AI 实践案例 · Agent / 实践案例
我用 AI 辅助科研与代码编写的经历
可读标题 · 基于原文内容整理
原题：王祎：我用 AI 辅助科研与代码编写的经历
这个案例围绕「王祎：我用 AI 辅助科研与代码编写的经历」记录了一条真实 AI 实践线索，正文重点集中在「科研辅助」「代码编写」，适合先按任务意图阅读再判断复用。
案例速读
README 标题「王祎：我用 AI 辅助科研与代码编写的经历」下已经出现运行/配置路径、脚本或接口线索、结果证据，正文重点集中在「科研辅助」「代码编写」，比纯概念介绍更适合进入精选阅读流。 这篇案例的阅读价值在于，它把真实任务、模型辅助过程和可迁移做法放在同一个上下文里，读者可以从 「王祎：我用 AI 辅助科研与代码编写的经历」、「科研辅助」、「代码编写」 进入正文。
- 建议重点看 可参考其中的运行与配置路径、包含可迁移的命令、脚本或接口线索、已有结果或观测证据可用于判断复用价值。结合 Agent / 实践案例 和「任务驱动用户、AI 实践者」这一受众定位，它更适合作为任务检索后的精读材料，而不是只看一句短摘要后快速跳过。
- 正文目录和原始材料仍然是判断依据；导读只帮助你更快定位阅读重点。
- 看点
- 王祎：我用 AI 辅助科研与代码编写的经历
- 读者
- 任务驱动用户、AI 实践者
- 复用
- 可参考其中的运行与配置路径
- 结构
- 3 个目录入口
原文内容
王祎：我用 AI 辅助科研与代码编写的经历
科研辅助
我在科研整理中使用 DeepSeek-V4-Pro 辅助搭建了 llm-wiki，把当前小方向上的二十几篇论文整理成 wiki 结构。相比只把论文堆在文件夹里，wiki 的形式更适合持续维护：每篇论文可以沉淀为一个节点，方法、任务、数据集、实验结论和后续问题也可以继续扩展成关联节点。
在这个过程中，AI 主要帮我完成了论文要点提取、主题归类、节点命名和关联关系梳理。我会先让模型根据论文摘要、引言和方法部分提取核心信息，再人工检查其是否准确，最后把可靠内容写入 wiki。这样做之后，我可以更快地看到不同论文之间的脉络，例如哪些工作解决相似问题、哪些方法共享同一类假设、哪些方向还存在空白。
下面是当前 llm-wiki 的关系图截图，可以看到论文、主题和研究线索已经形成了可视化网络：
代码编写
在代码编写方面，我使用 Codex 作为主要协作环境，其中主智能体使用 GPT-5.5，子智能体使用 DeepSeek。我的常用方式是先让主智能体理解需求、拆分任务和制定实现方案，再把相对独立的探索或实现工作交给子智能体并行处理。
这种工作流对我最大的帮助是节省词元并提升效率。主智能体负责把握整体方向、整合结果和处理关键决策，子智能体则承担代码阅读、局部实现、错误定位等更具体的工作。这样既能减少重复上下文消耗，也能在复杂任务中更快获得多个角度的反馈。
我认为 AI 辅助写代码并不是简单地让模型代写，而是把它当作一个可以快速试错、总结和检查的协作者。真正重要的部分仍然是明确需求、审查输出、运行验证，并在发现问题后及时调整方案。