【报告】爆款！《清华&北航：豆包科研手册（2026年）》把科研全流程讲透了（附PDF下载）

  
  
  
  

   （完整版.pdf ）
  
  
  
  
  
  
  

   以下仅展示部分内容

  
  
  

以前用AI，是“问一句、答一句”。
现在用豆包，是“给一个科研任务，它自己拆步骤、找文献、跑数据、画图、写初稿”。
清华&北航团队这份《豆包科研手册（2026年）》，把“AI+科研”从单点工具，推向了科研任务执行器。

一、为什么这份手册值得看？

这份手册来自北京航空航天大学人文与社会科学高等研究院、清华大学新闻与传播学院/人工智能学院双聘教授@新媒沈阳团队，作者何静副教授。它不讲空泛概念，而是直接给出工作任务模式下的提示词公式，覆盖从选题、文献、写作、数据处理、统计分析、科研绘图，到课题申报、论文复现、公开数据研究的完整链路。

一句话总结：

豆包不再只是“帮你写一段”，而是试图帮你“跑完一条科研流水线”。

手册也明确提醒：提示词受数据样本、测试环境等因素影响，仅用于参考。换句话说，它是操作指南，不是万能神药。

二、先搞懂：Turbo 和 Pro 怎么选？

官方把 Seed2.1 定义为一个模型系列，包含 Pro 和 Turbo 两个生产力模型。两者都具备 Agent 能力，都能完成多步骤任务、文件处理和工具调用。区别在于：

专业解读：
Turbo像“科研快枪手”，适合查文献、改段落、做常规分析；Pro像“课题总工”，适合长周期、多步骤、高难度的科研任务。选错模式，要么浪费额度，要么得不到深度结果。

三、豆包科研技能全景：一张表看懂

手册把科研任务拆成核心功能、代表技能和适用场景：

• • 文献调研：学术文献调研，用于选题调研、研究现状梳理、研究空白识别。
• • 文献精读：单篇论文精读、方法学习、证据提取。
• • 文献翻译：外文论文阅读、国际文献使用。
• • 循证研究：临床诊疗与循证医学、临床证据整理。
• • 学术写作：论文初稿、章节撰写、语言润色。
• • 科研评审：选题评价、论文自审、研究方案诊断。
• • 课题申报：基金申报、课题申请、开题材料。
• • 数据分析：数据清洗、统计分析、结果提取。
• • 科研可视化：科研示意图、研究框架图、汇报视觉。
• • 论文规范化：投稿排版、引用规范、参考文献核验。
• • 专利成果：发明专利申请、科研成果转化。

专业解读：
这份技能全景的野心不小。它不是让AI替代研究者，而是把科研中大量“可结构化、可重复、可核验”的环节交给AI，让人把精力留给真正的判断、创新和解释。

四、全流程拆解：从选题到发表，AI能做什么？

1. 选题生成：从“拍脑袋”到“系统调研”

Turbo模式下，豆包可以把选题从“一次问答”升级为“完整调研任务”：自主完成多源文献检索、研究空白识别、候选方向比较与优先选题推荐，并自动沉淀为结构化研究文档。

提示词要求给出3—5个候选选题，并分别说明：选题名称、已有研究或现实问题、研究缺口、可回答的研究问题、可用数据和研究方向、创新性与可行性、研究风险。最后综合比较，推荐优先方向。

专业解读：
选题最怕“自嗨”。这种任务模式强制AI把“现实问题—研究缺口—研究问题—数据方法—风险”串起来，能帮研究生快速建立选题论证意识。

2. 文献检索：三种入口，建立核心文献池

手册给出三种检索方式：

• • 基于主题：围绕研究主题系统检索，输出核心文献列表、研究方向分类、代表性研究、共识争议、最值得阅读文献。
• • 基于段落：依据论文段落，拆分为需要证据支持的核心论断，再为每个论断匹配真实文献，输出“原文论断—推荐文献—核心发现—支撑程度—建议引用位置”。
• • 基于种子文献：以一篇核心文献为起点，扩展前序研究、后续研究、同类研究、争议研究和最新进展，形成文献网络。

专业解读：
这三种入口非常实战。主题检索适合开题，段落检索适合写作补引用，种子文献扩展适合做综述。尤其是“不得为了给每句话配引用而推荐相关性不足的文献”，这是学术伦理底线。

3. 文献精读与梳理：从“读完就忘”到“结构化报告”

文献精读要求围绕研究问题，判断结论可靠性、寻找可借鉴方法、为综述提取关键证据。输出包括：核心问题、证据链、结论强度、关键方法、潜在问题、真实贡献、研究启发、结构化精读报告。

文献梳理则要求多文献横向比较：确认文献范围、自主分类、建立比较框架、构建对照矩阵、识别共识、分析分歧、梳理演进、提炼空白、形成后续启发。

专业解读：
很多研究生的文献综述是“作者A说了什么、作者B说了什么”。这套流程逼着AI做“分类—比较—共识—分歧—空白”，更接近真正的综述思维。

4. 综述撰写：从主题到成稿，有结构、有引用、有边界

手册区分“基于研究主题”和“基于上传文献”两种综述撰写。

基于主题：自主完成文献检索、筛选、分类、研究脉络梳理和综述结构设计，再正式撰写。
基于上传文献：严格基于已上传论文，不得引入新文献；按结构与字数分配输出；文中引用与文末参考文献一一对应；证据不足要标注“现有上传文献不足以支持”。

专业解读：
“证据边界”是亮点。AI最怕编文献，这套提示词反复强调真实可核验、不得编造DOI、不得虚构结论。对学术写作来说，这比文笔更重要。

5. 论文初稿输出：据源生成，不虚构数据

论文输出要求基于研究主题、已上传文献、研究设计、数据分析结果、图表实验结果生成初稿。核心约束：

• • 所有研究背景、理论判断、已有研究结论必须能在已提供材料中找到依据；
• • 不得生成、修改或补造未提供的样本信息、实验数据、统计结果；
• • 参考文献必须来自上传文献/核验文献池；
• • 缺失材料标注“待作者补充/待核验”；
• • 不得把相关性直接写成因果。

专业解读：
这相当于给AI套上“学术护栏”。它能帮你搭框架、填内容，但不能替你造假。研究者必须对最终稿件负责。

6. 数据处理：清洗、转换、整合，一步不落

手册覆盖：

• • 数据清洗：缺失值、异常值、重复值、错误值检查，保留原始数据，输出清洗报告。
• • 数据转换：变量类型识别、分类编码、有序变量处理、标准化/归一化、宽表长表转换、变量命名统一、转换可追溯。
• • 数据整合：多表结构识别、关联关系判断、匹配键检查、字段对齐、合并方式选择、未匹配记录处理、冲突标注、字段来源保留。

专业解读：
数据清洗最怕“为了让结果显著而删数据”。手册明确要求：不得为了让结果更显著而删除数据；无法确定的问题优先标注并保留。这是科研诚信的关键。

7. 数据分析与挖掘：自主选方法，而不是固定模板

• • 差异分析：先检查正态性、方差齐性，再选t检验、ANOVA、非参数检验等。
• • 相关分析：先判断变量类型和分布，再选Pearson、Spearman、Kendall。
• • 回归分析：根据因变量类型选线性回归、Logistic回归、有序Logistic；检查共线性、残差、同方差性；横截面数据不得直接解释为因果。
• • 聚类分析：自主选择K-means、层次聚类、GMM、DBSCAN；用肘部法、轮廓系数等判断聚类数。
• • 分类预测：比较Logistic、决策树、随机森林、XGBoost、SVM；交叉验证；防止数据泄漏；不得把预测贡献直接解释为因果。

专业解读：
这套流程的价值在于“先诊断，再选方法”。很多AI工具直接给结果，但科研最需要的是：为什么用这个方法？前提满足吗？结果稳健吗？

8. 科研绘图：从图形摘要到技术路线图

手册覆盖：

• • 图形摘要
• • 作用机制图
• • 工作流程图
• • 技术路线图
• • 技术路线图仿绘
• • 实验设计图
• • 思维导图
• • 描述型数据图
• • 比较型数据图
• • 关系型数据图

要求包括：内容提炼、结构组织、核心元素、关系表达、视觉风格、文字精炼、输出比例、数据真实、不得虚构显著性。

专业解读：
科研绘图是AI非常实用的场景。尤其是“局部重绘”能力：图形生成后，可指定局部修改，不必整图重做。对基金申报、论文汇报非常友好。

9. 课题申报：从研究主题到完整申报书

Pro模式下，豆包可围绕研究主题，自主完成文献检索、研究设计、科研绘图、申报书撰写和文档排版。要求包括：

• • 文献真实可核验；
• • 研究综述不堆砌；
• • 凝练核心问题；
• • 设计研究目标、内容、重点难点、思路方法；
• • 提炼创新点，不用“首次”“填补空白”等无证据表述；
• • 自动生成研究总体框架图、技术路线图；
• • 完整撰写选题依据、研究现状、研究目标、研究内容、重点难点、研究思路与方法、技术路线、创新之处、研究计划、预期成果、参考文献；
• • 缺失信息标注“待申请人补充”；
• • 检查“研究问题—研究目标—研究内容—研究方法—创新点—预期成果”一致性。

文档测试结果：从一个研究主题直接生成21页图文一体课题申报书。

专业解读：
这可能是最吸引高校教师的功能。申报书写作高度结构化，AI可以极大提升效率，但申请人成果、前期基础、团队信息等必须人工补充，不能虚构。

10. 论文复现：顶刊研究全流程复刻

手册要求基于目标论文，反向拆解为可执行科研流程：研究问题、研究设计、变量识别、数据定位、代码定位、方法复刻、代码重建、结果复现、图表复现、结果比对、差异诊断。不得虚构原文未公开的数据、代码、参数或实验过程。

专业解读：
论文复现是科研训练的高级形式。AI能帮你重建分析流程，但差异诊断仍需专业判断。它适合研究生学习顶刊方法，也适合团队做稳健性复核。

11. 公开数据研究：从数据库到实证论文

Pro模式下，豆包可围绕研究问题，自主判断适合的公开数据库，定位并获取数据，完成变量识别、数据处理、统计分析、科研绘图和论文级结果输出。文档展示了基于PISA 2022的国际实证研究：没有提供任何数据文件，豆包Pro自己找到PISA原始数据库、读取数据字典、提取所需变量、正确处理10个PV和80个BRRC权重，再完成模型、稳健性、异质性、科研图和Word论文初稿。

专业解读：
这一步很震撼。复杂抽样权重、重复权重、PV处理，是教育实证研究的难点。AI能自动处理，说明它正在从“文本助手”变成“数据分析助手”。但结果解释仍需研究者把关。

五、专业解读：真正的变化是什么？

手册最后一页给出核心判断：

豆包的优势不在于某个单点功能，而在于能把文献、数据、绘图和写作串成一条连续科研工作流。

五个关键词：

1. 1. 国内外文献一站式检索：既能找国外期刊，也能覆盖知网、维普等中文学术来源。
2. 2. 从检索到综述连续完成：主题、段落、种子文献三种入口，继续完成筛选、分类、共识、分歧、空白与综述成稿。
3. 3. 科研绘图支持局部重绘：哪里不满意改哪里，不必整图重做。
4. 4. 从“指定方法”到“自主分析”：清洗、转换、整合、差异、相关、回归、聚类、预测等环节，可根据数据条件自主选择方法。
5. 5. 科研任务连续执行：围绕同一主题串联检索、数据、绘图、论文输出与审稿修改，形成任务链而非单点问答。

专业解读：
这意味着AI科研工具正在从“工具”进化为“工作伙伴”。但注意，是“伙伴”，不是“替身”。它负责执行和整理，你负责判断和创新。

六、实测边界：别把AI当“学术背锅侠”

手册明确列出实测边界：

• • 参考文献书目信息仍需复核；
• • 不确定数据避免模型自行推测修正；
• • 统计模型解释需人工把关。

此外，手册中Wolfram连接器核验案例显示：统计核验能发现Cohen's d、回归置信区间、p值与t值不匹配等问题。这提醒我们：AI可以用来“交叉核验”，但最终结论必须由研究者确认。

专业解读：
AI最危险的地方不是“不会”，而是“看起来很会”。所以，真实可核验、证据边界、人工把关，是使用AI做科研的三条生命线。

七、适合谁？

• • 正在开题、写综述、做论文的研究生和博士生；
• • 需要申报课题、写基金本子的高校教师和科研人员；
• • 需要处理数据、做统计、画科研图的科研助理；
• • 想用AI提升科研效率，但担心学术规范的团队；
• • 对“AI+科研”感兴趣的高校管理者和出版编辑。

八、结语

《清华&北航：豆包科研手册（2026年）》最大的价值，不是教你“怎么问AI”，而是教你“怎么把科研任务交给AI执行”。

从选题到文献，从数据到绘图，从申报到复现，它给出了一套可复制、可核验、可追溯的提示词框架。

但请记住：

AI可以帮你跑流程，不能替你担责任。
文献要核，数据要真，统计要懂，结论要自己判断。

未来，科研竞争不只是“谁更努力”，更是“谁更会组织AI工作流”。这份手册，值得每一个科研人收藏、实践、再批判性使用。