一、人机协同的基本原则（合规前提）

依据 CSDN 规范第 2、9 条，科研中使用 AI 必须遵守：

• ▶️ 责任主体不可转移：AI 生成内容须经人工审查、调试、注释，作者对最终代码与结论负责；
• ▶️ 不替代科研本质工作：实验设计、假设提出、误差分析、论文撰写逻辑仍需研究者主导；
• ▶️ 规避版权风险：不生成受版权保护教材的课后题答案；不复现未开源论文的核心算法细节；不爬取付费数据库内容；
• ▶️ 数据安全第一：敏感实验数据仅在本地环境处理，避免上传至不可控第三方平台。

---

二、AI 擅长环节 × 人类主导环节：四类科研任务的高效组合

1. 编程环节：AI 补全模板，人类把控逻辑

需求理解	❌ 无法理解未明确表述的科研目标	✅ 明确输入/输出、约束条件、评价指标
伪代码/注释撰写	✅ 根据自然语言注释生成初稿	✅ 用精准技术语言描述任务（如：“用 IQR 剔除异常值”）
API 调用	✅ 补全 pandas/sklearn/matplotlib 常用函数调用	✅ 选择合适方法（如：t 检验 vs Mann-Whitney U）
边界测试	❌ 易忽略 corner case	✅ 设计测试用例（空输入、NaN、极端值）
注释与文档	✅ 生成基础 docstring	✅ 补充原理说明、引用文献、局限性分析

✅ 合规实践示例：数据标准化模块生成

人类撰写需求注释（关键输入）：

python

# 需求：对 DataFrame 中数值列做标准化

# 要求：

# 1. 仅处理 float64/int64 类型列

# 2. 使用 sklearn StandardScaler（保留均值/标准差以便反变换）

# 3. 返回新 DataFrame + scaler 对象（供后续反变换用）

# 4. 不修改原始数据

AI 生成初稿 + 人类优化后：

python

from sklearn.preprocessing import StandardScaler

import pandas as pd

import numpy as np

def standardize_numeric(df: pd.DataFrame):

"""标准化数值列（保留 scaler 用于反变换）

Args:

df: 输入 DataFrame

Returns:

standardized_df: 新 DataFrame（含标准化数值列 + 原始非数值列）

scaler: 拟合后的 StandardScaler，可调用 scaler.inverse_transform()

numeric_cols: 被标准化的列名列表

"""

# 识别数值列（避免 object/bool 类型误处理）

numeric_cols = df.select_dtypes(include=[np.number]).columns.tolist()

if not numeric_cols:

raise ValueError("未找到数值型列")

# 拟合 scaler 并转换

scaler = StandardScaler()

scaled_data = scaler.fit_transform(df[numeric_cols])

# 构建新 DataFrame（保留原索引与非数值列）

result_df = df.copy()

result_df[numeric_cols] = scaled_data

return result_df, scaler, numeric_cols

# 使用示例（人类补充）

# df_std, scaler, cols = standardize_numeric(raw_df)

# origin = pd.DataFrame(scaler.inverse_transform(df_std[cols]), columns=cols)

✅ 合规点：

• 使用 sklearn（PyPI 开源库，BSD 许可）；
• 无硬编码路径/隐私数据；
• 注释含参数/返回值说明，符合 PEP257。

---

2. 绘图环节：AI 生成模板，人类定制风格

科研图表核心需求：准确 > 美观 > 期刊适配。

人机分工策略

图类型选择	❌（需基于统计特性判断）	✅ 散点图 vs 箱线图 vs 小提琴图
基础代码生成	✅ 根据描述生成 matplotlib/seaborn 模板	✅ 检查坐标轴标签、单位、尺度合理性
多子图布局	✅ 生成 subplot 代码框架	✅ 调整间距（plt.tight_layout()）、对齐
期刊格式适配	⚠️ 仅提供基础设置	✅ 按 Nature/IEEE 要求调整字体、线宽、颜色

✅ 合规实践：生成符合出版要求的箱线图

人类 Prompt（精准描述）：

“用 seaborn 画箱线图：x=‘group’（3 类），y=‘score’；添加散点（透明度 0.6）；标题‘Performance Comparison’；y 轴标签‘Accuracy (%)’；使用 IEEE 推荐色系（蓝色系）；保存为 600 dpi TIFF（无压缩）。”

AI 生成 + 人类校验代码：

python

import seaborn as sns

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

# 模拟数据（实际替换为真实实验数据）

np.random.seed(42)

data = pd.DataFrame({

'group': ['A']*100 + ['B']*100 + ['C']*100,

'score': np.concatenate([

np.random.normal(0.85, 0.05, 100),

np.random.normal(0.78, 0.08, 100),

np.random.normal(0.82, 0.06, 100)

])

})

# IEEE 推荐蓝色系：#0072BD, #D95319, #EDB120（实际按需调整）

sns.set_theme(style="whitegrid")

plt.figure(figsize=(6, 4))

# 箱线图 + 散点

ax = sns.boxplot(data=data, x='group', y='score',

palette=['#0072BD', '#0072BD', '#0072BD'], # 单色系

width=0.5)

sns.stripplot(data=data, x='group', y='score',

color='black', alpha=0.6, size=3, jitter=0.2)

ax.set_title('Performance Comparison', fontsize=12)

ax.set_xlabel('Method', fontsize=10)

ax.set_ylabel('Accuracy (%)', fontsize=10)

ax.tick_params(labelsize=9)

# 按期刊要求设置字体（避免中文字体问题）

plt.rcParams['font.family'] = 'DejaVu Sans' # 通用无衬线字体

plt.tight_layout()

plt.savefig('boxplot.tiff', dpi=600,

pil_kwargs={"compression": "tiff_lzw"}) # 无损压缩

plt.show()

✅ 合规性：

• 使用 seaborn/matplotlib（开源）；
• 输出为 TIFF（科研出版常用）；
• 无商业软件依赖；
• 配色符合学术规范（非低俗/刺眼色系）。

---

3. 实验环节：AI 设计调度，人类定义指标

高效组合模式：参数扫描 + 自动记录

参数组合生成	✅ 用itertools.product生成全组合	✅ 确定参数范围与步长（基于先验知识）
实验脚本框架	✅ 生成主循环、异常捕获、结果记录结构	✅ 插入真实模型训练/评估逻辑
结果汇总	✅ 生成 DataFrame 汇总表	✅ 添加统计显著性标记（如 * p<0.05）

✅ 合规实践：超参实验自动化脚本

python

import itertools

import pandas as pd

import numpy as np

from scipy import stats

def mock_evaluate(model_name, param):

"""模拟评估函数（人类替换为真实训练）"""

# 示例：随机森林深度越大，方差越小但偏差可能上升

if model_name == "RF":

base = 0.75 + 0.1 * np.log(param['max_depth']) - 0.002 * param['max_depth']

else: # SVM

base = 0.70 + 0.05 * np.log(param['C'])

return np.random.normal(base, 0.03, 5) # 5 次重复

# 人类定义参数空间

params_grid = {

"RF": [{'max_depth': d} for d in [5, 10, 20]],

"SVM": [{'C': c} for c in [0.1, 1, 10]]

}

results = []

for model, param_list in params_grid.items():

for param in param_list:

scores = mock_evaluate(model, param)

results.append({

'model': model,

**param,

'mean_acc': np.mean(scores),

'std_acc': np.std(scores),

'n': len(scores)

})

df_results = pd.DataFrame(results)

# 人类主导：添加统计检验（如 RF_depth=20 vs SVM_C=10）

idx1 = (df_results['model'] == 'RF') & (df_results['max_depth'] == 20)

idx2 = (df_results['model'] == 'SVM') & (df_results['C'] == 10)

t_stat, p_val = stats.ttest_ind_from_stats(

mean1=df_results.loc[idx1, 'mean_acc'].iloc[0],

std1=df_results.loc[idx1, 'std_acc'].iloc[0],

nobs1=df_results.loc[idx1, 'n'].iloc[0],

mean2=df_results.loc[idx2, 'mean_acc'].iloc[0],

std2=df_results.loc[idx2, 'std_acc'].iloc[0],

nobs2=df_results.loc[idx2, 'n'].iloc[0],

equal_var=False

)

print(f"RF (depth=20) vs SVM (C=10): p = {p_val:.4f}")

df_results.round(4)

✅ 优势：

• 避免手动记录错误；
• 结果结构化，便于后续 LaTeX 表格生成；
• 统计检验代码可复用。

---

4. 数据处理环节：AI 写清洗脚本，人类审逻辑

典型场景：多源异构数据融合

人类定义规则（关键！）：

• 缺失值：传感器数据用线性插值；问卷数据用众数填充
• 异常值：物理量超出理论范围（如温度 > 1000°C）直接剔除
• 单位统一：全部转为 SI 单位（m, kg, s）

AI 生成清洗函数（基于上述规则）：

python

def clean_sensor_data(df):

"""清洗多传感器实验数据（人类定义规则 → AI 实现）"""

# 规则1：温度列（'temp_K'）异常值剔除（物理上限 1500K）

df = df[(df['temp_K'] > 0) & (df['temp_K'] < 1500)]

# 规则2：压力缺失用前后5点线性插值

df['pressure_Pa'] = df['pressure_Pa'].interpolate(limit=5, limit_direction='both')

# 规则3：问卷类列（'q1', 'q2'）缺失用众数填充

q_cols = ['q1', 'q2', 'q3']

for col in q_cols:

if col in df.columns:

mode_val = df[col].mode()

fill_val = mode_val.iloc[0] if not mode_val.empty else 0

df[col].fillna(fill_val, inplace=True)

return df.reset_index(drop=True)

✅ 合规性：

• 无“一键清洗”黑箱；
• 每步操作有明确依据；
• 适合纳入 Methods 章节。

---

三、推荐工具组合（2025 年科研友好型）

代码生成	VS Code + 通义灵码（开源插件）	完全本地运行，无数据上传
文档辅助	Obsidian + Copilot 插件（用户自订订阅）	笔记本地存储，AI 仅辅助写作
实验管理	MLflow（开源） + GitHub Actions（CI/CD）	实验参数/指标自动记录，支持复现
公式处理	Mathpix Snip（OCR→LaTeX） + Overleaf	免费额度够用，输出标准 LaTeX
模型调试	Jupyter + Explainable AI (SHAP/LIME)	开源库解释模型，提升结果可信度

⚠️ 严格规避（依据规范第 4、9 条）：
❌ 不使用“破解版 PyCharm 教学版”；
❌ 不嵌入“扫码加群领代码”；
❌ 不推广“代跑实验”服务。

---

四、总结：构建可持续的 AI 科研工作流

1. 流程标准化：
   明确需求 → 人工写注释 → AI 生成初稿 → 人工精修 → 单元测试 → 归档

2. 工具轻量化：
   优先选择可本地部署的开源工具（如 Ollama 运行 Qwen），避免数据外泄风险。

3. 成果可追溯：
   在代码中保留关键决策注释，例如：

   python

   # 选择 Mann-Whitney U 检验（依据：数据非正态，Shapiro-Wilk p=0.012）

4. 持续迭代：
   定期更新 Prompt 技巧（如加入“请使用 pandas 2.0 新 API”），提升生成质量。