Hacker News 上每隔一段时间就会出现一个类似的问题“你是怎么在 research 里使用 LLM 的”问法不同困惑却一致明明每天都在和 ChatGPT、Claude、Gemini 这类工具对话可真到正经研究场景里总觉得它们给的东西不够扎实。要么答得太泛要么引用的文献根本不存在要么看起来逻辑通顺却跟自己的方向完全对不上。我自己的体感是问题不全在模型能力而在于大多数人把 LLM 用错了场景。我用了一年多才真正意识到LLM 用于研究不是搜索引擎的升级而是把阅读、总结、追问、试错和验证这整条低效流程改造成一条可以持续交互的流水线。真正决定成败的不是哪个模型更强而是你怎么组织问题、怎么供给资料、怎么验证输出。我把这个思路展开成下面几个部分每个部分都来自实际踩坑后的操作经验。如果现在想开始把 LLM 纳入研究工作流可以直接照着后面的路径先跑一个最小版本。1. 研究里真正值得交给 LLM 的不是“找答案”而是“拆问题”很多研究者第一次用 LLM 的方式是把它当搜索引擎输入一个主题等它给出一段“综述”。结果往往很失望因为 LLM 生成的综述非常平滑却缺少真正的文献基础引用也经常编造。于是这些人很快得出结论LLM 不靠谱不适合做研究。我理解这种挫败但这个结论下得太早。它真正不能被替代的地方不是替你给最终判断而是帮你把一个大而模糊的问题拆成许多可处理的小问题。1.1 表层功能确实能帮你找资料、梳理概念直接把论文 PDF、书籍章节、GitHub README 丢给对话模型它能快速生成摘要让它在几篇方法之间做对比它也能给出大致差异让一段陌生代码解释每一步在做什么它通常讲得比文档还细。这些都是表层功能它们解决的是“省时间”的问题过去可能要一个下午才能读完的十篇摘要现在一小时就能完成初筛。但省时间不是核心价值。核心价值是它在这些低层操作上几乎不消耗意志力这让你可以把人类特有的精力留给更关键的判断和决策。1.2 研究流程里真正被改变的三个环节回顾我自己的研究流程LLM 真正改变的不是“找资料”那个环节而是三个过去容易被忽略的地方文献阅读的“第一遍扫描”。过去拿到一批论文需要从摘要、图表、结论里快速判断哪些值得精读。现在我会让 LLM 先按“问题—方法—实验—不足—可复现性”五个维度做摘要然后在摘要基础上决定要不要深读原文。这一步能过滤掉大量不值得投入时间的论文。概念之间的连接解释。研究中最容易卡住的不是单个术语而是术语之间的关系。比如“RAG 和 Agent 到底能不能同时用它们之间是怎么传递数据的”这类问题LLM 可以快速给出多种角度的解释虽然不一定完全准确但足够帮你建立初步认知地图。实验思路的快速试错。写代码之前先让 LLM 给出一个伪代码流程、可能的参数范围、数据格式和边界条件。它不是替代实验设计而是在正式动手之前帮你把“没有想到的边界”尽可能暴露出来。所以我倾向于把 LLM 在研究中的角色定义为一个低成本的思考陪练。它的输出不是结论而是供你反复推敲和反驳的草案。真正的结论必须由你的专业判断、实验数据和一手文献来确认。这个定位是所有后续方法设计的前提。2. 从灵光一现到可持续一套四步研究用法如果你只把 LLM 当作临时聊天工具那每次的结果都不可控。想让它稳定地进入研究流程我建议把它当成一套四步流程来用拆问题、喂资料、问追问、做验证。四步缺一不可。2.1 第一步把研究问题拆成可追问的原子问题不要直接问“帮我写一篇关于知识蒸馏的综述”这个任务太大输出必然泛泛。更合理的做法是把“知识蒸馏”拆成一批原子问题知识蒸馏的关键损失函数有哪些形式soft label 和 hard label 在蒸馏里分别起到什么作用温度参数对输出分布的影响直觉上应该怎么理解哪些论文给出了不同蒸馏方法之间的系统对比蒸馏后模型的容量上限有没有实验证据每个原子问题都可以单独追问得到比较具体的回答再把这些回答组合成你对这个方向的理解。当问题足够具体时模型的表现会稳定很多因为它的训练数据里覆盖了大量类似 QA 模式。2.2 第二步资料先行让 LLM 在明确上下文里工作研究用的对话不能是白手起家。你应该尽可能地把你的笔记、论文片段、数据字典、实验结果、代码文件等作为上下文喂给模型。这就是 RAG 和本地知识库真正介入的地方。我自己的做法是把长期研究资料整理到 Obsidian 这样的本地笔记库里每篇笔记有明确的标题、标签和链接关系。然后再把笔记库导出成可供 LLM 检索的目录形式。Andrej Karpathy 提过的 LLM Wiki 范式本质上也类似不是把所有原文都塞进上下文而是让 LLM 基于一个高密度的、有结构的目录或 Wiki 页面进行回答。它更像“先给目录再按需展开章节”而不是“一次把所有章节都背下来”。这种做法的好处有两个模型不会因为上下文过长而丢失重点回答能引用你提供的资料而不是凭概率生成一个可能的答案。在具体配置上如果使用 RAG需要先给文本做切片chunking。切得太短模型看不到完整段落语义切得太长检索精度下降还容易超出上下文窗口。常见做法是每个切片 300 到 800 个 token保留段落边界和标题信息再对有层级结构的内容做父文档召回。2.3 第三步连续追问和反向追问研究不是一次性问答。真正有价值的洞察通常藏在第二轮、第三轮甚至第六轮追问里。我会在每轮回答后问自己三个问题它给出的前提是什么这个前提成立吗如果反过来做结果会怎样它还遗漏了哪个关键变量然后把这些问题原样抛给 LLM。比如让它给出一段模型训练建议后我会追问“如果数据只有 500 条这个建议哪些不适用”或者“如果训练目标不是准确率而是鲁棒性哪些步骤要调整”这些反向追问的作用是让模型把隐含的适用条件显式化。很多时候模型并不是在“正确”或“错误”之间摇摆而是在“有边界条件的正确”和“无边界条件的正确”之间切换。这一步也最能体现你是否真的理解自己的研究问题。如果你无法对模型输出提出高质量追问那么模型给你的也只能是平均水平的答案。2.4 第四步输出必须经过人工验证研究级的使用绝对不能直接采信模型的输出。每一轮对话产生的结果都要落到一个可复核的动作上找到原文引用、跑一次最小实验、检查日志里的数值、看代码里对应实现的逻辑。我习惯在对话结束后把 LLM 给出的关键信息分成两类一类是“可以快速验证的”比如一个 API 参数、一个文件路径、一段代码语法直接通过文档或运行确认另一类是“需要长期验证的”比如某种方法在该领域的适用性、对比实验的结论必须通过一手文献和实验数据判断。如果发现模型引用了一篇标题很具体的论文先不要直接相信先去 Semantic Scholar、Google Scholar 或 arXiv 搜一下看看论文是否真实存在。研究场景中最消耗信任的不是模型没有能力而是它一本正经地给出一个根本不存在的引用。这一点永远不能跳过。3. 不同研究场景的配置与常见坑研究场景差异很大有的是纯文本阅读有的涉及代码复现有的涉及本地数据和隐私保护。下面按场景拆开说每个场景的配置侧重点都不太一样。3.1 文献阅读与多篇比较RAG 和上下文窗口怎么选如果只是单篇论文直接把 PDF 转成文本喂给上下文窗口就够了。LLM 通常能够抓住论文的主题、方法和结论尤其当你有明确的问题时。但如果你要做多篇论文的横向对比不建议一次性把所有原文都塞进去。更好的做法是先让模型分别为每篇生成结构化摘要然后把摘要汇总成一个对比矩阵。矩阵通常包括研究问题、方法类型、数据集、主要结果、局限、和本研究的关联。这时候再用一次追问让模型补齐不同论文之间的冲突点比如“为什么在同样数据集上结果差异很大可能是哪些变量不同”如果论文数量超过二十篇我会建议用本地 RAG 方案而不是对话式的手动贴入。原因是对话上下文窗口再大也有上限而检索可以高效定位最相关的几篇论文片段。实际使用中要注意检索回来的片段本身可能不完整所以回答时最好要求模型标明依据来自哪个文件、哪个章节方便你复查。3.2 代码理解与复现实验LLM 是解释器不是调试器研究过程中代码理解是最常见的高频场景。你可以把一个新仓库的目录结构和关键文件发给 LLM让它解释模块职责、数据流动、运行入口。这一步能把陌生项目的上手时间从几天压缩到几小时。但必须记住一个边界LLM 理解代码的方式是统计性的不是执行性的。它能告诉你某段代码的意图却没法替你验证某个操作在特定版本里是否有效。所以涉及调试时最好的做法是让 LLM 给你一个排查步骤和候选原因而不是直接相信它的“修复方案”。我自己的经验是把报错信息原样贴给 LLM 通常有效但前提是你要提供环境信息Python 版本、PyTorch 或 CUDA 版本、操作系统、完整 traceback。缺少这些信息模型只能泛泛而谈。反过来如果它给出的修复涉及安装新依赖不要直接照做先看依赖版本冲突。3.3 本地部署与隐私场景从量化选型到推理引擎配置有些研究数据不能上传到云端 API比如医疗数据、未公开的企业内部数据或实验室数据。这种场景下本地部署一个开源模型就成了刚需。常见的选择包括各类开源模型配合 LLM Studio 这样的图形化工具或者 Ollama、llama.cpp 这类命令行方案。如果你的主力设备是 Mac要重点关注推理引擎对 MPS 和 Metal 的支持。很多人在 Mac 上跑模型遇到速度慢或内存爆掉往往不是模型问题而是推理引擎没有针对 Apple Silicon 做优化。常见的做法是选择支持 Metal 的推理后端并合理设置内存映射。与此同时也可以考虑通过 Maid LLM 这类安卓端工具把私有模型的入口放到移动端方便在通勤或访谈时快速检索和记录。本地部署还有一个容易被忽视的问题ComfyUI 这类工具在配置 LLM 相关节点时需要修改extra_model_paths.yaml来指定外部模型路径。新手经常在这个环节踩坑原因是路径写错后没有及时看日志程序不报错却一直找不到模型。配置完成后第一步应该是查看启动日志里是否加载出了目标模型名。3.4 精度参数怎么选fp16 / fp32 / bf16 的实践理解本地部署模型时经常看到 fp16、fp32、bf16 这几个精度选项。很多人以为是越高越好实际上是取舍问题。fp32精度最高但显存占用和计算开销也最大通常只在小模型或 CPU 调试场景里使用。fp16训练和推理的常用精度速度比 fp32 快很多显存占用减半但数值范围有限。极小的学习率或极端梯度更新时可能出现溢出问题。bf16动态范围和 fp32 一样大但尾数精度低。对大多数深度学习任务来说尾数精度损失影响不大而且能在大规模训练和推理里获得更好的稳定性。在“研究怎么做实验”这个层面我建议把精度问题放在最后考虑。如果你只是跑通一个推理流程先用默认设置即可。要长期稳定运行再去观察模型的输出是否因为精度切换产生明显变化。这里很容易陷入“调参自嗨”实际上对研究结论影响更大的往往是数据质量和评估方式。4. AI 输出为什么总是“像模像样却不能用”这是研究者对 LLM 最核心的不满。模型生成的文字一段比一段漂亮逻辑似乎无懈可击可拿到具体场景里根本站不住脚。要理解这个问题需要拆开 LLM 输出“能用”与“不能用”的间隙。4.1 幻觉不是 bug是当前模型交互方式的固有风险很多研究者把幻觉归咎于“模型不诚实”。从技术角度看这更像是一个不可避免的副产品LLM 的目标是预测下一个 token而不是确保每个句子都符合外部事实。它生成的内容像一份“从数据分布中采样得来的高质量文本”所以在概念关系熟悉时它往往说得像真事在概念关系稀疏时它就会靠语言模型对“合理的下一步”的理解填补空缺。这不意味着我们不能用。它意味着我们必须把“模型输出”当作一个待验证的假设而不是事实。研究工作中的任何决策都不能只以 LLM 输出为依据。4.2 交叉验证搜索、原文、日志、实验四位一体我在反复踩坑之后总结出一个适用于研究场景的验证策略简称“四位一体”搜索验证把模型引用的关键论文标题、作者、年份拿到搜索引擎或论文数据库里查一遍确认存在性。原文验证找到论文原文直接看摘要、图表和结论确认模型转述是否准确。日志验证如果涉及代码或配置通过运行日志和报错信息来确认行为是否符合预期。实验验证如果可能跑一个最小实验用数值结果判断方向是否值得继续投入。这四个验证动作不需要每次全部执行。但至少前两个应该成为默认动作尤其是当模型给出一个“看起来非常有用”的结论时不要被表面说服。4.3 一套研究级验证清单为了让验证动作更标准化我把它做成了一个清单每次重要对话后过一遍[ ] 模型输出的关键引用是否真实存在[ ] 模型的核心假设是否符合我所在子领域的默认条件[ ] 模型提到的实验设置是否有能支撑它的原始数据或来源[ ] 如果我把这个结论放进论文/实验报告评审会质疑哪里[ ] 这个结论能不能被一个具体的、可重复的实验证明[ ] 哪些段落是模型直接从分布中“平滑生成”而不是基于证据的这个清单看起来简单但一旦养成习惯能让模型的可用性提升非常大。研究者的价值恰恰体现在这些验证和判断动作上。5. 当单个对话不够用RAG、MCP、Agent 与编排框架用过一段时间后你会发现单靠一个对话框做研究会遇到瓶颈上下文窗口有限、模型记不住项目背景、不能实时查找资料也不能主动执行多步骤任务。于是出现了更复杂的组合方案RAG、MCP、Agent以及把它们串起来的各种编排框架。很多人被这些概念绕晕我这里用一个更朴素的方式拆开。5.1 为什么需要编排框架单个 LLM 对话就像只有一个聪明但健忘的临时助手。你每次重建对话它都忘了上年发生了什么。编排框架的本质是给这个临时助手配上持久记忆、工具、任务清单和工作日志让它能够在一个项目里连续工作。“LLM 应用为什么需要编排框架”这个问题的答案就在这里不是框架本身有魔力而是研究工作需要状态持久化。你不可能每次研究对话都从头解释项目背景、方法和已有结论你需要一个可以长期维护的项目上下文。5.2 RAG 和 MCP 分别解决不同的问题RAG 解决的是“信息供给”。当模型需要回答一个问题时先从本地或外部知识库检索出最相关的片段再把这些片段拼进提示词。它解决的是模型不知道或不记得的“领域资料”问题。注意RAG 本身不会把知识注入模型参数它只是把证据放到模型眼前帮助输出更贴近相关内容。MCP 则更像“工具插口”。它让 LLM 能够调用外部工具比如读取文件、执行代码、查数据库、访问网络接口。过去每个工具都要单独对接MCP 把工具访问方式统一了。你可以把 MCP 理解为给 LLM 配了一套“通用工具箱”而 RAG 是工具箱中的一个资料抽屉。实际使用时两者经常配合先由 RAG 查出相关章节再由 MCP 调用解析器打开文档、执行检索脚本或写入日志。5.3 Agent 编排多步任务的串联Agent 是让 LLM 不止于“回答”而是能够自主规划并执行多步任务。例如让它完成“从十篇论文里找出使用对比学习的方法提取它们的损失函数并把结果写入 Markdown 表格”这样的任务就需要它拆解步骤、决定每步用什么工具、检查结果然后进入下一步。研究场景里Agent 的最大价值是处理重复性的检索和提取任务而不是做学术判断。不要指望 Agent 能独立完成“下一步应该研究什么问题”这种需要专业直觉的任务。我的建议是Agent 适合执行不适合决策。5.4 Spring AI MCP RAG Agent SKI 这类组合如何理解现在能看到很多类似“Spring AI MCP RAG Agent SKI”的技术组合词。它本质上是一套把上述能力集成到 Java 生态的解决方案。Spring AI 提供统一的接口MCP 负责连接工具RAG 提供资料检索Agent 负责多步任务编排SKI可能指某个项目中的技能集或自学习模块作为辅助增强。如果你已经在一套成熟后端里做研究应用集成这种组合确实有吸引力它能让研究助理的能力通过标准接口对外提供服务。但如果你只是个人研究使用不一定需要一上来就搭这么重的框架。先用简单的脚本或 notebook 组合 RAG 和 API跑通流程比追求“全家桶”更重要。编排框架的适用边界非常清楚个人轻量探索经典对话RAG 就够了团队协作、系统集成、需要权限和日志审计时才值得上 Agent 编排框架。千万不要因为概念热门就把简单问题复杂化。6. 从今天就能开始的最小可行方案与问题排查最后给一个不依赖复杂基础设施今天就能开始用的最小可行方案。它不一定最强大但足够让你在真实研究中体会 LLM 协作的收益和风险。6.1 最小研究助理三件套我的“最小研究助理”由三部分组成对话入口可以使用你最顺手的对话工具也可以使用本地部署的开源模型。关键在于保持一致的使用流程而不是频繁切换模型。资料库把常用论文、笔记和代码仓库整理成一个结构清晰的本地文件夹或 Obsidian 笔记库。良好的命名和互链是后续让 RAG 发挥作用的前提。验证通道至少保留一个论文搜索引擎、一个代码运行环境、一个日志输出位置。建议在每次重要对话后强制使用其中至少一个通道做验证。一开始不要做通用助手而是做一个“只回答特定研究方向问题”的助手。比如这个助手只允许回答关于知识蒸馏、模型压缩、或你所在课题的问题。范围越小上下文越容易维护输出质量越高。6.2 最常出现的五个坑及排查顺序根据我自己的经验研究场景下最容易出现的问题集中在五个地方上下文不完整模型不知道你的实验条件导致答非所问。排查方式检查提示词里是否给出了关键背景比如数据规模、模型架构、评估指标。输入文件格式不被支持PDF 转文本时出现乱码或缺页分块时把段落切断了。排查方式先把文件转成纯文本肉眼检查首尾和标题区域。本地模型路径或精度配置错误例如 ComfyUI 的extra_model_paths.yaml写错模型一直加载失败。排查方式看启动日志确认模型绝对路径和配置里的路径一致。RAG 检索不到相关内容不是模型不行而是切片策略和检索阈值不匹配。排查方式先手动搜索一个已知问题看返回的文档片段是否包含关键内容如果不包含调整切片大小或重写文档标题。输出幻觉或引用错误模型给出一个看起来很真实的结论但实际不支持。排查方式用上一节的四位一体验证流程至少执行搜索和原文验证。当问题出现时不要直接怀疑“模型不行”。先看输入、再看环境、再看参数、最后看工具边界。和排查代码 bug 一样研究工具链的失败点往往出现在数据供给和配置层面。6.3 什么时候该及时抽身最后一个建议可能比所有技术都更重要学会判断什么时候不应该继续用 LLM。如果你发现自己在和模型反复绕圈子几分钟内得不到实质进展或者模型已经开始生成大量看似合理但无法验证的内容这时候最有效的动作是停止对话回到原始文献和实验数据里。LLM 是研究过程中的杠杆不是研究本身。它能帮你把大量低效环节压缩成快速迭代但它不能替你做判断、不能替你理解研究背景、不能替你承担责任。一个合格的研究者应该始终掌握两个核心能力提出好问题的能力和对答案进行审计的能力。工具越强这两项能力越值钱。