎样培养 Taste?

我想,这个问题并没有一套能够快速奏效的技术答案。

首先,需要接触优秀作品。读好的学术论文,观察作者怎样发现问题、选择方法、组织论证;面对设计和写作作品,也试着说清楚它们好在哪里。

其次,通过比较形成判断。同一个研究问题,看看不同学者如何界定概念、安排论证;同一份展示材料,比较几种方案分别强调了什么、舍弃了什么。当 AI 给出多个版本时,尽量别只选最顺眼的一个,而要逐渐说得出自己的理由。

最后,Taste 需要通过实际创作与修改逐渐形成。你可以让 AI 批评自己的文章,也可以自己修改 AI 生成的文字;它提出几个框架,你可以逐个追问它们与材料的关系。AI 能提供低成本的试错和反馈,但它的评价也不必然正确,更不能取代老师、同学与真实读者的意见。

这意味着,我们既可以借助 AI 加速实践,也需要通过专业学习、与他人的交流和一次次修改校准自己的标准。

久而久之,我们或许能够更清楚地识别何为好的表达、好的研究问题和好的工作方法,也更容易看出某些形式完美的成果究竟缺少了什么。

不过,判断好作品只是问题的一面。对于正在大学里学习的我们,还有另一个更切身的问题:即使 AI 已经帮助我们完成了一份很好的作业,我们自己是否也真的学会了?


四、AI 原生一代:重新理解学习

当 AI 已经能够解释概念、阅读材料、完成分析和写作,我们为什么还需要花时间学习这些东西?如果一项过去要忙一整周的作业,今天几小时就能完成,难道不是好事吗?

当然是好事。但大学里有许多任务同时具有两种目的:一方面,我们要完成某个成果;另一方面,完成它的过程本身,就是训练能力的过程。

当 AI 开始参与其中,这两件事便不再总是同步发生。

1. 完成任务,不等于获得能力

还是《哲学概论》的期中论文。

假设老师允许合理使用 AI。你让模型生成一份关于自由意志与道德责任的论文初稿,又请它反复修改,最后得到一篇结构完整、语言流畅,甚至包含一些有意思观点的文章。

如果只看最终文件,这份作业可能相当不错。

但假设老师接着问你:“为什么这里选择讨论相容论?”“文章中最重要的反对意见是什么?”“如果决定论成立,为什么仍然可能谈论道德责任?”你能不能离开 AI,说明自己究竟赞成什么、为什么?

如果不能,完成了一篇好看的论文,并不意味着我们已经理解了其中的哲学问题。

在过去,完成课程论文通常要求学生经历选题、阅读、思考、组织论证和写作。虽然也有敷衍和照搬的可能,但任务本身多少会促使人经历这些认知活动。现在,AI 可以接手其中相当多的环节,因此任务完成与能力形成之间,可能出现明显的距离。

这不是说必须亲自完成所有操作才算学习。假如任务只是按照现成记录生成一份会议纪要,使用 AI 节省时间完全合理。但如果写课程论文的目的正是训练阅读原著、辨析概念和构建论证,那么直接跳过这些环节,就可能错过原本最有价值的学习过程。

所以,在决定让 AI 帮你做什么之前,不妨先问自己:眼下这件事,主要是为了得到结果,还是为了练习一种能力?许多作业兼具这两个目标,我们需要在具体情境中权衡。

2. 有些困难,值得自己经历

这又引出一个有点反直觉的问题:当 AI 可以替我们迅速解决困难,为什么还要保留某些学习中的困难?

比如,你第一次阅读康德的一段原著。概念陌生,句式复杂,读了好几遍还是不太理解。把原文交给 AI,它很快就能给出一份通俗的解释。

这种帮助当然有价值。但如果每遇到读不懂的地方,我们都立刻跳过自己的尝试,直接接受 AI 的转述,那么训练复杂文本阅读的机会也可能随之减少。

教育心理学中有一个相关概念,叫作“合意困难”(Desirable Difficulties)。某些让学习暂时变得费力的活动,在适当条件下,反而可能帮助知识的保持、理解和迁移。当然,不是所有困难都有教育价值:如果缺少必要背景、长期无法理解材料,继续独自摸索也未必有效。

关键在于:这项困难究竟是不是我们希望训练的能力的一部分?

学习哲学论证时,亲自尝试识别前提与结论,值得保留;为了完成这项训练,手动调整几十处文档格式就没什么必要。学习统计学时,理解模型的假设和结果含义可能比记住某一软件的操作命令更重要;但如果你正在学习编程,自己阅读、运行和调试代码,恰恰就是需要练习的内容。

我很喜欢这样一种思路:让 AI 帮我们克服妨碍学习的困难,同时尽量保留那些有助于学习的困难。

3. 把 AI 当作逐渐撤去的学习支架

实际学习时,可以借用教育学中的“支架”(Scaffolding)思路。当学习者暂时无法独立完成某项任务时,先提供必要的支持;随着能力提高,再逐渐减少帮助,让学习者承担更多工作。

AI 也可以发挥类似作用。

例如,阅读一篇关于自由意志的论文时,你先自己尝试划分论证结构,记下看不懂的段落;接着让 AI 解释关键概念,检查你对前提和结论的理解;随后回到原文,再试一次;最后,关掉聊天窗口,用自己的语言向同学讲清楚作者究竟如何论证。

如果一离开 AI 就完全解释不清楚,可能意味着你只是觉得它的回答“很有道理”,还没有真正将理解转化为自己的能力。

同样,学习统计学时,可以先让 AI 解释分析思路,再尝试自己解读结果;练习写作时,可以让 AI 指出论证问题,但试着亲自改写;学外语时,可以让它充当对话伙伴,却也应当尝试独立表达。

这种方法的核心,并非刻意限制 AI,而是根据学习目标安排它的支持程度。当我们正在练习一种能力,可以适当减少 AI 的代劳;当我们已经掌握了相应方法,进入更复杂的实际任务,就可以反过来增加 AI 的自主性,把精力留给新的挑战。

AI 参与多少,没有固定的标准答案。它应该随着任务目标、个人基础和能力变化而调整。

4. 什么才是真正的“AI 原生”?

在数字技术的发展过程中,人们曾用“数字原住民”形容从小生活在互联网环境中的年轻人。如今,大模型进入学习与生活,“AI 原生一代”的说法也开始出现。

但我并不想按照出生年份为谁贴上“AI 原生”的标签。同龄人的技术接触条件、使用经验可能差异很大;从小使用一种技术,也不意味着天然理解它。

在这里,我更愿意把“AI 原生”看作一种值得主动培养的能力:能够自然地将 AI 纳入学习与工作,理解它的能力和限制,并根据不同目标调整人机之间的分工。

它意味着既敢于使用新技术,也有能力判断何时不该直接接受现成答案;既愿意借助工具突破过去的门槛,也不会把“AI 帮我做到了”误认为“我自己已经学会了”。

对人文社科学生而言,这可能打开许多新的可能性:历史学学生有机会整理规模更大的档案线索,社会学学生可以在学习方法的过程中探索新的数据分析方式,哲学学生也能利用 AI 接触更多理论立场、不断检验自己的论证。

我们仍然需要认真阅读、学习方法、走进田野,与真实的人和社会打交道。但在 AI 的帮助下,可以重新安排时间与精力,把更多注意力投入真正值得探索的问题。

成为“AI 原生”的关键不在于掌握某一款工具,而在于持续学习,并在实践中发展自己的能力。

理解了模型与运行环境,也讨论了协作、判断与学习,接下来就可以把这些认识带入文献、数据和田野材料构成的真实研究场景。

第二篇 · 法:重新组织我们的知识生产

从文献阅读、社会调查、统计分析,到理解历史材料和撰写论文,大学阶段的专业学习要求我们使用不同的方法,也遵循各自的证据标准。

AI 参与其中的方式也不相同:有些工作可以组织成清晰、可复现的计算流程,有些则需要在材料、问题与解释之间不断往返;更多时候,两种工作方式还会相互结合。

因此,这一篇将从真实的学习与研究场景出发,讨论 AI 如何帮助我们进入已有的学术讨论、开展量化与质性研究,以及通过写作组织自己的论证。最后,再看看当不同方法的技术门槛逐渐降低,人文社科研究还可能出现哪些新的探索空间。


五、文献阅读:从理解单篇文章到进入学术对话

文献阅读是人文社科大学阶段绕不开的工作。老师布置的材料越来越多,一篇二三十页的论文读上几个小时,也未必说得清作者究竟想解决什么问题。碰上英文文献,困难可能更大。

现在,我们可以让 AI 解释陌生概念、梳理论证,或比较不同作者的观点。过去需要反复查阅背景资料的疑问,有时几轮对话就能得到初步解答。

但 AI 在文献阅读中最值得利用的能力,还不止于此。

当我们开始阅读越来越多的论文,真正困难的事情往往不再是理解某一篇文章的主要观点,而是弄清楚:这些研究究竟在讨论什么问题?它们为什么会产生分歧?后来的学者又怎样回应此前的研究?

这也意味着,我们需要逐渐从理解单篇文献,走向理解文献之间持续展开的学术对话。

1. 在阅读之前:让 AI 帮助我们找到入口

假设你正在准备《哲学概论》的期中论文,希望进一步了解自由意志与道德责任之间的关系。

相关研究实在太多:决定论、相容论、道德责任、行动理论……概念彼此关联,问题却不完全相同。初学者可能连检索关键词都要摸索一段时间。这时,AI 可以成为入口。

你可以向它介绍自己的兴趣与知识基础,请它帮助梳理相关概念、提供检索关键词,或者介绍这一领域通常讨论哪些重要问题。

例如,你可以询问:

我是一名刚刚开始学习哲学的本科生,对自由意志与道德责任之间的关系比较感兴趣。请先帮我梳理这一问题涉及哪些基本概念、主要争论,以及适合进一步检索文献的中英文关键词。

通过这样的讨论,我们可以逐渐缩小阅读范围,形成对研究领域的初步认识。

如果 AI 具备网络检索工具,还可以帮助寻找相关论文、出版机构网页或公开的学术资料。

但这里必须注意一个问题:AI 提供了某篇文献的信息,不等于这篇文献真实存在,更不意味着它已经准确阅读了全文。

尤其是当模型并没有实际检索数据库或获取文献原文时,它所生成的作者、标题、发表年份和期刊信息,都可能存在错误。

因此,对于准备正式阅读或引用的文献,我们仍然需要通过学校图书馆、学术数据库、出版社网站等可靠渠道进行核验。

检索词的选择、通过引文关系追踪研究脉络、判断文献的阅读优先级,都属于需要逐渐掌握的学术信息素养。以后值得单独写一篇文章。(如果一个月后还没更,欢迎催更 Orz)

现在,我们先假设,你已经找到了几篇真正想要阅读的文献。

2. 进入一篇论文:从获得摘要到理解论证

打开一篇二十多页的英文哲学论文,陌生概念、复杂句式和密集的参考文献难免让人头疼。最直接的办法,是上传 PDF,然后说:

“帮我总结一下这篇文章。”

几秒钟后,你就得到了一份结构清晰的摘要,里面列出了文章的主要观点、研究方法和基本结论。

这种方式很方便,但如果我们始终满足于摘要,可能会错过学术阅读中真正有价值的部分。

一篇学术论文通常包含着连续的论证过程。

作者为什么要提出这个问题?他试图回应谁的观点?为了支持自己的判断,采用了哪些前提和证据?面对可能的反对意见,他又作出了怎样的回应?

这些问题有时比最终得到的结论更加重要。

因此,我更愿意把 AI 当作一位能够随时参与讨论的阅读助手。

例如,在正式阅读之前,我们可以先请它帮助识别文章的核心问题和整体结构,对全文形成初步认识。

进入正文之后,遇到难懂的段落,可以让 AI 结合上下文解释概念,或者尝试用更加通俗的语言重述作者的论证。

如果某个论证仍然不好理解,还可以进一步要求它区分作者的基本前提、推理过程和最终结论。

例如,假设某篇论文讨论自由意志与决定论的相容性。

如果 AI 只是把文章概括为“作者认为人具有自由意志”,我们就可能忽略一个更加重要的问题:作者究竟怎样理解自由?他认为自由为什么能够与某种形式的因果决定论相容?

只有进一步进入论证,我们才能理解这个观点究竟有什么特别之处,以及它与其他哲学立场的分歧在哪里。

还可以围绕文本继续追问:

“作者在这里使用的‘自由’,与上一节的含义是否相同?”

“如果不接受这个前提,后面的结论还能成立吗?”

“文章是否回应了这一反对意见?如果有,具体在哪一部分?”

当模型能够读取原文时,我们还可以要求它指出相关段落的位置,方便自己回到文本中检查。

PDF 的扫描质量、排版、脚注和表格都可能影响 AI 的读取效果。重要概念、引文和论证仍要回到原文核对。

我认为,比较理想的方式,是让 AI 帮助我们跨越语言与知识背景上的障碍,同时逐渐进入论文真正的论证过程。

当我们读完一篇文章,最终能够用自己的语言解释作者为什么提出这个问题、怎样展开论证,以及自己的疑问究竟在哪里,这次阅读才真正产生了积累。

3. 从单篇阅读走向学术对话

随着阅读深入,新的困难出现了:单篇论文似乎都能看懂,放在一起却说不清它们究竟是什么关系。

例如,几位哲学家都在讨论自由意志,其中一位强调行动的因果条件,另一位则试图从道德责任出发重新理解自由。

他们可能使用了相似的概念,但关注的问题并不完全相同。

如果我们只是分别总结几篇论文,再将它们排列在一起,很难真正理解这些讨论为什么构成一场持续的学术争论。

学术争论有其历史脉络:一位作者回应前人的困难,另一位重新界定问题;也有研究结论相似,却采用完全不同的论证路径。AI 可以帮助我们开展这种跨文献比较。

例如,当你已经收集了几篇讨论自由意志的论文,可以让 AI 先分别识别它们的研究问题、核心概念、主要论证和反对意见,再尝试比较这些论文之间的联系。

但我更建议大家进一步追问:

这几篇文章是否在讨论同一个问题?

如果研究问题发生了变化,变化体现在哪里?

某位作者有没有明确回应另一位作者?回应的是哪一项论证?

后来的研究对原有概念进行了怎样的修改?

当我们沿着这些问题展开阅读,就有机会逐渐理解一场学术争论形成和发展的过程。

这里需要注意,学术脉络并不能仅仅依靠观点上的相似性来重建。

两篇文章讨论了相同概念,并不意味着后者一定受到了前者影响。

如果我们希望判断一位学者是否回应了另一项研究,就需要寻找具体的证据,例如明确的引用、对相关论证的讨论,或者其他可靠的文献材料。

AI 也容易将不同研究归成整齐的流派,掩盖同一学者不同时期的变化,或同一流派内部的关键分歧。这样的分类适合作为阅读线索,却不能直接当作经过证实的学术史。

真正重要的,是借助这些整理逐渐发现:哪些研究之间确实存在对话,哪些看似相似的观点其实回答了不同的问题,以及哪些争论至今仍然值得继续讨论。

4. 让 AI 帮助我们积累自己的阅读与思考

当文献越来越多时,还有一项工作很容易被忽略:建立可以持续使用的阅读笔记。

起初,我们可能只给每篇论文写几条摘要;随着阅读积累,笔记还应帮助自己理解问题、追踪研究线索。

例如,每读完一篇重要文献,不妨记录作者、题目、研究问题、核心论点、主要证据,以及自己对这篇文章的理解与疑问。

这些内容不需要每次都写得非常完整,也不必拘泥于固定模板。

重要的是,笔记能够帮助未来的自己重新理解这篇文章。

AI 可以参与其中。

当你已经积累了一些阅读笔记,可以要求它帮助整理其中涉及的概念、识别反复出现的问题,或者根据自己的研究兴趣查找此前可能忽略的材料。

当你开始准备一篇新的课程论文,也可以让它结合已有笔记,帮助回顾自己曾经读过哪些相关文献,以及当时留下了什么疑问。

更进一步,如果你已经形成了一个比较明确的研究问题,还可以围绕这个问题组织一份专题文献资料。

例如,将相关论文、阅读笔记和研究札记保存在一个独立的项目空间中,让具备文件读取能力的 AI 在需要时进行检索、比较和整理。

这样,AI 就有机会参与一个持续积累的阅读过程,而不只是每次临时总结一篇新文献。

不过,我认为这里有一个很值得保留的习惯。

在整理文献时,最好能够区分作者在原文中实际表达的观点、AI 对文献作出的概括,以及我们自己形成的理解。

例如,某篇文章的核心结论应当能够追溯到原始文本;而我们认为它与另一项研究存在某种联系,则可能只是一个有待进一步检验的判断。

如果把这些内容混在一起,时间久了,我们可能反而无法分辨某个观点究竟来自哪里。

因此,一份好的阅读笔记,最好能够保留必要的出处和自己的疑问,而不只是几条看起来完整的结论。

这些疑问也许暂时没有答案,但随着阅读不断深入,它们可能逐渐发展成新的研究兴趣。

5. 阅读的意义,在于逐渐进入问题本身

从检索、解释概念、梳理论证,到跨文献比较和笔记整理,AI 都能提供帮助。但学术阅读最重要的收获,仍然是理解问题如何被提出与讨论。

读完几篇关于自由意志的论文,我们当然希望知道不同哲学家分别持有什么观点。

但更值得期待的是,我们开始理解他们为什么发生分歧,哪些论证真正构成了争论的焦点,以及这些讨论又引出了什么新的问题。

同样,在阅读政治学、社会学或历史学文献时,我们也需要逐渐学会识别研究者真正关心的现象、使用的证据与方法,以及他们试图对既有知识作出怎样的推进。

AI 能够帮助我们更快地接触这些研究,并在不同文献之间建立可供检查的联系。

而当我们逐渐形成自己的问题意识,开始有能力对已有研究提出疑问时,文献阅读也就有了更进一步的意义。

我们正在从知识的接受者,逐渐成为学术对话的参与者。

这种能力当然需要长期积累,却也可以从大学阶段的每一次认真阅读开始。

而当我们不再满足于理解已有研究,开始希望利用自己的数据与材料回答问题时,就需要进一步进入研究方法的领域。

这也是接下来要讨论的内容:AI 怎样参与量化研究与质性研究,帮助我们开展自己的经验分析。


六、量化研究:从代码执行到交互式数据探索

对不少人文社科学生来说,量化研究最先遇到的困难可能是技术门槛:统计概念已不容易,实际处理数据还要接触 Excel、SPSS、Stata、R、Python 等工具。即使有研究想法,也可能因不熟悉程序而难以推进。AI 正在改变这种状况。

今天,我们可以直接向 AI 描述自己希望分析的问题,让它帮助读取数据、编写和执行程序、生成图表,并在发现错误时尝试修正。即使没有熟练掌握某种编程语言,也有机会完成过去需要较高技术门槛的工作。

而当模型能够理解研究意图并实际操作数据时,变化就不止于代码生成。

1. 从操作统计软件,到与 AI 一起探索数据

假设你正在上一门社会调查方法课程,想研究大学生对校园公共空间的使用情况。

你已经收集了几百份问卷,记录了学生所在的校区、年级、公共空间使用频率、满意度以及其他一些相关信息。

现在,你希望看看不同学生群体在空间使用方面有没有值得注意的差异。

传统的分析方式,通常要求我们先掌握相关软件的操作,再根据研究需要执行统计命令、制作图表并解释结果。

而现在,你可以把经过适当处理的数据交给具备代码执行能力的 AI,直接向它描述研究任务:

这是一份关于大学生校园公共空间使用情况的问卷数据。我想了解不同校区、年级的学生在使用频率和满意度上是否存在差异。请先检查数据结构,告诉我有哪些变量、可能存在什么数据质量问题,再提出一份初步分析计划。暂时不要修改原始数据。

AI 可以先读取数据,检查变量类型与缺失情况,并根据你的要求提出分析方案。

在确认方案后,它可以进一步编写程序、运行统计分析,生成相应的表格与可视化结果。

这仍然像是在用自然语言操作统计软件。真正有意思的部分,发生在结果出现之后。

假设 AI 发现,两个校区学生的平均满意度相差不大,但公共空间的使用频率却存在明显差异。

你可能会产生新的疑问:既然学生对于空间的评价差不多,为什么实际使用情况会不同?

于是,你可以继续要求 AI,检查不同校区的空间可达性、学生年级构成和使用频率之间是否存在其他关联。

它可以根据新的问题调整分析程序,制作不同分组的图表,帮助你比较几种可能的解释。

如果某个结果显得异常,还可以进一步检查数据是否存在录入错误、样本分布不均或者变量编码不一致等情况。

研究者提出问题,AI 将其转为可执行的分析;程序返回结果,新问题又由此产生。这种探索未必每次都有价值,但它大幅降低了反复计算和可视化的操作成本。

研究者可以将更多精力放在探索问题和理解结果上,同时让 AI 承担大量具体的技术实现工作。

2. AI 的价值,不只是替我们写代码

一项量化研究还要经历理解数据结构、确认文件关系、整理变量、执行分析和制作报告等环节,AI 的作用远不止生成 R 或 Python 代码。

当你刚刚拿到数据时,它可以帮助进行初步的数据检查,说明哪些变量可能具有分析价值,哪些地方存在缺失、重复或编码异常。

当你提出分析目标时,它可以将自然语言要求转化为具体的计算步骤,编写必要的程序,并实际运行。

当程序报错时,它可以结合错误信息检查代码,尝试定位问题。

当你得到初步结果时,它又可以协助比较不同分析方案,提出需要进一步核验的地方。

如果你希望将整个过程整理为一份报告,它还能够利用已经计算得到的结果,生成统计表格、图表和相关说明。

结合这些能力,AI 可以持续参与分析。在研究目标和处理规则明确时,具备工具调用能力的 Agent 还可以按授权读取文件、运行程序、输出图表,并尝试修复技术性错误。

但这也要求我们逐渐学会区分两种不同性质的决策。

一种是具体的技术执行,例如如何读取文件、调用某个函数、处理程序报错。

另一种则涉及研究设计和统计判断,例如怎样定义一个变量、为什么选择某种模型,以及是否有足够依据作出某种推断。

前者通常更容易在明确要求和检查机制下委托 AI;后者即使可以得到 AI 的帮助,也需要结合专业知识与研究目的认真判断。

程序成功运行,并不能排除数据结构误解、代码错误或方法不适用等问题。

这也引出了另一个值得讨论的问题:当尝试不同分析方案变得越来越容易,我们究竟应该怎样利用这种便利?

3. 从一次性分析到反复探索与检验

我认为,AI 对量化研究最有潜力的改变之一,是显著降低了反复探索和检验不同分析方案的操作成本。

过去,比较多种分析方案往往需要反复改写程序、调整参数;现在可以在同一工作环境中让 AI 修改程序、重新运行并比较结果。

比如,在校园公共空间的研究中,你最初可能只比较不同校区学生的平均使用频率。

但随后发现,同一校区内部,不同年级的学生差异也很大。

你可以要求 AI 进一步检查分组情况,或者通过更合适的可视化方式呈现数据分布。

如果怀疑某项结果受到少数异常观测值影响,还可以让它比较不同数据处理方案下的分析结果。

当一项结论在不同合理设定下都比较稳定时,我们通常能够对它形成更充分的认识。

反过来,如果稍微改变样本范围或变量处理方式,结果就发生明显变化,这本身也是需要认真讨论的发现。

在量化研究中,我们常常会使用稳健性检验、敏感性分析等方式,评估研究结论对于特定设定和假设的依赖程度。

AI 可以帮助我们更方便地组织和执行这些检验,也可以协助整理不同结果之间的差异。

此外,它还能够帮助我们发现原本没有注意到的数据模式。

例如,在一组跨年度政策数据中,某类政策文本的数量突然增加,或者不同地区的政策结构出现了明显差异。

AI 可以先协助生成时间趋势、交叉统计和分组图表,再帮助检查这种变化是否可能与数据收录范围、分类标准或样本构成有关。

如果变化确实存在,我们可以进一步提出解释,再通过新的数据和文献加以检验。

统计异常可能来自真实社会过程,也可能是处理方式或样本构成造成的。AI 可以帮助提出解释,但不能凭空证明哪种解释成立。

同样,我们也不能因为 AI 能够快速运行大量模型,就不断调整变量、样本和分析方法,直到得到一个符合预期的显著结果。

如果大量尝试之后,只报告其中最漂亮的一组结果,就可能产生严重的选择性报告问题。

因此,我们需要区分原先依据研究设计确定的分析,与看到数据之后开展的探索性分析。

探索当然有价值,但探索中形成的发现,应当按照相应的证据标准进一步验证。

AI 让尝试变得更加便宜,却没有降低研究结论所需要满足的证据要求。

这一点尤其值得记住。

4. 让分析过程成为可以检查和复现的工作流

当 AI 能够参与越来越多的数据处理和分析工作时,还有一个问题会变得更加重要:我们怎样知道最终的结果究竟是如何得到的?

假如 AI 生成了漂亮的统计图和分析报告,但你不知道它用了哪些数据、删掉了哪些样本、改动了什么变量,结果就难以检查。

因此,我认为利用 AI 开展量化研究,最好从一开始就有意识地保留可复现的工作过程。

例如,保留未经修改的原始数据,明确记录变量定义和处理规则,将数据清理、统计分析和图表生成等步骤保存为能够再次执行的程序。

如果分析方案发生了变化,也应当记录修改的内容和原因。

在这样的环境中,AI 不仅可以帮助编写和运行程序,还可以协助维护整个分析流程。

当你修改某个变量定义时,可以让它检查哪些后续分析受到影响,并重新生成相应的结果。

当你需要更新数据时,可以在确认数据结构和分析规则仍然适用之后,重复执行已经建立的工作流。

当研究结果出现问题时,也可以沿着代码和处理记录逐步追溯,而不是重新依靠 AI 猜测此前进行了什么操作。

对于目标和检查标准明确的分析任务,还可以让 Agent 在授权范围内自主执行,并在关键环节验收。

当然,可复现并不等于正确。

如果最初的研究设计就存在缺陷,一套完整的程序也可能稳定地重复得到有问题的结果。

但至少,它能够让我们更清楚地知道研究是怎样完成的,也使后续检查和修正成为可能。

相比于得到一份无法追溯来源的分析报告,能够理解、检查并重新执行整个分析过程,往往具有更加持久的价值。

5. 当技术门槛降低,量化研究会发生什么变化?

从理解数据、运行程序到检查结果、维护分析流程,AI 已能参与不少环节。更值得期待的,是它带来的研究机会。

过去,很多人文社科学生可能因为缺少编程经验,或者不熟悉某种数据处理技术,而难以开展自己感兴趣的研究。

现在,AI 可以帮助他们跨过一部分技术门槛,更早地进入真实的数据分析过程。

例如,想比较各地政策文本变化的学生,即使尚不熟悉批量处理程序,也可以借助 AI 先整理数据、生成趋势和地区比较图表,并在实践中学习相关方法。

不过,如果涉及让模型自动判断政策文本的类别或含义,就需要进一步考虑分类标准、人工核验和模型误差等问题。这些编码结果不能仅仅因为由程序批量生成,就被直接当作客观事实。

面对大规模调查数据,也可以迅速尝试不同的描述和分析方案。量化研究由此获得更加灵活的协作方式:研究者修正问题,AI 将意图转为计算并及时反馈结果。

当然,这并不意味着研究方法的学习可以被省略。

我们仍然需要理解测量、抽样、统计推断和研究设计的基本原则,也需要在面对重要结论时,对实际证据进行认真检查。

但专业知识和技术操作之间的关系,确实正在发生变化。

如今,可以在研究问题的推动下学习必要方法,同时把重复性的技术操作交给系统。

我希望大家把这种变化理解为一种新的学习与研究机会。

AI 可以让我们更容易地开展计算,但研究者仍然需要知道什么值得计算,为什么采用这种计算,以及计算结果究竟说明了什么。

当我们逐渐形成这种能力,就可以让技术真正服务于研究,而不只是追求运行更多模型、生成更多图表。

而在另一类人文社科研究中,我们面对的任务可能更加开放:研究问题本身还没有完全确定,材料的意义需要在具体情境中反复理解,解释也可能随着新的发现不断变化。

这就涉及下一节要讨论的质性研究。

在这里,AI 的价值又会呈现出另一种有意思的面貌。


七、质性研究:让 AI 成为思想的助产士

如果说量化研究中,AI 的一项突出优势是帮助我们组织和执行可复现的分析流程,那么在质性研究中,它还可能发挥另一种非常有意思的作用。

它可以成为一位持续与你讨论、提出疑问、比较不同解释的思考伙伴。

质性研究面对的材料和方法很丰富:走进社区访谈,阅读历史档案,分析政策文本、新闻报道或其他社会文化材料,都可能帮助我们理解行动、制度与意义的形成。

在这些任务中,AI 同样可以帮助我们整理文件、转写录音、检索材料、辅助编码和比较文本。

但我认为,质性研究中更值得探索的一个方向,是让 AI 参与研究者对问题的理解与解释过程。

这里,我想借用一个来自哲学的概念:精神助产术(Maieutics)。

1. 为什么质性研究需要不同的协作方式?

我们不妨先从一个具体的研究情境开始。

假设你正在开展一项关于基层减负的访谈研究。

在正式进入田野之前,你可能已经阅读了一些政策文件和相关研究,知道这项改革旨在减少基层不必要的工作任务,改善工作人员的工作状态。

但在访谈中,你发现一个有些出乎意料的现象。

部分基层工作人员认为,改革确实减少了某些报表和考核要求,但他们并没有明显感觉到工作变得轻松。

甚至有受访者表示,自己反而比以前更忙了。

这就产生了一个值得进一步研究的问题:

为什么一项旨在减轻工作负担的改革,可能并没有带来预期中的减负体验?

对于这个问题,我们当然可以让 AI 帮助整理访谈资料,归纳受访者提到的工作变化。

但如果只要求它“总结影响基层减负效果的主要因素”,很快就可能得到“政策执行不到位、考核机制不完善、基层资源不足”等看似合理的解释。它们是否真能解释观察到的现象,还需要研究。

更重要的是,这种过早形成的分类,可能让我们忽略材料中更加特殊的部分。

也许受访者所说的“负担”,与我们原先理解的任务数量并不是同一个概念。

也许改革确实减少了某些正式任务,却改变了工作在不同部门和岗位之间的分配方式。

甚至可能出现这样的情况:一部分工作人员感受到明显的减负效果,另一部分却需要承担新的协调和解释工作。

要判断这些可能性,得继续比较案例、阅读材料、追踪工作过程。研究问题也可能随之调整,甚至需要重新界定原先观察到的现象。

2. 精神助产术:让 AI 帮助我们澄清问题

“精神助产术”的经典出处是柏拉图《泰阿泰德篇》中苏格拉底关于“助产”的比喻(148e—151d)。

通过不断提问,苏格拉底试图帮助对话者检查自己原有的看法,发现其中尚未澄清的概念、隐含的前提与可能存在的矛盾。

这种方法被比作“助产”,正是因为它强调通过对话,帮助人逐渐形成和检验自己的思想。

当然,现代 AI 并不等同于苏格拉底,也不具备对研究对象的直接经验。我们在这里借用这个概念,主要是为了说明一种富有启发的人机协作方式。

回到刚才的基层减负研究。

假设你已经积累了一些访谈材料,发现不同受访者对于改革效果的感受存在明显差异。

与其直接要求 AI 总结原因,不妨先让它帮助澄清问题。

例如,你可以告诉它:

我在访谈中发现,部分基层工作人员认为减负改革减少了某些正式任务,但自己的工作负担并没有明显下降。请先不要替我建立理论框架,而是围绕这一现象提出一些值得进一步追问的问题,特别关注不同受访者对于“负担”的理解,以及改革前后具体工作过程的变化。

AI 可能提出一些新的问题。

例如,受访者所说的负担,究竟指工作时间、任务数量、协调成本,还是责任压力?

改革减少了哪些具体任务?这些任务是否真的消失了,还是以新的形式继续存在?

不同岗位的工作人员,是否承担了不同类型的新增工作?

这些问题未必都具有同样的研究价值,但它们可以帮助我们逐渐意识到,原先那个看起来简单的现象,其实包含多个需要进一步区分的层次。

更重要的是,我们可以继续与 AI 讨论自己已经形成的判断。

假设你认为,改革减少了正式考核,却增加了非正式的协调工作。

你可以要求它进一步追问:

这一判断目前有哪些材料支持?

是否存在其他可能的解释?

哪些受访者的经历与这一解释不一致?

如果希望进一步检验它,我们还需要了解什么?

这样一来,AI 就不只是帮助我们整理已有材料,也参与了问题澄清的过程。

不过,我认为这种使用方式最重要的价值,并不在于 AI 提出了多少问题。

AI 很容易连续生成几十个追问,但只有那些指向材料矛盾、能够转化为新访谈或证据查找任务的问题,才值得继续推进。

3. 从意外现象到解释假设:溯因推理

当我们逐渐澄清了问题,下一步便可以尝试提出解释。

在研究方法中,有一种与此密切相关的推理方式,通常被称为溯因推理(Abduction)。

这里侧重溯因在提出解释假设方面的作用:面对出乎意料的现象,尝试提出能够解释它的假设,再通过进一步研究比较和检验。哲学文献中还常将溯因与“最佳解释推理”相联系,二者在具体讨论中并不总是完全等同。

提出解释假设还远不是证明;我们仍需寻找证据,并比较其他可能性。

还是以基层减负为例。

假设我们发现,改革之后不同岗位工作人员的负担感受存在明显差异。

这时,可以尝试提出几种解释。

一种可能性是,改革减少了部分正式任务,但由于旧制度与新要求在过渡阶段并存,短期内反而增加了工作量。

另一种可能性是,改革改变了任务在不同岗位之间的分配,使部分工作人员获得了减负效果,而另一些人则承担了新的工作。

还有一种可能性是,改革减少了能够直接统计的任务数量,却没有同步减少协调、解释和责任应对等较难量化的工作。

解释即使听起来合理,也要有材料支持,才能写入结论。

例如,如果我们认为改革导致任务重新分配,就需要了解改革前后具体任务由谁承担、怎样流转,以及这种变化是否确实发生。

如果我们认为非正式协调工作增加,就需要寻找能够说明协调活动变化的访谈、工作记录或其他证据。

当不同解释都能在一定程度上说明现象时,还需要比较它们各自的证据基础,以及能否解释不同案例之间的差异。

AI 可以帮助梳理解释逻辑、提出替代假设,并讨论各自需要什么证据。

例如,你可以要求它把目前的几个解释分别列出来,说明每种解释已经获得哪些材料支持,还缺少哪些信息,以及什么样的发现可能使这一解释受到质疑。

不过,在这样的任务中,需要特别注意区分三类信息:

一类是访谈、观察、档案等原始材料中实际出现的内容。

一类是 AI 根据材料提出的归纳、疑问和可能解释。

还有一类,是研究者经过比较、检验之后,最终愿意采纳的判断。

这三类信息不能混为一谈。

尤其不能因为 AI 提出某种解释时引用了几段访谈文字,就认定它已经构成充分的经验论证。

我们需要检查相关引文是否准确、语境是否完整,以及材料与结论之间是否真的存在所声称的联系。

AI 可以拓展解释空间,帮助设计检验;哪种解释最终成立,仍取决于证据。

4. 不要急于整理整齐:重视那些无法被解释的材料

说到这里,我们还需要讨论质性研究中一种非常常见的困难。

当我们阅读大量访谈或历史材料时,很自然地希望能够从中归纳出某种规律。

AI 也非常擅长完成这样的任务。

你上传几十份访谈文本,它可以迅速提炼出几个主题,再把这些主题组织成一套看起来逻辑完整的解释框架。

这种能力适合建立索引和辅助编码,却也容易使我们过早将复杂材料归入整齐的类别。

例如,我们可能将受访者对于基层减负的感受分为“积极评价”“消极评价”和“中性评价”三类。

这样的分类当然具有一定用途。

但同一个受访者可能同时认为,某些工作确实减少了,另一些责任却变得更加沉重。

如果我们只根据整体态度将他归入某一类,就可能忽略这种复杂的体验。

类似的问题也会出现在历史研究中。

一份历史档案中的某个表述,可能与当时的制度规范、文书习惯和具体政治关系密切相关。

即使多个文本使用了相同的词语,它们的实际含义也未必完全相同。

如果 AI 主要依据文字表面的相似性进行归纳,就可能将原本需要区分的情境混合在一起。

因此,我认为我们需要有意识地保留那些暂时无法归类、与既有解释不一致的材料。

例如,在使用 AI 辅助编码之后,可以专门检查哪些访谈片段无法被现有分类充分涵盖。

当某个案例与主要解释发生冲突时,也可以尝试重新理解它的特殊条件,而不急于把它当作不重要的例外。

这些看似低效的工作,反而可能让我们从无法解释的经验事实中发现新问题。

当然,这并不意味着我们应该拒绝一切规范化的编码与分类。

一套经过认真设计的分类体系,可以帮助研究者有效组织材料、识别差异和开展比较。

重要的是,我们需要知道分类服务于什么研究目的,也要允许它随着研究的深入接受检验与修改。

5. 从局部材料回到整体情境:解释学循环

前面讨论的问题,还可以帮助我们理解另一种研究中的重要认识:解释往往需要在局部材料与整体情境之间不断往返。

这与解释学传统所讨论的解释学循环(Hermeneutic Circle)具有一定联系。

简单来说,我们对于一段具体材料的理解,会受到对整体语境的认识影响;而新的材料,也可能反过来改变我们对于整体情境的理解。

例如,当你第一次读到某位基层工作人员认为“改革之后反而更忙”的访谈时,可能会把它理解为政策执行效果不佳。

但当你进一步了解改革的具体内容、工作任务的变化以及受访者所在岗位的组织关系之后,可能会发现,这种负担感受与某些特定的工作安排有关。

此时,你对于最初那段访谈的理解,可能已经发生了变化。

随着更多材料出现,你又可能需要重新审视此前形成的整体解释。

AI 可以协助反复比较材料、检查解释,并提示尚未证实的背景假设。

但它并不天然掌握研究对象的完整情境。

例如,一份访谈记录没有保留受访者的语气、神态和具体交流过程,AI 就无法凭空恢复这些信息。

它也可能不了解某句话在特定组织关系中的实际含义,或者忽略研究者自身的提问方式如何影响了受访者的表达。

对于历史档案、政策文本等材料,同样需要了解文本产生的制度背景、语言习惯与实际使用情境。

因此,在让 AI 参与解释时,我们最好尽可能提供必要的背景资料,并且清楚说明哪些情境信息是已经掌握的,哪些只是推测。

必要时,还应当回到原始记录、查阅相关文献,或者通过进一步访谈和观察补充材料。

因此,AI 可以是有价值的对话伙伴,却无法自动掌握完整的社会情境。

6. 让 AI 参与研究,但不要让材料失去出处

如果你已经开始尝试利用 AI 整理访谈材料,或者分析历史档案,还需要建立一些具体的工作习惯。

首先,最好保留原始材料,并为它们建立基本的编号与出处记录。

例如,访谈可以使用匿名编号,并记录与研究有关的时间、地点、受访者角色等必要信息;历史档案则应当尽可能保存其来源、日期和文献位置。

随后,再让 AI 参与整理、编码或解释。

如果 AI 认为某段材料能够支持某项解释,最好要求它指出具体依据,而不是只给出一段概括。

当它提出某种新的判断时,也可以要求区分:哪些内容直接来自材料,哪些属于分析者的推论,还有哪些目前尚缺少证据。

这样,即使后续研究问题发生变化,我们仍然能够回到原始材料中重新检查。

此外,访谈和田野材料往往涉及研究伦理与隐私保护。

并不是所有材料都适合直接上传到外部 AI 服务。涉及个人身份、敏感经历、未公开组织信息等内容时,必须根据知情同意、研究伦理和数据安全要求决定是否可以使用相关工具,必要时进行脱敏,或采用符合要求的本地和受控环境。

对于质性研究而言,材料的形成过程本身也值得认真记录。

一段访谈为什么会出现某种回答?研究者当时提出了什么问题?受访者是否受到特定情境的影响?

这些信息可能直接关系到后续解释的可靠性。

因此,AI 可以帮助我们提高资料组织与分析的效率,但不应让研究过程变成一个无法追溯原始材料的黑箱。

7. 让 AI 成为思想的助产士

AI 能帮助质性研究者检索、整理、编码材料,也能通过追问和提出替代解释,参与更开放的探索。我尤其希望大家尝试后一种方式。

当你发现材料与原有理论不一致时,不妨与 AI 讨论这种差异究竟意味着什么。

当你对某个现象形成了初步解释时,可以请它寻找潜在的反例,检查自己是否忽略了其他可能性。

当你发现几种解释都无法充分说明经验材料时,也不必急于获得一个完整答案。

有时,暂时保留问题、继续补充材料,本身就是更好的研究选择。

当然,精神助产术、溯因推理与解释学循环,并不是三个可以简单替换的概念。

前者在这里提供了一种人机对话的启发:通过追问帮助研究者澄清思想。

溯因推理帮助我们理解,面对意外现象时,怎样提出可能的解释并进一步检验。

解释学循环则提醒我们,具体材料与整体语境之间的理解关系需要持续调整。

它们可以在一项研究中相互配合,但各自关注的问题并不相同。

AI 让研究者能够更充分地比较解释、审视自己的理解;这些讨论终究还得回到材料、情境与学术责任。

量化与质性研究也并非彼此隔绝:前者同样需要发现问题和修正理论,后者也可以借助编码、比较和数据处理。它们不能被简单等同于“程序”与“对话”。

真正重要的是,面对不同类型的研究问题,我们能够判断哪些工作适合采用清晰、可复现的操作流程,哪些则需要更加开放的解释与讨论。

无论采用什么方法,AI 都应当帮助我们更充分地接近研究对象,而不只是更快地获得一份看起来完整的研究结论。

从这个意义上说,AI 既能够拓展我们的技术能力,也可能成为一种新的思考辅助。

而当研究逐渐形成结论,我们最终还需要把这些认识组织成一篇能够被他人阅读、理解和检验的文章。

这也就引出了下一节关于学术写作的讨论。


八、学术写作:让论证与证据进入文字

文献阅读与经验分析之后,我们往往还需要把思考组织成文章。AI 已能帮助拟提纲、整理材料、检查论证、修改语言和格式,甚至直接生成完整初稿。

但我想讨论的,是一个稍微不同的问题:AI 除了能够帮助我们写得更快、更流畅,还能不能帮助我们把原本没有想清楚的事情想清楚?

在我看来,这可能才是 AI 参与学术写作时最值得探索的方向。

1. 写作本身也是思考的一部分

你也许有过这样的经历:写课程论文前,觉得材料和观点已经大致齐备;真正打开文档,才发现许多事情并没想清楚。

有些观点在脑海里似乎很有道理,一旦需要用清楚的语言表达出来,就会暴露许多问题。

两个看起来相互关联的现象,究竟存在什么关系?

一段材料能够说明某个事实,但它是否足以支持我们进一步提出的解释?

一项研究的结论究竟推进了多少,又有哪些判断仍然缺少依据?

这些问题可能直到我们真正开始写作,才逐渐显现出来。

因此,我一直认为,学术写作不只是将已经完成的研究转换成文字。很多时候,我们正是在写作过程中,才逐渐发现自己的理解究竟哪里还不够充分。

举个例子。

假设你正在撰写一篇关于地方政策变化的课程论文,发现某一时期相关政策文本的发布数量明显增加。

你可能很自然地写下一句话:

“政策文本数量的增加,说明地方政府对这一问题的重视程度不断提高。”

这句话很顺畅,却包含未经充分论证的推断。

政策文本数量增加,是否一定意味着政府更加重视相关问题?

这种变化有没有可能来自政策制定周期、机构职责调整、文件类型变化,或者数据库收录范围的改变?

即使文本数量确实反映了某种政策活动的变化,我们又应该怎样判断这种变化究竟意味着什么?

如果继续思考下去,我们可能会发现,原本看起来很明确的研究结论,其实还需要补充新的证据,或者进一步限定它能够支持的判断范围。

写作迫使我们组织能够被他人检验的论证,暴露原先被忽略的问题;AI 可以参与这一过程。

2. 让 AI 帮助检查论证,而不只是润色文字

许多人首先让 AI 把文字改得“更加学术”“更加流畅”“更加有深度”。但若论证还不清楚,单纯提高语言流畅度并不能解决问题。

因此,我更推荐大家在形成初稿之后,先让 AI 帮助检查文章的论证,而不是急于修改语言。

例如,你可以向它提出这样的要求:

这是我正在撰写的一段学术论文。请先不要直接润色,而是识别这一部分的核心论点、主要证据和推理过程。指出哪些判断已经得到材料支持,哪些地方存在论证跳跃,以及读者可能提出什么反对意见。

AI 可以据此重建论证结构,识别各段究竟要证明什么、与上下文如何联系。

如果某项结论缺少支持,我们可以进一步讨论究竟需要补充什么样的材料。

如果文章同时包含几种不同的解释,也可以要求 AI 比较这些解释之间是否存在矛盾。

但这里还有一个需要注意的问题。

AI 指出某个论证存在漏洞,并不意味着它的判断一定正确。

有时,它可能误解作者的意思,或者机械地要求增加一些与研究问题关系不大的内容。

因此,我们需要对这些意见作出选择。

我更倾向于让 AI 充当一位可以不断讨论的批评者,而不是一位拥有最终裁决权的审稿人。

例如,当它认为某个判断缺少依据时,我们可以回到材料中检查;如果发现原文已经提供了必要证据,也可以进一步讨论为什么这些证据没有被清楚地组织和呈现。

这种反复检查,对于提高学术写作质量很有帮助。

3. 从段落修改到全文结构:让文章真正形成论证

当我们开始撰写篇幅较长的论文时,还会遇到一个很实际的问题:每一部分单独看似乎都有道理,但放在一起,文章却不够连贯。

例如,你可能写了很长的研究背景,介绍了许多相关政策,却迟迟没有提出真正的研究问题。

又或者,文章中每一节都包含不错的材料和观点,但各节之间究竟是什么关系,读者很难看出来。

AI 在这种结构性修改中,可以发挥相当大的作用。

我比较推荐一种做法:让 AI 根据已经写出的正文,重新提取文章的实际论证结构。

例如,你可以要求它逐节说明:这一部分提出了什么判断,使用了什么材料,与上一节存在什么关系,又为后面的讨论提供了什么基础。

这就得到一份反向提纲,帮助我们检查文章实际写出了什么,而非一份理想中的论文应该长什么样。

当 AI 提取出的结构与我们原本想表达的内容存在差异时,往往值得进一步检查。

有时,是文章本身没有写清楚。

有时,则是我们在写作过程中已经产生了新的认识,但尚未调整整体结构。

例如,你原本想讨论某项改革为什么没有实现预期效果,但随着材料不断积累,发现真正值得解释的现象,可能是改革的影响在不同岗位之间存在显著差异。

如果这个发现已经成为文章最有意思的部分,那么原来的章节安排就可能需要相应调整。

AI 可以帮助我们比较不同的组织方式,检查哪些内容重复、哪些部分缺少必要的衔接,以及某一节是否真正推进了全文的论证。

不过,我并不建议大家每次修改文章时,都直接要求 AI 重新生成一份完整提纲。

尤其在研究尚未成熟时,过早采用一套看起来十分工整的结构,可能反过来限制我们对于材料和问题的理解。

更好的方式,是在实际写作与反复修改中,让文章结构逐渐适应研究本身的需要。

4. 规范性:让我们的论证经得起检查

学术写作还要讲规范。字体、注释和参考文献格式只是表层;更重要的是证据如何使用、概念怎样界定,以及结论能否接受检查。

例如,在学术论文中,我们需要清楚区分几种性质不同的表达。

哪些内容是在转述已有研究?

哪些是来自访谈、档案或统计分析的经验发现?

哪些则是作者根据这些材料提出的解释与判断?

如果这些层次混在一起,读者就很难理解一项结论究竟具有怎样的证据基础。

AI 可以帮助我们检查这些问题。

例如,在一篇已经形成初稿的论文中,你可以要求它识别那些包含事实性判断、却没有明确说明依据的段落,或者检查某些概念是否在不同章节中使用了不一致的含义。

当你提供原始文献和相关材料时,也可以让它协助核对正文对材料的概括是否准确。

这些检查以实际取得原文为前提。没有访问过资料的模型不能核实引文;自动生成的参考文献也可能出错。重要引文、数据和经验材料,最终都要核对原始来源。

另外,不同课程和学术机构对 AI 辅助写作可能有不同规定。哪些操作被允许,是否需要披露 AI 的参与,都应当遵守相应要求。

我认为,AI 可以帮助我们降低许多规范性工作的操作成本,使研究者把更多精力投入文章真正重要的论证之中。

但规范的意义始终在于让学术表达能够接受检查,而不只是让文章看起来符合某种格式。

5. 让 AI 参与修改,也要保留自己的写作方式

除了论证和引证,还要关注作者自己的表达。第一篇已经讨论过生成内容的同质化问题;在学术写作中,尤其值得留意表达方式与研究对象的关系。

文章的表达方式,常常与作者理解问题的方式密切相关。

例如,有些研究适合通过清晰的概念辨析展开论证,有些则需要细致地叙述历史事件与社会过程。

不同学科、不同问题,可能需要完全不同的写作节奏。

因此,当我们让 AI 润色文字时,最好能够明确说明自己希望保留什么。

如果原文已经能够准确表达意思,就没有必要为了显得更加学术,而刻意增加抽象术语。

如果一段论证需要保留某种不确定性,也不应该为了让结论看起来更加有力,就随意删除必要的限定条件。

有时,一段朴素、直接的文字,恰恰比一段结构工整、修辞丰富的表达更加准确。

我比较推荐将 AI 作为一位可以配合的编辑。

在比较重要的修改中,可以先要求它指出问题,再讨论修改方案。

例如,当你觉得某一段写得不够好时,可以先让 AI 分析问题究竟出在论证、结构还是语言上,再决定是否进行修改。

当你不满意某个版本,也可以向它解释为什么不满意,逐渐澄清自己的表达意图。

经过反复修改,我们希望得到的是一篇论证更加充分、表达更加准确的文章,而不是一篇完全失去作者个人特点的标准化文本。

6. 写作的最终目标,是让自己的认识能够被理解与检验

AI 可以检查论证、讨论结构、发现表达含混之处,也能承担繁琐的格式整理。而反复修改本身,还可能暴露我们对问题理解的不足。

有时,AI 的批评会帮助我们补充证据。

有时,我们会在反驳 AI 的过程中,更清楚地认识到自己为什么坚持某项判断。

还有时,一篇文章原本的问题意识,会在持续写作和修改的过程中逐渐发生变化。

我认为,这些经历都可能成为真正有价值的学习过程。

对于刚刚进入大学的同学来说,不必要求自己从一开始就写出成熟的学术论文。

你可以先尝试写清楚一个问题,认真组织一段论证,再逐渐学习怎样让不同部分相互衔接。

AI 可以帮助我们完成其中很多具体工作,也可以让我们获得更加及时的反馈。

但对于那些真正重要的论点,我们最好仍然能够解释其形成过程,说明自己采用了什么证据,以及为什么最终愿意接受这一判断。

学术写作的意义,在于将自己的认识组织成能够被他人理解、讨论和检验的表达。

当 AI 能够帮助我们更快地完成这项工作时,我们也就有机会把更多精力投入真正需要思考的地方。

至于针对不同论文类型的具体编辑方法与个人风格培养,值得留待专题讨论。

而从文献阅读、经验研究到论文写作,实际上也已经可以看出,不同的研究方法并不是彼此封闭的。AI 所带来的另一种可能性,正是在这些方法与材料之间建立新的联系。


九、跨越方法边界:AI 为人文社科研究带来的新可能

文献阅读、数据分析、访谈和写作在实际研究中相互联系:阅读引出问题,经验材料帮助检验解释,而新发现又可能促使我们重读既有研究。

而 AI 正在降低部分研究技术的使用门槛,让我们有机会围绕同一个问题,尝试不同的材料和方法。

1. 让不同类型的证据围绕同一个问题展开

还是以校园公共空间为例。

假设你通过问卷发现,两个校区学生的公共空间使用频率存在差异。量化分析可以帮助识别这种差异,但要进一步理解它为什么出现,可能还需要访谈学生,了解他们对空间距离、设施和学习习惯的实际体验。

与此同时,你还可以阅读学校有关公共空间建设的规划文件,了解这些空间最初的设计目的,以及它们在建设和管理过程中经历了什么变化。

问卷、访谈和规划文件提供了不同类型的证据。它们未必相互印证,甚至可能呈现不同的图景。这时,我们需要进一步考虑:这些差异是来自测量方式、材料所处的情境,还是我们原先的问题就需要重新界定?

AI 可以整理问卷、检索访谈记录、比较原始文件,让初学者更早尝试过去受软件门槛限制的探索。

但不同类型的证据不能因为能够被 AI 放在一张表里,就自动获得相同的解释效力。一次访谈无法直接代表整个学生群体,一组统计关联也不能自动说明个体行为的动机。方法的组合仍然需要服务于具体的研究问题。

2. 探索此前难以尝试的研究方式

除了结合常见的调查与访谈方法,AI 还可能让一些具有较高技术门槛的研究方式变得更容易尝试。

例如,历史学和文学研究中的大量报刊、档案与文学文本,政治学和公共管理研究中的跨年度政策文件,都可能包含值得比较的概念、表达和结构变化。借助 AI 与其他计算工具,学生可以尝试对这些材料进行检索、分类、比较和可视化,再回到原始文本中理解具体语境。

这些工作与数字人文、计算社会科学等已有传统密切相关。AI 没有创造这些方法,却降低了部分编程与资料处理门槛。

当然,批量处理不等于自动获得可靠的研究结论。比如让模型给政策文本分类,需要明确编码规则、检查模型输出,并通过适当的人工核验评估其可靠性。面对历史材料,还需要考虑语言习惯和文本产生的时代背景。

3. 从研究问题出发,保持方法上的开放

我更希望这种变化带来的,是一种方法上的开放性。

我们可以从一个真正感兴趣的问题出发,判断需要哪些证据,再借助 AI 学习和尝试合适的方法,而不必因为暂时缺少某种软件操作经验,就过早放弃研究设想。

有些问题适合通过数据观察整体变化,有些需要通过访谈、历史材料理解具体情境,也有些依赖严密的概念辨析与理论论证。并不需要为了显得方法丰富,就把所有工具都使用一遍。

AI 的价值,是让我们有机会以更多方式接近值得研究的问题,同时继续尊重不同方法各自的证据标准。

这些可能性值得探索。不过,理解了 AI 能够参与哪些研究活动之后,真正动手时可能还有不少具体问题:应该先使用哪一种工具?怎样从简单的对话开始,逐渐建立可靠的使用习惯?

第三篇 · 术:从零开始,走向真正的人机协作

对初学者而言,真正动手时遇到的第一个困难,有时只是网上层出不穷的技术名词。

各种教程告诉你要学习 Prompt Engineering、配置 API、安装 Skill、连接 MCP、搭建 Agent,甚至还要掌握命令行、Git 和 Python。

这些东西当然都有用。但如果一开始就把它们全部摆在新生面前,恐怕很容易让人失去继续探索的兴趣。

其实,我们完全可以从最简单的使用方式开始。

我们可以沿着四种使用方式逐步尝试:

Chatbot → Tool → Copilot → Agent。

这里需要提前说明,这四个阶段并不是严格的技术分类,也不意味着后一阶段一定比前一阶段更高级。

现在的聊天产品可能已经内置各种工具,Copilot 也可能具备 Agent 能力。我们所做的区分,主要是为了帮助初学者逐渐理解 AI 能够以哪些方式参与我们的工作。

刚开始,我们可以学着与 AI 对话,让它帮助理解一个问题。

随后,尝试让 AI 借助工具完成一项具有实际成果的任务。

当工作逐渐复杂,我们可以让 AI 持续参与一个项目,帮助组织资料、检查进度与维护工作状态。

如果确实遇到了具有较多重复步骤、需要持续调用工具的任务,再进一步探索 Agent 和 Harness。

一篇简单课程论文也许只需要聊天窗口;面对大量文件,Agent 才更可能体现优势。

我们需要学习的,是怎样根据实际问题选择合适的技术,而不是为了使用新技术,给自己制造一套更加复杂的工作流程。

接下来,就从每个人都能尝试的聊天窗口开始。


十、Chatbot:从第一次有效对话开始

第一次使用 AI,不需要编程,也不必先学复杂的提示词。打开一个能够正常使用的聊天产品就可以开始。

1. 先选一个能够正常使用的聊天工具

目前,常见的 AI 聊天产品包括 ChatGPT、Claude、Gemini、DeepSeek、通义千问、豆包等。

不同产品在模型能力、功能设计、免费额度和可访问地区等方面存在差异。但对于刚刚开始接触 AI 的同学,我认为暂时没有必要研究复杂的模型排行榜。

选择一款能够稳定使用、提供基本对话功能的产品,就足够开始了。

如果条件允许,也可以同时体验两款不同产品,比较它们对于相同问题会给出怎样的回答。

但没有必要一开始就购买多个会员,更不必因为网上有人宣称某款模型“最强”,就立刻更换自己已经熟悉的工具。

当你逐渐产生更加具体的需求,例如处理较长的文献、分析数据或使用某种专门工具时,再比较不同产品是否适合自己的任务,会更加有意义。

2. 第一次练习:和 AI 认真讨论一个问题

还记得前面《哲学概论》的期中论文吗?

我们不妨从一个简单的问题开始:

“如果人的行为受到此前原因的决定,我们为什么还需要为自己的行为承担道德责任?”

你可以把这个问题直接发给 AI,让它介绍有关自由意志与道德责任的基本争论。

它可能会提到决定论、相容论等概念,也可能介绍不同哲学家对于责任条件的理解。

如果你此前没有学过相关知识,第一次回答未必能够完全看懂。

没有关系。

你可以继续追问:

我没有理解决定论为什么会威胁道德责任。你能不能用一个生活中的例子解释?

等到能够理解基本观点之后,再尝试提出自己的疑问。

例如:

假如一个人虽然受到了因果条件的影响,却仍然按照自己的意愿行事,这是否意味着他依然具有某种自由?

接下来,我们可以反过来,让 AI 检查自己的理解:

我正在学习自由意志与道德责任的关系。请你像一位老师一样,向我提出几个有针对性的问题,检查我是否理解了决定论和相容论的基本分歧。如果我的回答存在问题,请先指出问题在哪里,不要直接给出完整答案。

这就构成了一次非常简单,却有实际价值的学习练习。

你不需要先掌握提示词工程(Prompt Engineering),也不需要安装任何额外工具。

只需要根据自己真正不理解的地方持续提问,尝试回答,并且检查 AI 提供的解释。

当然,AI 的解释也可能不准确,尤其是在复杂的哲学论证中,它可能忽略重要的限定条件。如果出现疑问,可以要求它提供可靠出处,再与教材和原始文献进行比较。

完成几轮讨论之后,不妨暂时关掉聊天窗口。

试着不用 AI,向一位同学解释:决定论为什么会引发自由意志问题,而相容论又试图怎样回应这一困难?

如果你能够更加清楚地说出来,那么这次对话就已经取得了很不错的效果。

3. 不必迷信所谓的“万能提示词”

当你稍微熟悉 AI 之后,可能会在网上看到大量提示词教程。

有些教程要求你为 AI 指定一个特别复杂的角色,有些则提供几十条甚至上百条可以直接复制的模板。

这些方法在特定场景下可能有用,但对于日常学习,我认为没有必要刻意追求提示词的复杂程度。

很多时候,一段清楚、自然的文字,就足以表达我们的要求。

例如:

我是刚刚开始学习社会学的本科生,请用大学生活中的例子解释什么是社会结构。

这样的表达,已经包含了读者的学习背景、希望理解的内容,以及期待的解释方式。

如果回答不符合预期,就继续向 AI 说明原因。

你可以告诉它哪些地方已经理解,哪些地方仍然困惑,以及你希望进一步讨论什么。

甚至当你自己也不知道究竟想问什么时,可以直接让 AI 帮助你澄清问题。

这种持续调整的过程,往往比记住某套固定的提示词模板更加重要。

关于表达、对话和主导权,我们在第一篇已经讨论得比较充分,这里就不再重复展开。

你只需要记住:与 AI 交流并不需要特殊的咒语,重要的是在对话中逐渐澄清自己的问题。

4. 顺手体验一下多模态

在熟悉文字对话之后,大家还可以尝试一些更加直观的功能。

比如,拍摄一页教材,让 AI 解释其中难懂的内容。

或者上传一张统计图,让它说明图表中不同变量的含义,并提醒自己有哪些地方需要进一步检查。

如果产品支持语音对话,可以让 AI 扮演一位英语口语练习伙伴,模拟机场值机、课堂讨论或面试。

如果你对艺术与设计感兴趣,也可以体验图片生成等功能,观察 AI 怎样根据文字要求生成视觉作品。

这些体验也能让你直观了解 AI 已经不再局限于文字问答。

当然,不同产品支持的模态与功能并不相同。上传图片、录音或个人资料时,也要注意版权、隐私与使用权限。

5. 这一阶段,怎样算真正入门?

此时,你已经能借助多轮对话澄清问题,也可能体验了图像理解和语音交流。如果主要需求是学习与讨论,聊天窗口已经能解决不少问题。

但随着大学生活逐渐展开,你很可能会遇到一些不同的任务。

例如,希望 AI 帮你整理一份表格、制作一张图表,或者直接生成一份可以编辑的文档。

这时,单纯获得一段文字回答,就未必能够满足需要了。

我们可以进一步尝试让 AI 真正完成一些具体操作。


十一、Tool:让 AI 交付一份真正可用的成果

当我们已经熟悉与 AI 对话,就可以开始尝试让它借助工具完成一些实际工作。

这里所说的 Tool,并不特指某一款产品。

它指的是 AI 能够调用外部工具或执行环境,实际进行检索、计算、文件处理等操作。

例如,一款具备数据分析能力的 AI 产品,可能能够运行程序、读取 Excel 文件并生成统计图表。

另一款产品则可能能够处理 Word、PDF 或演示文稿,甚至将结果导出为可编辑文件。

我们可以开始要求它交付实际成果。

1. 第一次练习:让 AI 整理一份活动工作表

假设你加入了学校的一个学生社团,最近正在协助筹备一场讲座。

经过小组讨论,你们已经形成了一份比较杂乱的工作记录。

里面提到了联系嘉宾、预约场地、设计海报、发布报名通知、准备设备等事项,但有些任务没有明确负责人,有些时间节点也尚未确定。

现在,你希望把这份记录整理成一张可以持续更新的 Excel 工作表。

如果使用具备文件创建能力的 AI 产品,可以将这份不含敏感信息的工作记录上传,再提出这样的要求:

请根据这份活动筹备记录,制作一张可以编辑的 Excel 工作表,包括任务名称、具体事项、负责人、截止时间、当前状态和备注。原始记录中没有说明的信息请留空或标注“待确认”,不要自行编造。生成文件后,请再检查是否遗漏了任何任务。

如果工具支持相应操作,它就可以尝试读取材料、整理任务,并生成一份实际文件。

下载之后,你还可以在 Excel 或其他表格软件中继续编辑。

这次交付的不是一段回答,而是一份需要真正使用的文件。

不过,即使 AI 告诉你“工作表已经制作完成”,也需要打开文件检查。

它可能遗漏某项任务,将某个时间理解错误,或者把没有明确负责人的事项错误地分配给某个人。

对于更复杂的文件,还可能出现排版错乱、公式错误或格式兼容性问题。

所以,完成这类任务时,最好形成一个简单习惯:先明确需要交付什么,再实际打开成果检查。

如果文件存在问题,可以继续要求 AI 修改,而不必从头重新制作。

这样,你就完成了一次比较完整的工具使用练习。

2. 除了制作表格,还可以做些什么?

掌握这个基本思路之后,大家可以围绕自己的需求,尝试更多任务。

例如,在文件处理方面,可以让 AI 帮助整理课程资料、提取 PDF 中的表格,或者将会议纪要转换为结构化文档。

在信息检索方面,可以使用具备联网检索功能的 AI 查找公开资料,再核对原始网页、发布机构和时间。

在数据分析方面,可以上传一份没有敏感信息的公开数据,要求 AI 先说明数据结构,再生成简单的统计图表。

在内容制作方面,可以根据已经确定的展示大纲,尝试制作一份课堂演示文稿,或者辅助生成符合主题的视觉素材。

这些功能并不一定由同一个产品提供。

有些 AI 工具更擅长文档处理,有些则具有更成熟的数据分析环境,还有些能够连接其他软件和在线服务。

我们可以根据任务选择工具,没有必要要求一个聊天产品完成全部工作。

而且,我并不建议大家为了体验这些功能,专门给自己安排大量没有实际用途的练习。

如果最近正好需要整理一次社团活动,就拿这项任务试一试。

如果正在准备课堂展示,可以尝试让 AI 帮你制作一张真正需要使用的图表。

从真实需求出发,才能逐渐理解哪些工具确实有价值。

3. 开始留意 AI 究竟做了什么

当我们开始让 AI 处理文件、检索网页或执行计算时,还需要逐渐养成一种新的观察习惯。

那就是区分 AI 对某项操作的描述,与它实际完成的工作。

例如,你让 AI 检索一篇论文。

它可能给出看起来相当完整的文献介绍,但你需要确认它是否真的访问了相关数据库或原始文献。

如果它只是凭借已有知识生成了一个参考文献信息,那么仍然可能存在错误。

再例如,你让 AI 统计一份数据。

如果它能够实际运行代码,你就可以进一步查看它使用了什么数据、采用了怎样的计算方法。

但如果它只是在聊天窗口中根据一段简短描述估算结果,就不能直接将其视为实际计算得到的统计值。

对于正式研究来说,这种区别尤其重要。

同样,生成了一段 Python 代码,也不代表这段代码已经成功运行;声称修改了文件,也不代表文件确实发生了变化。

如果具备相应功能,最好让 AI 提供实际文件、运行结果或操作记录。

你不需要一开始就能读懂所有代码,但至少应当知道结果来自哪里,以及怎样确认任务已经完成。

4. 进阶拓展:什么是 API?

在熟悉 AI 工具之后,你可能会遇到一个新的技术概念:API。

API 是 Application Programming Interface,即应用程序编程接口。

简单来说,它是一种让不同软件按照约定方式交换请求和结果的机制。

平时使用 ChatGPT、DeepSeek 等聊天产品,我们主要通过网页或应用程序与模型交互。

而当某个第三方软件希望调用大模型时,它就可能通过模型提供商开放的 API 发起请求。

例如,你正在使用一款允许自行选择模型的 AI 工具。

它可能要求填写几个信息:

  • API Key:用于验证调用者身份的访问密钥。
  • Base URL:对应 API 服务的访问地址。
  • Model:希望调用的模型标识符。

通过这些信息,软件就有机会连接相应的模型服务。

不过,这里需要注意两件事情。

首先,聊天产品的免费额度、付费会员与开发者 API,通常属于不同的服务。购买某个聊天产品的会员,并不意味着自动获得了对应 API 的调用额度。

其次,API 可能按照使用量收取费用。因此,在配置之前,需要了解具体计费规则,并根据平台提供的功能设置预算、用量提醒或调用限额。

对于完全没有技术基础的同学,我想再次强调:API 是一项值得了解的进阶知识,但并不是使用 AI 工具的必要前提。

如果现成的聊天产品已经能够生成文件、分析数据,就可以直接使用这些功能。

只有当你确实需要接入第三方软件、选择特定模型,或者探索更加自由的工具配置时,再学习 API,也完全来得及。

5. 如果想动手体验,可以怎样调用一次 API?

如果你对技术本身感兴趣,不妨尝试完成一次简单的 API 调用。

这里仍然以 DeepSeek 官方 API 为例。

首先,进入开发者平台:

https://platform.deepseek.com/

注册并登录账号,根据平台说明创建 API Key。

获得密钥之后,要妥善保管,不要将其发送到公开聊天群,也不要写入准备公开上传的项目文件。

如果你正在使用一款支持自定义模型的图形化工具,可以优先通过设置界面填写 API 地址、模型名称和密钥。

这通常比直接运行终端命令更加容易。

DeepSeek 官方 API 文档所列的 OpenAI 兼容接口基础地址为:

https://api.deepseek.com

模型标识符会随版本变化,实际调用时应以DeepSeek 官方 API 文档为准。

如果希望进一步体验命令行,可以在 macOS 或 Linux 终端中尝试使用 curl 发送请求。

首先设置环境变量。下面的写法便于演示,但直接输入密钥可能留下终端历史记录;在实际使用中,优先选择软件提供的密钥管理方式,或采用避免记录密钥的输入方式:

export DEEPSEEK_API_KEY="填写你自己的API密钥"

随后发送一次测试请求:

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -d '{
    "model": "deepseek-flash",
    "messages": [
      {
        "role": "user",
        "content": "请用一句话解释相关关系与因果关系的区别。"
      }
    ],
    "stream": false
  }'

如果账号状态、网络连接及参数都没有问题,服务器就会返回一份包含模型回答的响应。

Windows PowerShell 的环境变量和命令写法有所不同,需要采用对应的语法。

此外,模型标识符和接口规则可能随版本更新,实际操作时请以官方文档为准:

https://api-docs.deepseek.com/zh-cn/

对于第一次尝试的同学,没有必要马上理解这段命令中的全部细节。

你只需要知道,本机正在向指定的 API 地址发送一个请求,其中包含身份验证信息、模型名称和提问内容;模型服务处理请求后,再将结果返回。

到这里,你便获得了关于 API 工作方式的第一手体验。

如果今后希望使用需要自行配置模型的 Agent 或 Harness,这些知识就会逐渐派上用场。

6. 这一阶段,最值得获得什么能力?

经历了这些尝试,你应该已经能够让 AI 帮助完成一些有明确交付成果的任务。

例如,制作一份可编辑的工作表、整理文件、生成图表,或者调用外部信息服务。

你也开始理解,模型的文字回答与外部工具的实际执行之间存在怎样的区别。

有兴趣的同学,还可以进一步了解 API,尝试自己配置模型服务。

这一阶段最值得养成的习惯,是检查实际交付的文件、数据和操作结果。AI 说“完成了”,并不等于成果已经符合要求。

当单次任务已经能够顺利完成之后,我们还可能遇到更复杂的工作。

有些项目会持续数周甚至数月,不断产生新的材料、问题和修改意见。

这时,我们可能需要让 AI 从偶尔完成一项任务,进一步走向持续性的协作。


十二、Copilot:让 AI 持续参与一项完整的工作

一次对话或文件操作,难以覆盖一项持续数周的社会调查:从讨论主题、阅读文献、设计访谈,到整理材料和完成展示,方向不断调整,资料持续积累。如果每次打开 AI 都要重新交代进度,协作成本就会越来越高。

这时候,我们可以尝试另一种工作方式:让 AI 持续参与一个完整项目。

这里使用 Copilot 一词,主要是为了描述这种持续协作的关系,不特指某一款同名商业产品。

1. 第一次建立项目空间

以一项为期一个月的社区公共服务课程调研为例,可以先建立独立的 AI 项目空间。

有些 AI 产品提供项目、工作区或持续会话等功能,允许用户集中管理相关材料和说明。

如果你使用的工具支持本地文件访问,也可以直接为项目创建一个文件夹。

例如:

社区公共服务调研/
├── sources/       # 课程要求、公开资料与参考文献
├── notes/         # 讨论记录、阅读笔记与研究札记
├── data/          # 允许在此环境中保存的调查资料
├── drafts/        # 调研方案与报告草稿
└── output/        # 最终报告与展示材料

这只是便于组织工作的目录示例,规模较小的项目用普通文件夹也足够。关键在于把确认过的研究问题、访谈方案和新增材料保存下来,不必完全依赖聊天记录。

这里需要注意,不同 AI 产品对于项目文件和聊天历史的读取方式并不相同。

建立了项目,不等于 AI 一定能够自动理解其中的全部材料。你需要确认它实际能够访问哪些文件、是否读取到了最新版本,以及有哪些信息仍然需要明确提供。

2. 让 AI 参与项目推进

建立工作空间之后,可以尝试让 AI 帮助梳理当前项目的状态。

例如,你可以将课程要求、初步研究想法和已有的公开资料提供给它,要求先说明任务范围,再帮助整理接下来需要完成的工作。

研究尚在探索时,不必急于制定几十页的详细计划。可以先聚焦几个问题:

研究对象与范围是否明确?

现有的公开资料能够告诉我们什么?

如果准备开展访谈,还需要先解决哪些研究设计与伦理问题?

随后,随着项目逐渐推进,再让 AI 参与不同的工作。

在文献阅读阶段,它可以帮助整理已有研究,比较重要概念与观点。

在研究设计阶段,可以与它讨论访谈提纲是否存在模糊或诱导性的问题。

当团队形成初步发现之后,又可以让它帮助检查材料与解释之间是否存在明显的缺口。

最后,在报告撰写和课堂展示阶段,可以进一步利用 AI 检查论证结构、制作图表与整理展示材料。

前一篇已经介绍过这些具体应用;Copilot 更关注的是怎样把分散的任务组织为持续协作。

3. 把重要的工作状态保存下来

对于长期项目,我尤其推荐建立一个简单的项目记录文件。

例如,可以在项目目录中创建一份 README.md,简要说明项目目前的状态。

内容不需要很复杂:

# 社区公共服务调研

## 当前研究方向
社区居民对公共服务设施的使用体验。

## 已完成
- 整理课程要求
- 初步阅读相关文献
- 形成第一版访谈提纲

## 正在讨论
- 研究对象是否需要进一步缩小
- 不同类型公共服务设施是否适合放在一起比较

## 下一步
- 修改访谈提纲
- 明确调查对象与资料使用要求

## 需要注意
- 暂不将未经脱敏的访谈资料上传外部服务
- 研究方案的重要修改需由小组成员共同确认

这份说明可以不断更新,也方便在更换会话或 AI 产品后恢复项目背景。

如果某次讨论形成了比较重要的新认识,也可以要求 AI 帮助整理为研究札记。

例如,将某项研究问题是怎样修改的、为什么放弃原来的方案,以及目前还有哪些疑问,分别记录下来。

比起依赖漫长的聊天历史,这种记录更稳定。但要核对 AI 的总结:它可能把临时讨论误记为正式决定,或遗漏保留意见。经团队确认后,再将结论写入项目记录。

4. 怎样让 AI 理解我们的长期要求?

当 AI 持续参与一个项目时,还有一些要求可能需要反复强调。

例如,不能编造文献或访谈内容,不得随意修改原始材料,生成的文件需要保存到指定位置,涉及研究方案的重大调整应先征求小组意见。

如果每次都重新说明,会显得比较麻烦。

因此,我们可以考虑将它们整理为一份项目说明。

对于提供项目设置功能的 AI 产品,可以直接在相应的位置填写长期指令。

如果使用支持项目级说明文件的 Harness,也可能通过 AGENTS.md 等文件保存这些约定。

例如:

# 社区公共服务调研项目

## 项目目标
协助整理研究资料、讨论研究方案并准备课程报告。

## 工作约定
- 不编造访谈内容、文献与数据。
- 区分原始材料、AI 的分析建议与已确认的研究结论。
- 未经确认,不覆盖或删除原始文件。
- 对研究方案的重大修改,先提出建议供团队讨论。
- 每次完成重要任务后,说明修改内容与待检查事项。

项目说明有助于保持一致的工作方式,却不构成实际权限控制。写下“不得删除”并不能在技术上阻止删除,重要文件仍应备份并设置权限。初学者直接使用产品提供的项目设置即可,不必急于研究配置规范。

5. 长期协作中,什么时候应该检查成果?

让 AI 持续参与项目之后,我们可能会很自然地希望它承担越来越多的工作。

但这时候,更需要学会判断哪些环节应当进行人工检查。

例如,当 AI 帮助整理了一批参考文献之后,可以先核对文献是否真实存在,作者、题目与主要观点是否准确。

当它根据访谈提纲提出新的研究方案时,可以检查这些建议是否符合课程要求和实际调查条件。

当它修改报告草稿时,也可以要求提供修改说明,避免原本重要的论证在不经意间被删掉。

可以在研究问题确定、调查方案形成、主要材料整理完成等节点分别核查,避免错误积累到最后才暴露。

当然,也不需要对每一次无关紧要的操作都进行细致监督。

如果只是整理几个文件名,或调整一张表格的显示格式,我们可以让 AI 获得相对充分的执行空间。

但涉及研究设计、原始材料修改、重要论证以及无法轻易撤销的操作时,就需要更加谨慎。

对于涉及真实调查对象的项目,还应当遵守知情同意、隐私保护和资料使用要求。是否能够将调查资料提供给外部 AI 服务,应当根据相关规定和实际授权判断。

持续协作的关键,在于让 AI 能够理解项目背景、完成具体工作,并在重要节点接受检查。

它不需要替我们决定项目中的一切,也不必每完成一个很小的动作都等待人工批准。

6. 这一阶段,我们真正学会了什么?

持续协作可以依靠成熟产品的工作区,也可以用本地文件夹、Markdown 笔记和文件工具完成。关键在于保存工作状态、维护长期要求,并在重要节点检查成果。

不过,随着研究项目的规模进一步扩大,我们也可能遇到一种新的任务。

但若需要从上百份政策文件中提取信息、处理异常并合并结果,逐步下达指令就显得低效。这时,可以尝试在明确权限和验收标准后,让 Agent 自主组织多步骤执行。


十三、Agent:从委托任务到自主执行

Agent 与 Copilot 都可能读取文件、使用工具、持续参与项目。要理解两者在实际使用中的差异,不妨先看:工作过程主要由谁组织?

在典型的 Copilot 协作中,我们通常负责推进整个项目:决定下一步做什么,什么时候调整方向,以及何时调用 AI 完成具体任务。

而在 Agent 模式下,我们可以将一项边界相对明确的任务整体委托给 AI,让它自行规划和执行其中的多个步骤,并根据执行结果进行调整。

同一款产品可能兼具两种方式,但从响应指令到自主安排一组操作,协作关系已发生变化。

1. Agent 真正改变了什么?

不妨想象这样一项任务。

你手头有八十份公开政策文件,格式包括 PDF、Word 和网页存档,希望提取其中的标题、发布日期、发文机关等信息,并建立一份能够追溯原始来源的数据表。

如果采用普通的 Tool 使用方式,我们可以让 AI 一批批处理文件,再根据需要继续下达指令。

如果采用 Copilot 的持续协作方式,可以把相关资料保存在项目空间中,逐步讨论提取标准、整理数据并检查结果。

但如果我们使用具备相应工具能力的 Agent,就可以尝试让它接手更完整的执行过程。

例如,它可以先检查工作目录,识别文件格式,制定处理方案,再选择合适的工具逐份提取信息。

如果发现部分 PDF 无法正常解析,它可以尝试其他可用的读取方式;如果某些文件缺少日期,就将它们标记为待核验;如果输出结果中存在明显重复,还可以进一步检查原始文件与记录之间的对应关系。

完成这些工作后,它可以生成数据表、异常记录和处理说明,再交给我们验收。

在这个过程中,AI 不断经历一个循环:

理解当前状态 → 选择下一步操作 → 调用工具 → 检查反馈 → 继续或调整执行。

Agent 能根据环境反馈组织关联操作,不必由我们亲自决定每一步使用什么工具和命令。

无法判断的政策类别、缺失信息或不可靠的扫描结果,仍需报告给研究者核验。自主执行要真正减少重复操作,前提是输入、目标与验收标准足够清楚。

2. 有哪些值得了解的 Agent 产品?

除了聊天产品中的 Agent 功能,开源、可定制的 Harness 也发展很快。下面介绍几款设计取向不同的产品(技术信息核对时间:2026 年 10 月 29 日)。

ChatGPT Work 与 Claude:面向日常知识工作的 Agent

ChatGPT Work 和 Claude(原 Cowork 模式) 都将 Agent 能力带入了相对成熟的应用界面。Claude 官方现已将 Cowork 的能力整合进 Claude,原产品介绍页仍可供参考。

它们可以围绕文件、数据、研究与实际交付成果开展多步骤工作,并根据产品支持的功能使用浏览器或其他工具。

如果你希望直接通过图形化界面体验 Agent,而暂时不打算研究底层配置,这类产品是比较容易上手的选择。

DeepSeek Harness(DSH):高度可组合的开源 Harness

DeepSeek Harness 是 DeepSeek 推出的开源 Agent Harness。

它基于 Cordis 的插件化架构构建,模型、工具、技能、会话等能力可以通过相应的插件组合。

DSH 目前仍处于预览阶段,提供桌面端,也支持通过命令行启动 Web 界面;核心插件与接口仍可能调整。

它比较有意思的地方,是把 Harness 本身变成了一套可以检查、组合和扩展的系统。

你可以直接用它完成文件处理、数据分析等任务,也可以进一步探索插件、Skill 和不同的运行方式。

如果对 Agent 的内部工作机制感兴趣,DSH 很值得了解。

Hermes Agent:强调持续记忆与经验积累

Hermes Agent 是 Nous Research 开发的开源 Agent 项目。

它的一个突出特点,是将跨会话记忆与 Skill 系统紧密结合起来。

在支持的环境中,Hermes 可以从工作经历中整理可复用的技能,在后续任务中重新调用,并持续更新相关记忆。

此外,它也提供不同的运行和交互方式,可以通过终端、桌面应用及受支持的消息平台使用。

对于希望探索长期个人 Agent、持续记忆与技能积累的同学,Hermes 提供了很有意思的实践方向。

Pi:从极简 Harness 开始,自由扩展工作方式

Pi 则走了另一条路线。

它是一款强调极简与可扩展性的 Agent Harness,保留相对精简的核心能力,同时允许用户通过 Extensions、Skills 和其他机制定制自己的工作环境。

Pi 并不试图把所有功能都预先集成进产品,而是将很大一部分扩展空间交给使用者。

例如,你可以根据具体任务增加工具、调整执行方式,或者构建适合自己的工作流程。

它对于希望理解 Agent Harness 的设计思路,甚至尝试自行扩展系统的人来说,具有很高的探索价值。

这几款工具定位不同:ChatGPT Work 与 Claude 更偏向开箱即用,DSH、Hermes、Pi 则提供更多配置与扩展空间。产品功能可能随版本、地区及账号权限变化,具体以官方说明为准。

3. 第一次尝试:让 Agent 独立完成一段工作流程

现在,我们回到前面的政策文件整理任务。

为了更清楚地体验 Agent,我建议不要只让它提取几个字段、生成一张表格。

这样的操作虽然有用,但普通文件处理工具也可能顺利完成。

我们可以尝试交给它一项更加完整的工作:

自行检查一批文件,设计并执行处理流程,发现异常后作出适当调整,最后提交可核验的结果。

例如,你可以先准备二十份不涉及敏感信息的公开文件,放入一个专门的测试文件夹。

然后向具备相应文件及代码工具的 Agent 提出要求:

请检查当前工作目录中的二十份政策文件,完成一次批量元数据整理。

先识别文件格式和可读取情况,提出简短的执行计划。确认输入范围后,自行选择适当的工具完成信息提取、数据合并和必要的质量检查。

对无法正常读取的文件,可以在允许的工具范围内尝试其他读取方式;如果仍然无法解决,请记录异常并继续处理其他文件。

最终交付一份结构化数据表、一份异常与缺失记录,以及一份简短的执行报告。所有结果必须能够追溯到对应的原始文件。

请不要修改原始材料,不要自行补全无法确认的事实,也不要访问任务目录以外的私人文件。

要观察的重点,是 Agent 怎样组织执行过程:

它是否先了解了文件结构,再决定怎样处理?

当某个工具执行失败时,它是否能够定位原因,尝试合理的替代方案?

当发现文件数量与输出记录不一致时,它是否会主动检查遗漏?

当某些信息无法确认时,它能否保留问题,而不是编造一个看似完整的结果?

这些行为才体现自主执行。对于已授权、可验证且风险较低的操作,不必逐次干预。

但在它准备改变处理标准、覆盖重要文件或者执行超出任务范围的操作时,应当要求人工确认。

完成之后,我们也不应该只看最终生成的表格是否漂亮。

还需要检查原始文件数量与输出记录能否对应,异常是否得到完整记录,重要字段能否回到原文核验。

如果发现问题,再根据执行记录判断究竟是哪一步发生了错误。

这才构成从委托、执行到验收的完整体验。

4. Skill:将一套成功的方法交给 Agent

当我们开始反复使用 Agent 时,很可能会发现这样一种情况:

某些任务虽然涉及大量操作,但真正需要遵循的规则其实相当稳定。

例如,处理公开政策文件时,我们可能总是希望先检查文件格式,再提取指定字段,最后核对输出记录和原始文件的对应关系。

如果每次都重新向 Agent 描述这套要求,就会产生很多重复说明。

这时候,Skill 便能够发挥作用。

我们在第一篇已经介绍过 Skill 的基本概念,这里进一步看一下它在实际使用中怎样组织。

按照公开的 Agent Skills 规范,一份 Skill 通常由一个文件夹组织,其中至少包含 SKILL.md 文件。

文件开头用 name 和 description 说明名称与适用条件,正文则用 Markdown 写清执行步骤和要求。

例如,我们可以为刚才的文件整理任务创建这样一份 Skill:

policy-file-audit/
└── SKILL.md

其中,SKILL.md 的内容可以写成:

---
name: policy-file-audit
description: 批量检查公开政策文件,提取元数据并生成可追溯的数据表及异常报告。
---

# 政策文件整理与核验

## 适用场景
当用户需要批量整理已有的公开政策文件时使用。

## 工作步骤
1. 清点输入文件,识别格式与可读取情况。
2. 根据用户指定的字段提取原始信息。
3. 对无法读取的文件尝试允许范围内的替代处理方式。
4. 对缺失、冲突及无法确认的内容进行标记。
5. 检查输入文件数与输出记录数是否对应。
6. 生成数据表、异常记录和简短的执行报告。

## 处理原则
- 不根据常识猜测缺失字段。
- 每条记录保留可追溯的原始文件信息。
- 不修改输入目录中的原始文件。
- 遇到无法可靠解决的问题,应当记录并交由用户核验。

## 输出成果
- 一份结构化数据表
- 一份异常与缺失记录
- 一份处理情况说明

这份基础 Skill 将反复使用的操作方法整理成可复用的文件。

一些支持 Agent Skills 规范的工具,会先读取 Skill 的名称和描述,在相关任务出现时,再加载其中的详细说明。

因此,description 不只是普通的介绍文字,它还需要清楚说明这份 Skill 适用于什么任务。

当然,文件建好之后,还需要按照具体产品的要求,将 Skill 放入支持的目录或通过对应功能导入。

不同 Harness 的发现路径和启用方式可能有所不同,不能认为只要在电脑上创建一个 SKILL.md 文件,所有 Agent 就都会自动使用它。

导入后应实际运行并检查是否正确加载;若某个检查步骤反复被遗漏,再修改说明。

如果遇到大量相似文件处理任务,还可以逐渐加入更明确的字段规则、参考模板,或者用于自动核验的程序脚本。

在较为完整的 Skill 中,除了 SKILL.md,还可以包含 scripts/、references/ 和 assets/ 等目录,用于保存可执行程序、参考资料与模板。

但对初学者来说,先掌握一份简单的 SKILL.md 已经足够。

我想特别强调,Skill 不只是一个写得比较长的提示词。

当它包含稳定的工作规则、配套资源与检查程序,并能够被 Agent 在不同任务中复用时,就有机会成为一套真正可以持续改进的工作方法。

这也能够帮助我们理解 Hermes 等 Agent 为什么会重视技能积累。

随着任务经验不断增加,用户可以逐渐将有效的方法保存下来,减少重复说明,也让某些工作变得更加稳定。

不过,Skill 并不自动赋予 Agent 新的文件权限或外部工具能力。它可以指导 Agent 怎样使用现有能力,却不能替代必要的工具配置与执行环境。

5. 看懂执行过程,才能真正验收 Agent 的成果

最后,我想补充一项在实际使用中非常重要的能力:检查 Agent 究竟做了什么。

Agent 可能连续调用工具、修改文件,并根据反馈调整方案。因此,验收还要检查执行过程。

以刚才的文件整理任务为例,一次相对完整的交付,最好能够让我们检查三个方面。

首先是成果本身:生成了哪些文件,数据内容是否符合要求,是否存在明显遗漏或错误。

其次是处理过程:Agent 实际读取了哪些输入,采用了什么处理方式,哪些步骤失败或重新执行过。

最后是异常与不确定性:哪些文件没有成功处理,哪些字段无法确认,哪些结论仍然需要人工检查。

如果这些信息缺失,我们就很难判断结果是否可靠。

在正式执行前,也应该明确任务的授权边界。

例如,允许读取哪些目录,可以创建哪些输出文件,是否允许联网,以及什么情况下必须暂停并请求确认。

特别是涉及原始文件覆盖、重要资料删除、外部账号操作或敏感数据传输时,不能仅仅依靠一句普通的提示词来保证安全,还需要使用产品提供的实际权限控制与审批机制。

各产品的日志和权限控制不同;重要任务应先用少量材料验证,再扩大范围。

使用 Agent,不只是提出问题,还要明确目标与边界,决定何时允许系统自主推进,并依据执行记录验收成果。人机协作由此延伸到对完整执行过程的组织与管理。

接下来,我们就可以回到这篇入门指南最实际的一个问题:面对这么多工具和方法,怎样从自己的真实需要出发,逐渐形成合适的 AI 使用习惯?


十四、从一次真实任务出发:建立自己的 AI 使用方式

认识这些工具之后,真正开始实践并不需要先掌握全部功能。

从最近真正需要解决的一件事情开始,就足够了。

1. 先把一件事情完整做完

比如,你正好需要整理一份活动记录,就试着让 AI 制作工作表,再亲自打开文件核对内容;如果有一个始终没弄懂的概念,就和它讨论,直到自己能够向同学解释;如果正在推进一个长期项目,可以尝试整理资料和阶段性记录,让工作在不同会话之间保持连续。

完成之后,不妨回头检查一次:AI 实际解决了什么困难?哪些地方节省了时间?又有哪些错误和返工,让事情变得更麻烦?

这些问题只有在真实使用中才能逐渐回答。比起安装了多少工具,更重要的是你是否能够完成任务,并判断这种工作方式是否值得下次继续采用。

2. 把有效的经验留下来

使用 AI 的次数多了,你可能逐渐形成一些适合自己的方法:某种对话方式帮助你理解难读的文献,某套检查步骤能够发现论文中的论证漏洞,或者一种项目记录习惯让长期协作更加顺畅。

不妨把这些经验保存下来。最初,普通笔记就足够了;等到某套方法反复得到检验,再考虑把它整理成工作模板、项目说明或 Skill。如果它也适合其他人,在符合版权、隐私与资料使用要求的前提下,还可以尝试分享。

工具会继续变化,你的方法也会不断调整。让自己从一项真实任务中积累一点能够带走的经验,比追着每一次产品更新重新搭建系统更有意义。

让这次尝试成为下一次实践的起点。

结语:在变化中生长

写到这里,《人文社科大学生 AI 入门 101》也接近尾声了。

如果你在几年之后重新打开这篇文章,可能会发现其中不少技术介绍已经过时。今天流行的模型也许早已被新的模型取代,一些我们现在还需要专门学习的操作,可能已经变成普通软件中随手可用的功能。至于未来的人机交互会发展成什么样子,坦白说,我也很难想象。

但我觉得,这并没有什么值得遗憾的。

我们正在经历一个技术快速变化的时代,任何一份具体的操作指南,都很难保证自己能够长期适用。今天花费不少时间学习的工具,明天可能就会出现更加方便的替代品。

真正值得我们长期培养的,是面对这些变化时不断学习、尝试和调整自身能力的意识。

我想把这种意识称为一种自适应的精神。

它意味着我们愿意走出自己已经熟悉的知识与经验,主动接触新的技术和方法,也能够根据实际需要不断调整自己的工作方式。

如果某项新技术确实能够帮助我们解决过去难以处理的问题,就大胆尝试;如果一种已经习惯的工作方法逐渐暴露出局限,也不必过于留恋。

当然,适应变化也需要判断力。我们没有必要追逐每一款新产品,也不必因为某种技术突然流行,就急于将它引入自己的全部工作。

随着经验逐渐积累,我们应该越来越清楚自己希望解决什么问题,哪些方法真正有效,以及什么样的变化值得投入时间。

与此同时,我也希望大家能够保留一种开放与共享的态度。

今天我们能够接触到的许多 AI 模型、工具与方法,都离不开研究者、开发者和开源社区持续的探索与交流。

许多人愿意将自己的代码、经验和失败教训分享出来,使后来者不必每次都从头开始。

我们当然可以从中受益,也可以逐渐尝试成为其中的一部分。

或许你将来会整理出一套很好用的文献阅读方法,编写一份帮助同学解决实际问题的 Skill,或者因为某项课程研究的需要,做出一个有趣的小工具。

这些成果未必需要多么复杂。只要经过认真检验,并且符合必要的版权、隐私和使用规范,就可能对其他人有所帮助。

知识与技术的发展,本来就离不开这样的交流、批评和不断修正。

不过,写到最后,我还有一个更想与大家分享的想法。

在一个越来越容易获得答案的时代,我们尤其需要保留直面复杂性的勇气。

这可能是我认为人文社科大学生最值得珍惜的一种能力。

AI 非常擅长将纷繁的信息组织成清晰、完整、看起来颇有说服力的回答。但我们真正面对的世界,往往远比这些回答复杂。

历史的发展充满偶然,社会制度的运行受到各种条件的影响,真实的人也有着不同的经验、处境和想法。

我们在研究中可能遇到相互矛盾的材料、无法轻易调和的理论,以及暂时找不到合理解释的现象。

有些问题,经过几轮对话就能获得不错的启发;另一些问题,即使阅读了大量文献、走访了许多地方,我们也未必能够形成满意的结论。

这种不确定性,有时确实令人沮丧。

尤其当 AI 能够在几秒钟内提供一套结构完整的解释时,我们可能很容易接受它给出的答案,不再继续追问。

但我希望大家能够对这些暂时无法解决的问题保留一点耐心。

如果一份材料与我们原有的认识不一致,不妨多读一遍;如果某个社会现象无法被现成的理论解释,或许值得进一步了解它发生的具体情境;如果一项研究的结果不符合预期,也不必急着寻找一个看起来圆满的说法。

很多有意思的问题,可能正是在这些时刻逐渐浮现出来的。

技术的发展让我们有机会阅读更多材料、尝试更多方法,也减少了不少重复性劳动。我希望,我们能够将由此获得的时间和精力,重新投入那些真正值得理解的事情。

毕竟,大学生活本身也远不只有知识与技能的积累。

你可能因为一堂课开始对某个陌生的领域产生兴趣,因为与老师的一次争论而重新思考原本确信的观点,也可能在一次田野调查中发现,自己此前对于某个社会群体的理解有多么有限。

你还会读到一些让自己困惑许久的著作,认识来自不同地方、拥有不同经历的朋友,甚至在原本毫无准备的情况下,遇见一个真正愿意长期研究的问题。

这些经历未必能够立刻转化为一份成果,却可能在不知不觉中改变我们理解世界的方式。

AI 可以参与其中的许多环节,为我们提供知识、工具和新的思考线索。但我们仍然需要亲自阅读、观察、交流,走进那些无法通过聊天窗口完整呈现的现实情境。

对于人文社科学生来说,这一点尤其重要。

我们研究历史、制度、文化与社会生活,最终仍然要面对真实的世界,以及生活在其中的人。

我很期待,在未来的几年里,大家能够借助 AI 探索出更多有意思的研究方法和知识表达方式。

也许有人会重新整理一批鲜有人关注的历史档案,有人会完成过去因为技术限制而难以开展的数据分析,还有人会尝试一些我们现在尚未想到的研究与创作形式。

这些可能性都值得期待。

而对于刚刚进入大学的你,我想,也不必因为技术发展得太快,就担心自己已经落在了时代后面。

你还有足够多的时间去阅读、学习、尝试,去犯错,也去修正自己的认识。

从一个真正感兴趣的问题开始就好。

希望未来的大学生活中,我们既能够自如地使用新的工具,也能够逐渐形成自己的经验与判断;既愿意向他人学习,也乐于分享自己的发现;既有勇气探索未知,也有耐心面对那些暂时没有答案的问题。

愿你在一个越来越容易得到答案的时代,始终保有提出问题的好奇心,以及亲自走进世界的勇气。

这或许就是我最希望与你分享的,属于 AI 时代的大学精神。

↑