【导师】、【我】与【AI】

最近匆匆忙忙连滚带爬（bushi）写完了一篇会议论文，期间用了很多工具、也做了很多思考。

写论文最消耗心力的往往不是创新本身，而是那些琐碎的流程性工作：反复调整格式、在不同软件间搬运数据、揣摩导师模糊的反馈、以及在画图软件里微调每一个像素。

搭建一套以 Markdown 为核心的工作流，可打通各个环节的壁垒，让信息流转的成本降到最低。

思路整理需要兼顾“理清头绪”与“投喂AI”

在项目初期，思维导图软件（如 Xmind）的价值不仅在于帮助人脑理清逻辑，更在于它能作为人与 AI 之间的转译站。

将头脑风暴的过程记录在支持导出 Markdown 的软件中，能够一举两得：对内，它是一份结构清晰的日志，方便随时回溯思路；对外，导出的 Markdown 文本保留了层级关系，是投喂给 AI 征询意见的最佳格式。相比于口语化的描述，这种结构化的文本能让 AI 更快理解项目的脉络，从而给出更具建设性的反馈。

与其指望一个全能 AI，不如分层管理对话窗口

试图在一个 AI 对话框里解决所有问题，往往会导致上下文混乱，回答质量下降。更符合实际的策略是根据任务层级，维护不同的 AI 对话环境。

宏观层面需要一个“项目经理”角色的 AI。 在这个对话窗口中，需要同步导师的修改意见、总体研究思路以及关键技术路线。它不需要处理具体代码，但必须掌握项目的全貌，以便在方向性决策上提供参考。

执行层面则需要更懂细节的“技术专员”。 例如嵌入在 IDE 中的 Copilot，它对项目实体代码最熟悉。让它针对具体技术细节生成 Markdown 格式的总结文档，能快速将晦涩的代码逻辑转化为可视化的技术文档，成为项目资料库的一部分。

用代码生成矢量图能解决“改图”这个时间黑洞

可视化环节经常是论文写作中的“时间杀手”。现有的绘图工具要么操作繁琐，要么导出的图片难以二次编辑（如 PDF 转 PPT 后出现的各种瑕疵）。

利用 AI 生成 SVG 代码是一个高效率的替代方案。 SVG 格式的本质是代码，但它可以在 PPT 中被直接识别、打散和重组。这意味着不需要在画图软件中反复拖拽对齐，只需让 AI 修改代码逻辑，即可生成标准的矢量图，随后拖入 PPT 进行最后的微调。这种“代码生成 + PPT 排版”的组合，完美平衡了自动化的效率与人工编辑的自由度。

格式转换的核心是消灭“手动重敲”的重复劳动

从笔记到正式文档的转换，最忌讳的就是“手动再做一遍”，尤其是复杂的数学公式和参考文献。

通过自建或定制的脚本工具（如 md2word），可以将 AI 生成的 Markdown 内容直接转换为 Word 文档。这一流程最大的实际意义在于：Markdown 中的 LaTeX 公式可以被完美解析为 Word 公式，彻底告别了在 Word 公式编辑器里一个个敲字符的痛苦。

同时，结合 NotebookLM 的引用标注与 Zotero 的文献管理能力，利用自定义的 CSL 文件，可以实现“文中引用标注”到“文末参考文献列表”的自动化生成。这种工业化的处理方式，能确保论文格式在 ASCE、ASME 等不同标准间灵活切换，只需后期人工（也可先AI）稍微核对一遍。

AI 的社交价值在于抹平导师与执行者之间的信息差

导师与学生之间天然存在视角差异：导师指方向，学生找路径。很多时候，导师的建议是经验性的、宏观的，而初学者往往难以在短时间内将其转化为具体的操作步骤。

AI 在此处应扮演“意图翻译官”的角色。 它可以帮助解读导师高度凝练的指令，将其拆解为可落地的任务；同时，它也能辅助组织语言，将学生零散的进展汇报成符合学术规范的表达。配合 Notion 等工具生成的实时进度页面，能让导师一眼看到工作量的历史积累与当前状态。这种透明化的沟通机制，能有效避免因误解产生的无效返工。

工具链的零散反而保留了学术定制的自由度

人们常期待有一款“大而全”的软件能解决所有问题，但在实际科研中，高度封装往往意味着低可修改性。

目前的解决方案看似零散——Xmind 记思路、VS Code 写代码、脚本转格式、PPT 做修饰——但这种松散耦合的状态反而最具生命力。因为每个环节都是独立的，可以根据具体的学科需求（如特定的引用格式、特殊的图表要求）进行单独迭代或替换。将这些小工具通过 Markdown 这一通用协议串联起来，形成一套标准作业程序（SOP），远比等待一个完美的集成软件更切合实际。

不过，也许未来会慢慢整合起来吧。