gpt-6 pro 和 Fable 5.1 max 感觉做科研还是不行啊

给配个RAG知识库，加个记忆模块。

我将每次交互的重要文件上传到谷歌云，然后 gpt 每次对话都可以连接阅读这些文件，是不是同样的道理？

不是吧，RAG是知识图谱。

上传谷歌云应该配置谷歌的notebookLM用吧。

我不太建议科研场景用rag。甚至不如本地在/docs 里面记md。原因是rag的召回一旦某一次不准，造成的后果反而会更耗token，更耗上下文。

有点想当然了，维护一个RAG比搞科研还累

我也觉得，每次检索太浪费 token ，而且科研每次做出的决定可能让上下文记忆更加混乱。每次有好的 idea 我都会新开上下文，不敢在一个上下文交互太多内容

用claude桌面版自带的project试试？主要还是聊天记录要落到硬盘上的问题，通过claude.md让他在你的项目里面，维护一套记忆md。而且claude project在文档数超过多少多少的时候会启用rag模式

现在给我的感觉是，我的理解速度跟不上 AI 的回复速度，每次哗一下输出一堆，一方面还得辨别输出的内容哪些有价值，哪些没有价值，另一方面还得继续维持上下文，还得处理每次输出的文件，真的太累了，每次都是在 gpt ，claude ，grok 不同 AI 之间来回切换，我自己都搞懵了，到底该用哪个版本的意见了。

（帖子已被作者删除）

我觉得你不应该频繁开新会话，试试在一个上下文里面loop。现在的harness都把compaction做的比较好，在一个上下文里面工作不会丢太多注意力。

能不能具体指点一下，大佬，现在信息像洪水一样扑面而来，我的理解速度跟不上 AI 的回复速度，每次哗一下输出一堆，一方面还得辨别输出的内容哪些有价值，哪些没有价值，另一方面还得继续维持上下文，还得处理每次输出的文件，真的太累了，每次都是在 gpt ，claude ，grok 不同 AI 之间来回切换，让它们互相辩论，但是到最后输出的文件越来越多，像草稿纸一样，堆积如山，不知道咋处理了

我感觉还是检索和上下文的问题，每次跟它讨论一个创新点，总是检索不到好的论文；上下文一长就回答的牛头不对马嘴。

保持一个主agent在同一个上下文里一直工作，让他记个/wiki ，把一些决策记下来，1m模型的auto compaction设置在500k差不多。 其他agent的信息你应该尽量告诉主agent，比如“grok反馈信息：xxx”

科研不行

大概是设备不行 (钱 ^-^)

跟设备没关系吧？不需要算力，订阅就够了，但是输出还是不太满意

好的，试一下，谢谢啦

上下文应该是agent方案的问题吧，站内最近热门里有一个北大的方案或许能用到？我感觉claude science用起来还行不过不是人文社科

我使用这些顶级模型搞科研的经验就是：上下文管理一定一定很重要。

举个具体例子。给定一个研究主题，让 AI 帮你找可能的创新点，第一步不是让它直接输出创新点，而是让它先帮你找符合研究主题的相关文献。根据我的经验，我平常用 IEEE 和 Elsevier 的文献比较多。一般来说，下载最相关的文献 20～30 篇就足够了。然后用 Zotero 管理这些文献。我记得 Codex 是有 Zotero 插件的，可以很方便地读取。读取完相关文献以后，其实就已经构建了一个比较好的上下文。当然，读取这一步可以用子代理去完成，这样可以减少主线程的上下文占用。

第二步是筛选相关文献。这个时候就体现出 human in the loop 的作用了。因为写论文，你必须得有自己的主见，完全交给 AI 是不行的。正如很多人感受到的那样，AI 很多时候分不清创新点及其重要性，也就是说，你得有自己的 taste。它经常会把一些普通的执行步骤，或者一些很简单的训练技巧当成创新点，这是不行的。所以这个时候，你必须严格限制它的输出。否则，你就会经常看到 AI 输出一些长难句，并且把它当作创新点。原因是，当前的 AI 基本不具备判断创新点的能力，所以很多东西说起来既抽象难懂，又让人觉得是简单的拼凑缝合。

在科研创新点探讨这个阶段，具体限制 AI 输出的内容如下：

假设我当前安装了 GitHub 上 star 数很高的那个学术技能插件，它是一套面向科研流程全生命周期的管理流程。在探讨科研创新点时，往往会被动触发该插件的相关技能，导致 AI 输出大量信息。但很多时候，你并不需要这么多内容。例如，它在提供可行思路的同时，往往会附带后续的实验步骤，以及针对创新点特有的“防御式声明”。

当你不需要这些额外信息时，就需要限制它的输出。你可以在提示词中明确说明：

当前是创新点探讨阶段，严禁跟我讨论任何其他阶段的内容。

此外，还有一个很重要的思路就是“渐进式披露原则”。也就是说，你不要期望跟 AI 一探讨，它就给你输出一套完整的、可以直接放入论文正文的方法。这部分内容一定是经过多轮迭代修改的，所以可以采用这个原则。

具体来说，你可以先给它一个研究主题，然后让它去读取相关论文。因为科研的本质很多时候就是拼凑缝合，无非是看谁讲故事的能力更高而已。基于这个思路，你可以一开始就跟 AI 按以下步骤探讨：

1. 
   

   明确研究主题与条件
   
   告诉 AI：“我当前有一个想研究的‘XX’主题，目前主要是基于什么样的假设，或者什么样的条件去进行实现。”这一块需要你自己把握。

   
   


2. 
   

   检索文献并寻找思路
   
   让 AI 检索本机 Zotero 软件库中下载的文献，找出与本文研究场景最为类似、可以最大程度方便迁移的文献，并帮你看看有哪些可行的思路。一般选个3~5篇就够了。

   
   


3. 
   

   严格限制探讨阶段
   
   一定要在给模型的提示词中加入这一段内容：“注意，当前是科研创新点的探讨阶段，严禁跟我讨论后续内容。”不然的话，模型就会考虑很多，但不一定会把注意力放在“创新点探讨”这件事上。而这件事通常占据了整个面向 Agent的科研中非常重要、占用时间长的过程。这样一来，模型的输出受到限制，回答质量就会好一些，幻觉现象也会少很多，因为它的注意力集中了。

   
   

在此之后，如果这一步做得好，那么 AI 通常会给你输出几段简短的大概思路，不会提前展开公式，也不会说出特别难懂的句子。接下来，你就可以根据自己的 taste 去挑选 1～2 个你感兴趣或者认为初步可行的方案，让 AI 帮你继续完善、铺展开。到最后，就慢慢迭代发展成一个可行的思路，至少是有清晰逻辑的，不像之前一股脑输出的那种拼凑式、毫无美感的创新点。

当然，每次迭代都必须要有人工把关，这个时候其实就比较考验人的能力了。所以当前各个期刊的投稿数量激增，但真正有质量的好文章总比例还是比较少的。很多人本身学术 taste 没有上来，借助 AI 放大以后，就产生了很多这种垃圾文章。

这是我当前的一个经验和技巧，也是“渐进式披露”原则的应用。核心就是：先喂高质量上下文，再严格限制阶段，最后用自己的 taste 多轮迭代。

以上回答由typeless全程人工说话整理而成，没有AI内容。

核心的问题在于很多理科的场景能够做一些 tool 验证（比如写代码），所以很多上下文的矫正其实是靠着 tool 来给反馈这么来推进的。人文社科类的纯靠模型自己的智力能力，高深的内容是比较难的。