想让AI更懂你？把每次提问都当成一次小实验

2024年底，人工智能在科学推理能力测试中已达到博士生水平；到2025年，更接近测试上限。作者作为范德堡大学跨学科博士培养项目AI负责人，在生物医学博士新生课程中开发并讲授了AI应用模块。调查显示，81%的学生曾用AI辅助科研，但仅5%具备基础提示词编写能力；经培训后提升至48%。此后，作者进一步将AI融入科研训练全流程，开设基金申请写作课、分享预印本成果，并强调：AI不是程序员专属工具，而是所有科研人员都可用的助手——作者本人的研究领域是DNA复制与修复的生物化学。他提出最实用的方法是“把每个提示词当作一次实验，把输出结果当作实验数据”。文中给出十条实操建议：一是先连接外部工具（如PubMed、Scite等）再提问，让AI基于真实文献作答，推荐使用标准化的Model Context Protocol（MCP）协议；二是结构化输入，如用Markdown、XML或JSON格式组织提示词，提升模型理解力；三是让AI帮你写提示词（即元提示法），例如描述需求后请模型生成优化后的完整提示；四是复用他人验证过的成熟提示词，避免重复试错，作者已在Zenodo和在线图书馆免费公开多类学术任务（文献综述、论文评阅、写作反馈）的可靠提示模板；五是保持单次对话简短，因模型随对话延长易出错且无法遗忘历史内容，建议先逐步构建任务，再让AI浓缩成单条提示并在新对话中运行；六是遇到对话中途失效（如指令被忽略、反复纠错），应回退到上一个正常节点重新分支，或提炼关键信息后重启对话；七是确保结果可重复——因AI输出具概率性，需多次独立运行同一提示，观察稳定结论与偶然偏差，这相当于生物学中的技术重复；八是务必验证准确性，不能轻信单次输出；最后提醒读者：这些方法源于一线科研与教学实践，核心理念是将已有科学思维（如假设驱动、对照设计、重复验证）迁移到AI协作中。