按科研流程组织产品
以研究项目为单位保存资料、任务和阶段结果，让前一环节的背景、变量和文献可以在后续继续使用。
返回项目列表PROJECT 03
诚曜一体化科研平台
Long Workflow + Context + Human-in-the-loop
连接文献、数据、实证、写作与返修流程，为研究者提供全过程辅助的智能科研工作台。
01
项目背景与核心场景
项目背景
科研工作通常需要在文献数据库、统计软件、写作工具和期刊网站之间频繁切换，研究者还要完成选题、数据处理、实证、格式修改和审稿回复。
这些任务具有明显的前后依赖，但现有工具通常只解决一个环节。研究背景和已有结论难以连续传递，研究者需要反复上传资料、说明变量和补充上下文。
项目希望把论文研究的主要环节整合到同一工作空间，让 AI 承担资料整理、内容辅助和重复操作，同时保留研究者对研究问题、方法选择和最终结论的控制。
核心使用场景
平台覆盖选题、假设、文献、数据、实证、写作、审稿、返修和格式排版。研究者可以持续使用已确认的研究背景与变量信息，并在代码执行、方法选择和结论等高影响节点保留最终判断。
02
用户问题与产品目标
目标用户
- 开展论文研究的高校教师和研究人员
- 处于选题、实证、写作或返修阶段的研究生
- 管理文献、数据、代码和论文版本的研究者
产品目标让研究者在连续工作空间中完成科研任务，减少资料整理和重复操作；AI 辅助检索、归纳和生成代码，研究者保留理论、变量、方法和结论等关键判断。
- 01
多个工具之间频繁切换，资料和任务状态较为分散。
- 02
每次使用 AI 都需要重新说明研究背景和变量口径。
- 03
文献总结和引用内容如果缺少来源，难以直接用于论文。
- 04
AI 生成代码后直接运行，可能影响数据和研究结果。
- 05
长流程中前后假设、变量和结论容易出现不一致。
- 06
通用 AI 能生成文字，但缺少完整科研过程的任务管理。
03
核心流程
建立研究项目
选题与文献
假设与变量
导入并检查数据
生成并预览代码
确认后执行
整理实证结果
写作与结构检查
审稿意见拆解
逐项返修
04
关键产品设计
文献内容保留引用来源
研究者可以从 AI 总结回到对应文献和原始内容；引用溯源是科研 AI 可信度的基础。
代码生成与执行分开
运行前展示数据、变量、方法和代码，研究者确认后再执行，错误信息可保留并用于修改。
管理长流程研究上下文
区分研究者已确认的信息与临时生成内容，避免后续任务把未经确认的内容当成最终事实。
审稿意见转为任务
将意见拆成独立问题，关联论文位置、修改建议、处理状态和回复内容，使返修过程可管理。
05
产品迭代与验证
流程建模
从选题到返修梳理科研全过程，将相互依赖的专业任务拆成可以衔接的产品环节。
关键机制设计
围绕引用溯源、上下文延续和代码确认建立可信机制，避免把科研辅助简化成自由生成。
原型与完整任务验证
通过 100 余条功能及科研流程检查、一次完整论文流程测试和高校教师评审整理改进方向。
- 完成可演示原型，验证范围覆盖文献、假设、数据、实证、写作和返修等主要环节。
- 累计检查 100 余条功能及科研流程，并完成一次较完整的论文研究流程测试。
- 邀请高校教师从科研使用角度评审生成结果和流程完整性。
- 部分输出获得“整体完成度接近中文核心期刊论文所需工作量约 80%”的内部主观反馈；不代表模型准确率、正式学术评价或论文录用概率。
06
我的工作与下一步
我的职责
下一步迭代方向
- 继续提高科研环节间的信息衔接，完善文献来源核验、变量口径、数据处理记录和实证结果解释。
- 细化关键操作的人工确认机制，并针对不同学科和研究方法扩展流程模板。
- 通过更多完整科研任务检验长流程中的上下文一致性和结果可追溯性。
07
我对 AI 产品的思考
长流程 AI 产品首先要解决上下文管理，明确哪些信息已确认、哪些只是临时生成。
专业场景中的可信度来自文献来源、数据记录、代码和修改轨迹共同构成的可核验过程。
人工确认应放在变量构造、方法选择、代码运行和研究结论等不可逆或高影响环节。
AI 原生产品不是增加一个对话框，而是让已确认的项目背景和输出在科研任务之间连续流动。
产品验证需要贴近完整任务，检查阶段间信息传递、人的最终判断和错误是否被后续放大。