从找论文、读论文，到写论文、投稿，他把AI科研全流程用过的工具都摊开了

下午我本来只是想随手刷一下 GitHub。

结果刷到一个仓库后，我整个人直接陷进去了。

不是因为它有多“炸裂”的技术，不是什么新模型首发，也不是什么万星开源项目，而是因为这个仓库做了一件特别朴素、但极少有人认真做的事：一个 AI 方向的浙大博士生，把自己从“找论文”到“投论文”整个科研流程中用过的工具，系统整理了出来。

仓库名叫AI-research-tools，作者是bighuang624。

我原本以为，这又是一个“AI工具大合集”式的仓库，看两眼就可以关掉。结果越看越停不下来。因为它不是那种面面俱到的百科全书，也不是机械罗列一堆网址的导航页，而更像一个研究者把自己几年科研里摸索出来的工作流，完整摊在你面前。

哪些真的好用，哪些踩过坑，哪些还没来得及深用但值得关注，作者都写得很直接。

这种东西，一旦认真看进去，是真的很难划走。

AI科研最耗时间的，往往不是跑模型

很多人对 AI 科研有个误解，觉得核心就是训练模型、调参数、跑实验。

但真正做过的人都知道，**跑模型可能只占整个科研流程的一小部分。**剩下大量时间，消耗在更琐碎也更隐形的环节里：追踪前沿、筛选论文、搭建知识脉络、做笔记、整理文献、排版写作、画图、投稿、回复审稿意见。

这些环节单看都不算“高光时刻”，但加在一起，才是真正吞时间的黑洞。

比如最典型的一个问题：追新论文。

AI 领域每天新增的论文数量，本来就夸张。你不可能每篇都看，但你又怕错过真正重要的那几篇。于是很多人会陷入一种熟悉的循环：每天打开一堆书签，挨个刷 arXiv、Google Scholar、实验室主页、研究者个人主页，看有没有新东西。

这件事本身不难，但极耗时间，而且很难持续。

一个让我停下来的工具：irreader

我以前也这样干过，所以当我看到这个仓库里推荐的一个工具时，确实有点被击中了。

这个工具叫irreader。

它最狠的地方在于：可以给任意网页生成 RSS 订阅。

为什么这件事很重要？

注意，是“任意网页”。

这意味着什么？意味着那些本来没有 RSS 输出的页面，比如某个 arXiv 分类页、某个实验室更新页、某个研究者主页，甚至一些你长期关注但更新分散的技术博客，都可以被你统一收进一个阅读流里。

我看到这里的时候，脑子里第一反应是：原来这件事还能这么做。

因为我过去很长一段时间，追踪论文更新的方式，就是手动点开一堆收藏夹链接，一个个看。这个习惯维持了很久，久到我都默认它就是“正常流程”。

但现在回头看，这其实就是典型的低效率重复劳动。

工具一换，整个信息流组织方式都变了。

从“找到论文”到“看懂一个领域”，工具也在改变路径

除了“找论文”，这个仓库另一个让我印象很深的部分，是它把“进入一个新领域”这件事，也拆成了可以被工具支持的过程。

比如Connected Papers 和Research Rabbit。

这两个工具做的事，本质上是把论文之间的关系可视化。你找到一篇核心论文后，它们可以继续帮你拉出引用网络、相似工作、后续延伸，让你更快看清一个方向的演化路径。

对新人最有价值的，不是“更多论文”，而是“更清楚的脉络”

这对刚进新领域的人尤其重要。

因为很多时候，难的不是“找不到论文”，而是**“论文太多，不知道先看哪篇，也不知道它们彼此是什么关系”。**

如果没有工具辅助，你往往要自己沿着参考文献一层层往回翻，再顺着引用链一层层往后追，最后花掉整整一个下午，才勉强把 related work 的主线理顺。

而关系图谱类工具的价值就在这里：它不替你理解内容，但能大幅降低你建立领域地图的成本。

当然，这类工具更多还是基于英文文献体系。像 Connected Papers 对中文论文的覆盖就比较弱。如果研究主题更偏中文语境，还是需要结合知网等平台一起看。

真正好的推荐，不是只讲优点，而是连边界条件也说清楚。

真正有价值的，不只是工具名字，而是“怎么配起来用”

再往下，就是“读论文”和“管理知识”的部分。

仓库里提到了ReadPaper、翻译辅助工具，以及Zotero、Obsidian 这一套组合。坦白说，这些名字很多人都听过，但问题从来不在“知不知道”，而在“怎么配起来用”。

这恰恰是个人工具箱最有价值的地方。

官方文档会告诉你某个功能存在，产品主页会告诉你某个场景能覆盖，但只有真正长期用过的人，才会告诉你：这个配置在哪种场景下顺手，哪个插件能省时间，哪些联动看起来高级、实际上维护成本很高。

Zotero：真正的差距，不是装没装，而是有没有变成自己的中枢

比如 Zotero。

学术圈几乎已经把它当成事实标准了。但真正拉开差距的，从来不是“装没装 Zotero”，而是你有没有把它变成自己的文献中枢。

作者在仓库里不仅推荐了 Zotero，还提到了插件、命名规则、元数据抓取、和 Obsidian 的联动思路。也就是说，他给的不是单个工具，而是一套更接近真实科研环境的工作流。

Obsidian：更像是长期知识沉淀的容器

而 Obsidian 在这个体系里，就不只是“记笔记软件”那么简单了。

它更像是长期知识沉淀的容器。尤其对科研来说，很多笔记不是今天写完、明天就结束，而是可能两三年后在写论文时突然重新被调用。这个时候，本地 Markdown、双向链接、可长期积累的结构化知识网络，优势就会越来越明显。

我自己之前更多用 Notion，但看完这个仓库之后，会明显感觉到：学术场景下，Obsidian 这套逻辑确实更贴近“长期知识资产”的需求。

不是谁绝对更强，而是不同工具背后，对“知识如何保存和复用”的理解不同。

到了写论文和画图阶段，差距会被进一步放大

到了写论文和画图部分，这个仓库的味道就更出来了。

Overleaf、LaTeX 这些大家都熟，但作者没有停在“推荐使用 LaTeX”这种泛泛而谈，而是继续往前一步，提到一些能辅助生成表格、公式、图形的工具，以及draw.io、TikZ 等具体画图方式。

好图不是高级工具“自动生成”的，而是反复打磨出来的

这部分我尤其有感触。

因为我看过太多论文，内容其实不错，但图做得很随意，导致整篇文章的第一印象直接掉分。科研评价当然不该只看“颜值”，但人毕竟不是机器。信息表达的清晰度、图示的美观度、版式的专业感，都会真实影响阅读体验。

而图这件事，最残酷的一点是：它没有捷径。

你可以用高级工具，也可以用基础工具，但真正把一张图从“能看”调到“很好看、很清楚、很专业”，靠的往往不是工具本身，而是耐心，是反复调整，是对表达细节的执着。

工具决定下限，但上限通常还是靠人一点点磨出来。

这个仓库最打动我的，不是工具，而是判断力

看完整个仓库之后，我最强烈的感受其实不是“我又收藏了几个新工具”，而是我更清楚地意识到，AI 时代真正稀缺的已经不是信息，而是判断。

这几年，互联网上关于工具、资源、教程的内容已经多到爆炸。你要找一个 AI 科研工具列表，随便一搜就能出来几十个。但问题是，列表越多，人反而越焦虑。

因为信息只会告诉你“有什么”，判断才会告诉你“该用什么”。

一个 awesome 项目把上百个工具全列出来，看起来很全，但它不帮你做选择。一个真实研究者的个人工具箱，可能只写二三十个工具，却会明确告诉你：这几个我验证过，这几个我觉得一般，这几个我还在观察。

前者给你的是数据库，后者给你的是经验。

而在今天这样的信息环境里，经验的价值，正在快速上升。

为什么真正有价值的内容，越来越来自“具体的人”

这也是为什么我越来越觉得，那些真正有价值的内容，很多不是来自宏大叙事，不是来自“官方最全指南”，反而来自某个具体的人，基于自己的长期使用、踩坑、筛选之后，给出的一份带判断的清单。

它不一定最全，但它往往最有用。

这个仓库就是很典型的例子。

它没有试图覆盖 AI 科研世界里所有工具，而是按科研流程拆解出关键环节，然后在每个环节里做有限推荐。

这种“克制”，本身就是能力

因为推荐越多，不一定越专业；有时候恰恰相反，推荐越少、越准，越说明作者真的用过、想过、筛过。

在今天这个信息过载的环境里，“帮你减少选择成本”本身就是一种极稀缺的价值。

AI 正在改变研究对象，也该改变研究者的工作方式

最后我还有一个更大的感受。

我们今天一直在讨论 AI 如何改变世界、改变产业、改变工作方式，但一个常常被忽视的问题是：AI 研究者自己的工作方式，是否也该被重新设计？

很多研究者现在的日常，依然被大量“手工劳动”占据。手动追论文、手动整理文献、手动搭知识结构、手动做格式和排版。不是这些事不重要，而是它们不应该吞掉一个研究者太多时间。

工具的意义，从来不在于让你显得更“会折腾”，而在于帮你把时间从重复劳动里拿回来，把精力留给真正重要的部分：想问题、做实验、提假设、写论文、和同行交流。

说到底，科研最值钱的东西，还是创造力。

而那些高频、琐碎、标准化的流程，本来就应该尽可能交给工具。

从这个角度看，善用工具的研究者，和不善用工具的研究者之间的差距，未来只会越来越大。

不是因为工具本身神奇，而是因为会用工具的人，能把更多时间投到真正有复利的事情上。

一个好工具，不一定直接替你产出成果。

但它可能替你省下几百个小时。

而几百个小时，足够想出很多个真正有价值的 idea 了。

最后

我写这篇文章的时候，作者还在持续更新仓库。

有些工具后面写着“已验证”，有些写着“待尝试”，有些则明确标了“试过，不太行”。

这种诚实，在今天反而变得很稀缺。

它没有那种高高在上的“我来教你做科研”的姿态，更像一个走在前面一点的人，把自己这些年攒下来的经验递给后来者，说一句：

这些我替你试过了，你可以少走点弯路

这件事很小。

但真的很珍贵。

仓库地址

AI-research-tools
https://github.com/bighuang624/AI-research-tools