企业官网建设流程全解析

参加过NeurIPS投稿的人，多少都有过这种体验：方法想清楚了，实验做完了，结果也不错，但论文就是写不顺。摘要改来改去总觉得不抓人，引言铺垫半天进不了主题，方法部分要么写太干要么写太水。以前碰到这种卡壳，只能硬憋，后来开始用大模型辅助写作，以为能轻松一点，结果输入一句“帮我润色这段摘要”，出来的东西又空又泛，属于那种看一眼就知道不是人话的学术套话。问题出在哪？出在提示词上。

NeurIPS写作提示词这个事，我摸索了快两年。从一开始只会写“帮我写introduction”，到后来形成一套覆盖大纲、摘要、正文、实验、模拟审稿的完整提示词工作流，中间踩了非常多坑。这篇文章就把我目前最常用的那套提示词拆开讲清楚：为什么提示词能提升NeurIPS论文写作效率、核心模板怎么设计、完整实操流程长什么样、以及最常见的翻车现场和解决办法。适合正在准备AI方向论文初稿的研究生，也适合想系统提升提示词工程能力、而不是停留在“调戏聊天机器人”层面的工程师。

1. NeurIPS写作的痛点与提示词切入点

1.1 写作瓶颈本质上是“需求描述”问题

很多人在NeurIPS写作时卡住，表面看是语言能力不够，实际是“需求描述能力”不够。你想让大模型帮你写一段内容，但你自己对这段内容的定位、读者对象、信息密度、语气偏好都不明确，模型自然只能给你一段四平八稳的废话。这就好比你找外包做设计，只说“做个好看的图”，对方只能给你一个看起来好看但完全不能用的东西。换成写作，你需要把“这段文字要承担什么功能、面向谁、包含哪几个信息点、风格偏向哪种”全部交代清楚。

NeurIPS论文的每一句话都有承重作用。摘要要在六句话内说清问题、动机、方法、结果、意义；引言要让reviewer在五分钟内理解你的贡献；方法部分要让读者能复现你的工作。这些功能需求，完全可以通过提示词显式地传给模型。所以写作提示词的核心不是“怎么让AI写得更华丽”，而是“怎么让AI在给定约束下写出符合学术功能的内容”。

1.2 把写作流程拆成可提示词化的环节

我的经验是，不要想着用一个“超级提示词”从零生成整篇论文。那样生成的论文几乎是废纸。正确做法是把写作流程拆成多个明确环节，每个环节单独设计提示词策略。我目前至少会拆成这几个阶段：

• 选题判断：把想法、related work、benchmark丢给模型，让它指出创新点定位和可能的问题。
• 大纲生成：生成符合NeurIPS常见结构的章节级大纲。
• 摘要与引言：这两个部分信息密度极高，需要单独精修。
• 方法描述：借助模型把算法流程、公式逻辑梳理清楚。
• 实验与结果：让模型帮你组织实验设置、结果对比、消融分析。
• 模拟审稿：让模型扮演不同水平的审稿人，提前找出弱点。
• 一致性检查：查术语、符号、引用、贡献点是否前后矛盾。

每个环节的提示词都不一样，但底层逻辑是一套：先设定角色和读者，再给出具体信息和约束，接着定义输出格式，最后说明修改或生成的要求。

2. 核心提示词设计：五类模板与底层逻辑

2.1 角色设定型：先让模型进入论文作者状态

角色设定是我写所有提示词的第一步。神经网络模型本身是基座模型，你给它戴上什么面具，它就会用对应的口吻和思维方式输出。写NeurIPS论文时，最简单有效的角色设定是“资深NeurIPS审稿人”或者“顶会论文老手”。

举个例子，我经常这么写：

你是NeurIPS的资深审稿人，过去十年每年稳定接收人工智能领域的投稿，擅长机器学习、图神经网络和优化理论。你写论文的标准是：问题定义必须清晰，方法贡献必须明确，实验必须充分且可复现，写作必须紧凑专业。现在请你基于我给出的信息，用这个标准辅助我完成论文写作。

为什么要详细描述角色背景而不是只说“你是审稿人”？因为模型对“审稿人”这个词的理解是平均化的，但NeurIPS审稿人和一般期刊审稿人的关注点差别很大。NeurIPS更看重novelty和实验说服力，所以角色设定里要显式加入这些特质，模型才会在输出中更注意贡献的提炼。

角色设定型提示词适合放到每一轮对话的开头，或者在系统提示词里固定住。尤其是如果你用API接口做提示词工作流，把角色设定写到system message里，下面所有生成内容都会保持一致的学术口吻。我实测下来，加上角色设定之后，模型输出的“学术腔”会弱很多，反而更像一个懂行的人在写技术报告。

2.2 结构大纲型：用“章节约束+输出格式”生成骨架

写NeurIPS论文最怕的是章节结构混乱，尤其是Related Work和Method的边界不清。模型直接生成全文不可靠，但让它生成一个高质量大纲，是可行的。这里的关键不是问“怎么写introduction”，而是给模型一个非常具体的结构模板，要求它在模板里填内容。

我常用的大纲提示词长这样：

请根据以下研究内容，生成一个适合NeurIPS投稿的论文大纲。 要求： 1. 章节从Abstract开始，一直到References结束。 2. 每个章节给出2-4条子要点，子要点必须是对应章节的核心论点或方法步骤。 3. Method章节必须包含问题定义、方法总览、具体模块、复杂度分析四个部分。 4. Experiment章节必须包含数据集、对比方法、评价指标、实现细节、主要结果、消融实验六个部分。 5. 所有表述使用学术风格，不要用口语。 6. 输出格式为Markdown列表，不要解释，不要额外建议。

这种提示词的关键是把输出结构硬编码进去。模型的输出自由度越低，对论文结构的控制力就越强。大纲生成后，我会继续针对某一节再做一次“展开式”提示词，让它把子要点扩展成段落级描述。这样生成的内容不是天马行空，而是基于大纲的逐步展开。

补充一个实用技巧：在大纲提示词里加入“当前页数限制”。比如要求“正文部分建议15页以内”，模型会更注意裁剪冗余内容。虽然页数不能严格保证，但对控制详略很有帮助。

2.3 逐段精修型：给足上下文，只改该改的

润色是很多人最常用的功能，但也是翻车重灾区。直接把一段话丢给模型说“润色一下”，它会用更华丽的词替换，但很可能丢失原意或者改变强调重点。我的做法是“一带多点”，即携带原段落、修改目标和若干明确约束。

一个可复用的精修提示词模板：

下面这段文字来自我投稿NeurIPS的论文正文，请帮我在不改变技术原意的前提下提升表达质量。 <原段落> {你的原始段落} </原段落> 修改要求： 1. 保持所有技术术语和符号不变。 2. 尽量不用“However”和“Moreover”开头的句子，每句话都要有明确的信息增量。 3. 段落内部逻辑顺序必须与原始内容一致。 4. 如果原文有冗余表达，可以直接删减，但不要增加原文没有的技术细节。 5. 修改后请用括号标注你删改的地方，并简短说明原因。

这个提示词有几个细节很关键。一是用<原段落>这种分隔符把待改内容包起来，避免模型把要求本身当成正文。二是明确“术语和符号不变”，防止模型把公式里的变量名改了。三是要求模型标注修改原因，这样你能复核它的改动，而不是盲目接受。四是“不要增加技术细节”这一点最重要，模型有很强的幻觉倾向，你让它润色，它可能自己编一个前提条件进去，这会直接毁掉论文严谨性。

逐段精修型提示词适合用在引言、方法、实验三个阶段。摘要和结论这两部分，我更倾向于用“重写型”提示词而不是润色型，因为这两个部分需要重新组织语言，而不是局部修改。

2.4 审稿人模拟型：用对抗式反馈提前发现漏洞

NeurIPS投稿最怕的是“摘要吹了牛，正文没有跟进”这种问题。自己看自己的稿子，永远是带着滤镜的。大模型作为审稿人的优势在于，它没有你的心理包袱，真的会根据你给定的标准挑刺。

我常用审稿模拟提示词是同时让模型扮演两个审稿人：

请分别扮演NeurIPS的“强接收审稿人”和“拒稿审稿人”，对下面的论文框架和当前草稿内容进行评审。 评审维度：novelty、soundness、experiments、clarity、references。 要求每位审稿人给出： 1. 1个最值得接收的理由。 2. 2个必须修改的关键问题。 3. 每个问题具体到章节和段落，不要泛泛而谈。 我的草稿如下： {你的内容}

这个提示词的效果非常好，因为“强接收”和“拒稿”两个角色会带来完全不同的反馈视角。“强接收”会告诉你文章的亮点在哪，帮你提炼未来答辩或Rebuttal时的论点；“拒稿”会毫不留情地指出硬伤，这些硬伤往往真的是你写到一半就隐隐觉得不对的地方。一份好的模拟审稿意见，基本可以当作Rebuttal演练的素材库。

使用这个提示词时要注意一点：模型对你的草稿质量和领域背景了解有限，如果输入内容太少，它给的意见会比较模板化。所以在调用模拟审稿之前，至少要先把大纲、摘要、方法描述、几个核心实验结果喂给它，信息量够了，审稿意见才够具体。

2.5 一致性校验型：把术语和符号当代码来检查

写论文时有一个极其烦人但必须处理的点：术语统一。比如你一会儿写“GNN”，一会儿写“Graph Neural Network”；一会儿用$L_{cls}$，一会儿又写成$L_{CE}$。人眼复查几遍可能也发现不了，但模型对这种字符串级的一致性非常敏感，只要提示词设计得当，它能当最细的校对员。

一致性校验提示词是这样的：

请检查我提供的论文段落中是否存在术语、符号、缩写、引用不一致的问题。 检查重点： 1. 同一个概念是否用了多个不同名称。 2. 同一个符号是否表示不同含义，或者同一含义是否用了多个符号。 3. 所有缩写第一次出现时是否有全称。 4. 引用的编号（如 [1]、[2]）是否都能在参考资料列表中找到对应内容。 5. 实验部分报告的数字是否与其他段落重复提及的数字一致。 请用表格输出不一致项，第一列是位置，第二列是不一致描述，第三列是建议修改。 内容如下： {你的段落}

这个提示词看起来很简单，但实用性极强。我测试过，很多模型能在较长文本中准确找出“第3.2节使用的alpha在第4.1节变成了beta”这类问题，而人眼往往看完第二十遍才会发现。特别是论文正文加实验表格一起传给模型时，它甚至能对比表格数据和文字描述的数字是否一致。

这里也提醒一句，模型不保证100%准确，所以一致性校验的结果需要人工确认，但作为一种“穷举式初筛”，效率远超人工。

3. 实操案例：从零到初稿的完整提示词编排

3.1 案例背景设定

为了讲清楚整个流程，我虚构一个典型的NeurIPS场景：你在做一个基于图神经网络的分子属性预测工作，方法是在GNN上引入一种新的边动态聚合机制，叫Edge-Gated Aggregation（EGA）。你已经在两个公开数据集上做了实验，比baseline普遍高1-2个百分点，还做了一组消融验证每个模块的有效性。现在是投稿前两个月，你只有实验结果表格和一张方法流程图，正文一个字没写。

下面按照流程一步步演示我是怎么用提示词把它变成一篇初稿的。需要说明的是，这里所有提示词都是以信息输入为前提的，你喂给模型的信息越具体，输出越靠谱。如果连自己的方法都还停留在“大概想法”，那任何提示词也救不了你。

3.2 第一轮：生成论文骨架

拿到实验结果后，我第一件事不是写正文，而是让模型根据我的方法概括和实验结果生成完整大纲。

输入给模型的信息包括：任务背景一句、方法创新点一句、数据集名称、baseline名字、主要实验结论。提示词可以参考2.2的结构大纲型，这里加一个额外要求：从Reviewer视角评估大纲的“短板点”，也就是哪些章节可能被质疑。

模型生成的Section结构一般是Abstract、Introduction、Related Work、Method、Experiments、Conclusion。重点是Method部分，它把问题定义、EGA核心机制、总体框架、复杂度分析分开列了。Experiment部分也自动按NeurIPS标准列出了数据集、baseline、实现细节、相比SOTA结果、消融分析。

拿到大纲后，我会继续追问模型：“针对Method部分的大纲，请补充每个子章节需要具体描写哪些技术细节，以及哪些地方必须给公式。”这一步可以避免后续写作时漏掉关键的理论支撑。提示词如下：

基于上面的大纲Method部分，请逐个子章节展开： 1. 每个小节需要用自然语言描述的算法流程。 2. 每个小节需要出现的数学公式，用LaTeX格式给出占位。 3. 每个小节可能遇到Reviewer提问的薄弱点，用括号标注。

这样生成的其实是“带注释的大纲”。我第一次用这个方法时很震惊，因为模型几乎把我下一篇论文的方法部分该有的要素都列出来了，包括复杂度分析这种我自己经常忘记写清楚的地方。当然，它给的公式占位符不一定正确，但至少给你提供了结构上的提示，具体推导还得自己完成。

3.3 第二轮：摘要与引言的迭代优化

摘要是NeurIPS论文的门面。我见过太多投稿人，摘要里写了好几个专业术语，但读者和审稿人根本不知道这些问题之间有什么关系。用提示词写摘要，核心是“约束信息排列顺序”。

我常用的摘要提示词是这样的：

请根据下面的研究内容和主要结果，写一段NeurIPS风格摘要，控制在200字以内。 摘要必须按以下顺序组织： 第一句：指出当前分子属性预测中存在什么问题。 第二句：说明现有方法的局限，并引出本文动机。 第三句：用一句话描述你提出的Edge-Gated Aggregation方法。 第四句：说明方法在原理上为什么有效。 第五句：报告主要实验结论，包含具体数据集和性能提升数字。 第六句：强调论文的意义。 以下是需要包含的事实： - 当前GNN忽略边的动态权重，导致聚合信息不稳定。 - EGA方法可以自适应调整边权重并融合注意力机制。 - 在QM9和ZINC数据集上相比SOTA分别提升1.8%和2.1%。

这里我刻意把摘要写成“六句话模板”，因为NeurIPS摘要的最佳实践基本就是这种结构。模型拿到这个模板后，生成的摘要虽然还要微调，但已经具备完整逻辑链。接着，我会把这份摘要丢回给模型，要求它压缩到150字，同时保留全部贡献点。这个压缩过程实际上就是提炼核心信息的过程，很有价值。

引言部分更麻烦，因为它需要综述背景、列举别人的工作、指出gap、提出自己的贡献。我一般先让模型根据大纲生成引言初稿，然后给出一组重写提示词，专门消除“空泛感”：

请重写下列引言段落。重写时注意： 1. 每句都要与图神经网络、分子表示学习相关，不要出现可以套用到任何领域的通用句子。 2. 在提到现有GNN方法时，先用文献名或方法名开头，再写它做了什么、有什么不足。 3. 贡献列表用以下格式写：First, we propose... Second, we introduce... Third, we demonstrate... 4. 不要写“近年来，随着深度学习的快速发展”这类句子。

“随着深度学习的快速发展”这句话模型特别爱写，几乎是AI味最重的话。明确禁止后，输出质量立竿见影。

3.4 第三轮：实验与结果分析

实验部分对提示词的依赖度很高，因为这里的核心是“把数据变成论证”。很多人直接把实验表格丢给模型，让它写文字描述，结果模型会编造统计显著性，甚至会生成一些你没做的实验对比。解决办法是：只喂给它你确认的信息，并要求它“不得超出现有数据”。

我的实验描述提示词模板如下：

以下是我的实验结果数据和实验设置，请帮我写Experiment章节中的“主要结果（Main Results）”部分。 实验设置： - 数据集：QM9、ZINC - 对比方法：GCN、GIN、PNA、D-MPNN - 评价指标：MAE（平均绝对误差） - 你的方法：EGA 结果数据： - QM9：GCN MAE=0.094，GIN=0.091，PNA=0.088，EGA=0.072 - ZINC：GCN=0.42，GIN=0.40，PNA=0.37，EGA=0.31 写作要求： 1. 不得编造任何未提供的数据。 2. 描述表格时，先概括整体趋势，再强调EGA相比最强baseline的提升。 3. 对提升最显著的数据集，额外讨论可能的原因。 4. 字数控制在400字以内。

这样写出来的内容会比较准确地落在“数据解释”上，而且模型被明确告知不许编造数据，幻觉会少很多。但即便这样，你仍然要人工检查数字，因为模型可能在叙述中无意把0.091写成0.0910这种格式问题，或者把提升百分比算错。

消融实验的提示词思路不同。消融的核心是“每个模块到底贡献了多少”，我会让模型生成一个“批判讨论”风格的段落，主动解释哪些模块提升最大、哪些提升不显著，以及为什么不显著。这种诚实分析反而符合NeurIPS对消融实验的要求。

3.5 第四轮：模拟审稿与终稿打磨

初稿完成后，最不能省的一步是模拟审稿。我会先把整篇初稿的正文（不需要图表，文字部分即可）复制到模型上下文里，然后执行2.4的审稿人模拟型提示词。这一步通常能暴露三类问题：

• 贡献描述不清晰，比如Introduction里说了三个贡献，结论部分只剩两个。
• 实验对比不完整，比如缺少某个关键baseline或没有讨论失败案例。
• 符号使用混乱，比如Method用$E$表示边特征，实验部分却用$e$。

拿到意见后，我会逐条修改，然后把修改后的版本再次喂给模型，让它重新评审。这个“生成-评审-修改-再审”的循环，我一般跑两到三轮即可，再多模型就开始重复提一些鸡毛蒜皮的小问题，边际收益很低。

终稿打磨阶段，还有一个小技巧：让模型当“格式警察”。提示词是：

请检查以下LaTeX代码中是否包含NeurIPS常见格式问题，例如： - \cite是否使用正确格式 - 图表环境是否完整 - 是否有多余的空行导致PDF overfull - 公式是否使用了不合法的数学符号 只报告可能的问题位置，不要修改LaTeX源码。

这一招保存了我好几次提交前的手忙脚乱。模型虽然没法真正编译LaTeX，但对括号匹配、环境缺失这类问题非常敏感，几乎等同于一个低成本lint工具。

4. 常见问题与排查技巧实录

4.1 为什么大模型写的句子“学术腔但没内容”

这是最普遍的问题。模型输出一段话，语法完全正确、语气非常学术，但你仔细读，发现里面没有一个具体的技术点。原因在于提示词没有强制要求“具体信息密度”。

解决办法是增加“每句话必须包含以下关键词/数字”的约束。例如：

下面每个自然段都必须出现至少一个具体的方法术语或实验数字。

另一个更实用的小技巧是：让模型在生成之后，自己给每个句子标注“信息类型”，是“背景”“方法”“结果”还是“推论”。如果一段话里大部分句子都是“背景”，那就说明这段文字太水了。我甚至用过提示词让模型对内容做压缩，变成“每句话只能保留一个核心信息点”的版本，再把压缩版本重新扩充成完整段落。

4.2 怎么防止模型“幻觉引用”和编造实验结果

大模型的幻觉问题在学术写作中被无限放大。模型会编造完全不存在的参考文献，比如“Liu et al. (2022) proposed a novel architecture”，但这篇论文根本不存在。或者，你让它补全误差棒，它可能给出一串看起来很合理的数值。无论是引用还是实验数据，模型都只是在做概率预测，不会真正去查数据库。

对这个问题的处理，我有三条底线：

• 所有引用都必须使用真实文献库中的条目，不能依靠模型生成。模型可以帮你整理引言的逻辑，但具体参考文献自己查或通过Google Scholar导入。
• 实验数据只能来自你自己的实验日志或表格，凡是提示词里没有列出的数字，正文中一律不得出现。
• 在提示词中显式加入“如果不确定，请用[待补充]标记”的指令，让模型主动暴露未知点。

例如：

若内容中包含你不确定的文献或数据，请务必在对应位置用[待补充]标注，不要自行编造。

这个指令能大大减少幻觉，因为模型有机会“承认不知道”而不是被迫编造。

4.3 提示词在不同模型间不稳定

同一个提示词，在GPT-4上效果很好，换到Claude或者国产模型可能完全失效。原因是大模型对指令的遵循程度和对格式的理解不同。尤其是一些带有复杂嵌套条件的提示词，小模型经常只遵循前半句，忽略后半句。

我的应对方案是“提示词降噪”：把一条复杂提示词拆成几条简单指令，然后按顺序执行。比如，与其写“请修改文章并指出修改原因并检查语法并保持术语一致”，不如分成三步：

• 第一步：润色并保持术语一致。
• 第二步：润色后单独列出修改原因。
• 第三步：检查全文语法一致性。

另外，把关键约束放在提示词的末尾，或单独一行，通常比混在长段落中效果更好。比如“不要编造数据”这种优先级最高的指令，我会在提示词最后加一行大写的“IMPORTANT: DO NOT MAKE UP DATA OR REFERENCES.”。虽然是英文，但对模型的注意机制有很明显的增强作用。中文指令也行，只是英文关键词对多数模型更突出。

4.4 一个模型不够，多个模型交叉校验的玩法

因为单模型有各自的风格和盲区，我现在的工作流几乎都是“多模型交叉”。比如：

• 用GPT-4o生成初稿和润色。
• 用Claude进行模拟审稿，专门挑逻辑漏洞。
• 用DeepSeek或Qwen做术语一致性检查。

理由很简单，不同模型在训练数据、指令跟随和生成偏好上差异很大。同一个逻辑问题，某个模型会敏锐地指出，另一个模型却熟视无睹。交叉校验的成本不高，但能显著降低漏网之鱼。

尤其推荐把“审稿模拟”和“原创性自查”分给不同模型。一个人写的稿子自己看不出“撞车”问题，但另一个模型可能在看到你描述的方法时，下意识给出一个已发表的工作名，这实际上是一种非常有效的相关work提醒。我有一篇论文就是这么意识到方法跟某篇ICML工作高度相似的，然后及时调整了叙述角度，避免投稿后被质疑novelty不足。

4.5 提示词过长导致模型“失忆”

还有一个常见坑：当你把整篇论文全文加一个超长提示词发给模型时，它可能只记住开头和结尾，忘掉中间的内容。模型上下文窗口虽然是够的，但“关注点漂移”依然存在。

这种情况可以用“分段处理+带状态提示词”解决。不要一次输入全文，只输入当前需要修改的章节，然后在提示词开头写一句“以下是我论文的第3.2节，前面章节已经确定，请只针对当前段落修改，不要整体重写”。这样能锁定模型的注意力，避免它在几十页的上下文里迷路。

如果需要跨章节的一致性检查，我会把“全文摘要+术语表+当前章节”三个部分一起输入，而不是直接扔全文。这样模型既有关键上下文，又不会被大量无关文本干扰。

5. 实操心得与扩展建议

5.1 给自己的提示词建版本库

提示词写得多了以后，我发现最大的成本不是每次重新写，而是每次都要从零调整。后来我养成了一个习惯：用Markdown文件保存所有论文写作提示词，并且每过一轮投稿就迭代一个版本。比如“摘要生成v1”、“摘要生成v2”甚至保留同一段提示词的多个备选方案。

这个做法有几个好处。一是投稿不同会议时，可以快速切换对应的格式要求。NeurIPS、ICML、AAAI的模板和侧重点不一样，提示词里的约束也要微调。二是当你发现某个prompt在特定模型上效果极差时，可以迅速回退到旧版本，而不是现场调试。三是提示词本身可以当作资产分享给组里其他人，对新同学上手论文写作非常有帮助。

版本库的维护成本很低，一个prompts/文件夹加几份Markdown文件就够了。每份文件开头写上“适用会议”、“适用模型”、“预期输出格式”、“已知失败案例”，比单纯堆提示词好用得多。

5.2 和Overleaf/LaTeX/文献管理工具搭配

虽然提示词能生成大量文本，但最终的写作环境还是Overleaf或者本地LaTeX。我通常的流程是：模型生成和修改都在ChatGPT或API侧完成，确认无误后再粘贴回LaTeX源码。这中间有一个特别需要注意的地方：模型有时会修改或重排LaTeX命令，比如把\cite{liu2020}误写成\citep{liu2020}，或者把公式环境从equation改成align。这种改动如果是无意的，可能导致LaTeX编译失败或格式不符合NeurIPS模板。

所以每次从模型输出复制文本到LaTeX时，我只复制正文段落，对于包含公式或引用的部分，单独核对LaTeX命令。更稳妥的做法是，用文本片段提示词：

请仅输出正文内容，公式部分用自然语言描述，不要输出LaTeX源码。

先拿自然语言版本人工理解并确认内容，再自己手动写公式。虽然麻烦一点，但避免了一堆编译问题。

文献管理方面，我强烈建议不要用模型来生成bib条目。模型很可能把作者名单、年份、页码记错。正规做法是找到原论文的bibtex复制进你的.bib文件，用引用的key来替换正文中的\cite{}。提示词可以用来组织引言的叙述逻辑，但具体的citation key只需要按字符串匹配就行。

5.3 学术诚信与边界

最后必须聊一聊边界问题。大模型辅助论文写作本身不是错误，但使用方式决定它是否越界。NeurIPS和其他顶会一般都有明确的AI辅助写作政策，比如需要在论文或提交系统中披露使用了AI工具，以及AI不能作为作者署名。这是底线，任何提示词都绕不开。

从另一个角度讲，让模型写出来的内容，必须经过逐句验证。因为你才是论文的署名作者，模型不会为实验结果负责，也不会为方法想得不周到负责。它提出的任何表述，尤其是理论解释和创新性声明，都需要你从原理层面确认是对的。我在实操中遇到过模型把我原本正确的边界条件改掉，写成了一个更“通用”但其实是错误的定理条件，这种错误如果没被发现，投稿后基本是被desk reject。

我的原则很简单：模型负责“把话组织好”，我负责“把事做对”。在提示词里我甚至会写“如果你觉得某个表述可能违反数学常识，请直接指出来，不要默默修正。”这会让模型更倾向于和你碰撞想法，而不是做一个只会顺着你的应声虫。

我的几点体会

这套提示词工作流用下来，最大的变化不是写得快了，而是对论文结构的掌控感更强了。以前写论文，边写边担心漏掉什么，现在会让模型在每一个环节主动列出“这个部分还有哪些东西必须写完”的清单，然后我再逐项确认。

尤其让我印象深刻的一次，是模拟审稿阶段，模型指出我的实验部分“缺少在更大规模数据集上的验证，导致结论的可扩展性存疑”。我一开始觉得是模型过度怀疑，结果和一个同学讨论时，对方第一反应也是“你只在两个中小型数据集上做了实验，会不会说服力不够”。后来补了一个大规模实验，论文确实扎实了不少。这种“AI先提出问题，再由人来验证和决策”的模式，是我目前觉得最健康的协作方式。

如果你正在磨NeurIPS的稿子，我的建议是：不要害怕用提示词，也别把它当成万能神灯。把它当成一个特别熟悉论文套路、但完全不懂你的研究细节的同事——你得给它足够清晰的背景和约束，它才能输出你能用的东西。先从大纲开始，再试模拟审稿，最后再做术语一致性检查，这套组合拳打到投稿结束，你会回来感谢我的。