外观
打好基础，擅用工具
这一章的目标，是帮助新同学尽快建立一套可靠的科研底座：基础概念足够扎实，工具链足够顺手，日常工作足够可复盘。
为什么基础和工具要一起讲
AI 科研里，基础决定你能不能判断问题，工具决定你能不能持续推进问题。只会工具，容易把科研做成参数搜索；只讲基础，又容易在真实项目里推进太慢。
更好的状态是：用基础知识判断方向，用工具系统降低摩擦，用复盘机制积累经验。
基础能力清单
数学与建模
你不需要一开始就掌握所有数学细节，但必须能读懂模型假设、优化目标和评价指标。
- 线性代数：向量空间、矩阵分解、特征值、低秩表示。
- 概率统计：分布、估计、假设检验、置信区间、校准。
- 优化：梯度下降、正则化、约束优化、泛化误差。
- 机器学习：监督学习、表示学习、评估协议、数据泄漏。
编程与工程
科研代码不要求一开始像产品代码一样完整，但必须可运行、可复现、可定位问题。
- 熟练使用 Python、PyTorch、NumPy、pandas。
- 理解 Git 的分支、提交、回滚和协作流程。
- 能写清晰的实验配置、日志、随机种子和结果导出。
- 知道如何用最小脚本复现一个错误。
英文阅读与表达
AI 相关研究变化很快，英文论文、官方文档和开源仓库是一手信息源。
- 先读摘要、图表、方法框架和实验设置。
- 记录作者实际解决的问题，而不是只摘抄模型名字。
- 用自己的话复述 contribution、assumption、limitation。
工具链建议
每天都会用的工具
| 场景 | 推荐工具 | 用法重点 |
|---|---|---|
| 代码开发 | VS Code / Cursor | 项目级搜索、调试、Git 集成 |
| 环境管理 | conda / uv / Docker | 固化依赖，避免环境漂移 |
| 实验跟踪 | W&B / MLflow / TensorBoard | 记录配置、指标、模型产物 |
| 文献管理 | Zotero | 分组、标签、PDF 标注 |
| 笔记系统 | Obsidian / Notion | 主题索引、论文卡片、周复盘 |
| AI 助手 | ChatGPT / Claude / Copilot | 解释、改写、生成检查清单 |
AI 工具的正确位置
AI 助手适合帮你降低认知摩擦，但不应该替代你的判断。
它适合做这些事：
- 把论文段落解释成更容易理解的版本。
- 帮你生成实验 checklist。
- 检查代码里的潜在 bug。
- 帮你把粗糙想法改写成更清楚的研究问题。
它不适合直接决定这些事：
- 你的研究问题是否重要。
- baseline 是否公平。
- 结论是否被实验充分支持。
- 论文贡献是否足够成立。
入门训练路线
第一周：建立可运行环境
完成一套标准项目模板：环境安装、数据下载、训练脚本、评估脚本、结果导出、README。
第二周：复现一篇小论文
选择代码质量较好的论文，先跑通作者结果，再改动一个变量，观察结果是否符合预期。
第三周：形成实验记录习惯
每一次实验都记录：问题、假设、配置、结果、异常、下一步。不要只记录最终成功结果。
第四周：做一次组会汇报
汇报重点不是“我跑了什么”，而是“我试图验证什么，证据支持什么，还有什么不确定”。
常见误区
误区一：收藏很多工具，但没有稳定流程
工具越多，不一定效率越高。先把每天都会用的 3 到 5 个工具打磨顺手，再逐步扩展。
误区二：用大模型替代阅读
大模型可以辅助理解，但一手判断仍然来自论文原文、实验细节和你自己的推理。
误区三：实验结果没有上下文
一个数字本身没有意义。必须知道数据集、划分方式、评价指标、baseline、随机种子和训练预算。
最小可行工作流
- 用 Zotero 管理论文和标签。
- 用一个固定模板记录论文卡片。
- 用 Git 管理每次代码变化。
- 用配置文件管理实验参数。
- 用实验追踪工具保存指标和产物。
- 每周写一次复盘，明确下周最重要的问题。
下一步
读完这一章后，下一步应该进入 科研工作流总览，把基础能力放进完整的选题、实验和写作流程里。