八月十六號，我為「AI 賦能學術研究與寫作實戰工作坊」，製作了多達三百一十九頁的簡報。
課後收拾東西的時候我在想，如果這半天只能留下一句話，我會留哪一句。
答案很快就出來了：AI 是研究副駕駛，不是研究者的替代者。
這句話聽起來像標語，但它其實是一整套工作方式的地基。以下這篇文章是那天活動的統整精華，寫給碩博士生、大學教師與研究人員：你會看到我把 AI 放在研究流程的哪些位置、哪些位置我絕對不放，以及怎麼讓今天做的事情，明天還能繼續用。
先把界線畫清楚，再談效率
很多人問我 AI 到底能不能用在研究上。我的答案是能，但要先知道它能站在哪裡？
我會交給 AI 的工作是這些：搜尋資料、整理文獻、摘要與分類、建立知識之間的連結、管理研究進度、處理重複性作業、協助寫作與格式整理、協助排解工具操作的錯誤。
我不會交出去的是這些：研究問題、問題意識、理論判斷、文獻取捨、研究設計、資料解釋、學術倫理，以及最後那個要不要這樣寫的決定。
這條線畫得清楚，後面所有的技巧才有意義。如果界線畫不清楚，當工具愈來愈強大，出事的速度也可能愈快。
我在課堂上是這樣比喻的：副駕駛可以幫你看地圖、報路況、提醒你油快沒了，但它不會替你決定今天要去哪裡。方向盤在你手上，這件事不會因為副駕駛變聰明就改變。
真正的差別，在於能不能累積
大部分人用 ChatGPT 的方式是這樣：有問題、問 AI、得到答案、對話結束。
嗯，這樣用有沒有效？有。但問題出在下一次。
下一次你要重新描述背景、重新寫一次提示詞、重新解釋你的研究在做什麼。上次讀過的那篇論文，過三個月你只記得好像讀過。找過的資料躺在下載資料夾裡，檔名是一串亂碼。
所以，真正的差別不在誰的提示詞寫得比較漂亮，而在誰的成果留得下來？
我在課堂上把這件事叫做 AI 紅利的複利化。一次產出的東西如果只能用一次，你省下的就只有那一次的時間；但如果提示詞可以再用、流程可以固定下來、固定的流程可以封裝成 Skill、文獻可以變成研究卡片、卡片可以累積成資料庫、資料庫可以長成論文圖譜，那你省下的就是往後每一次。
對了，這裡有個常見的誤會要先解開：聽到系統兩個字，很多人以為要先規劃一個龐大的架構。嗯，其實不用。我的建議是像堆積木一樣，先做小的。先讓一件重複做的事情固定下來，再讓第二件跟上。
動手之前，先想三件事
不管你要建立什麼樣的 AI 工作流程，我都建議先回答以下這三個問題：
第一，我要提供什麼？可能是 PDF 論文、書目、研究筆記、研究問題、一個還很模糊的構想、行事曆、某個資料夾，或是你手上那批訪談逐字稿。
第二，我要 AI 做什麼？摘要、分類、上標籤、比較、提取概念、建立關聯、驗證 DOI、分析研究缺口、產出研究卡片、追蹤進度。
第三，我要得到什麼？文獻摘要表、APA 第七版書目、研究卡片、文獻地圖、引用圖譜、研究儀表板、Markdown 筆記、任務清單、每日研究報告。
所以，在打開對話視窗以前，先別急著問 AI 可以幫自己做什麼？請先答完這三題：我有什麼、我要它做什麼處理、我要什麼樣的成果。這三題想清楚，你的提示詞的品質就會變好。
提示詞是工作規格書
我在課堂上把提示詞定義成一件事：交辦。
如果你對一位研究助理只說幫我找一些資料，你不會拿到好結果。這不是助理的問題，是交辦的問題。
一份像樣的交辦，至少要說清楚九件事：任務是什麼、目標是什麼、為什麼要做、研究背景是什麼、有哪些限制條件、資料來源要從哪裡找、如何查核、什麼叫做完成、最後用什麼格式回報。
以搜尋文獻為例，你可以明確要求研究主題、研究對象、年代範圍、文獻類型、資料庫來源，是否需要 DOI、是否需要 APA 第七版格式、是否需要摘要、是否需要整理研究方法、是否需要交叉查驗，以及最後要用表格、Word 還是 Markdown 呈現。
提示詞不是咒語，而是工作規格書。寫得愈清楚，AI 愈知道怎麼把事情做完。
AI 會瞎掰，而且講得非常有把握
這一段我在課堂上反覆提醒大家，因為它是所有風險的來源。
生成式 AI 的運作本質接近文字接龍，它擅長預測下一個看起來合理的字，所以可以產生非常流暢的答案。
但是流暢跟正確是兩件事。
它可能生出不存在的文獻、編造作者、編造 DOI，把真實資料跟錯誤推論混在一起，對不確定的事情講得斬釘截鐵，或者引用了一段那篇論文裡根本沒有的話。
我在課堂上請大家特別注意：AI 會瞎掰。
所以 AI 不能當成事實來源本身。它適合扮演探索者、整理者、分類者、摘要者、比較者、格式整理者，以及研究助理。它不適合當最終判斷者。
文獻搜尋的三道關卡
因為有這個風險，找文獻就不能只依賴一般的網頁搜尋，或者直接問生成式 AI 要書目。這件事我另外寫過一篇完整的說明：找文獻為什麼該用 AI Agent，而不是把 ChatGPT 當圖書館。
我在課堂上介紹的是 OpenAlex 與 Semantic Scholar 這類專業學術資料庫。不同領域的研究者應該建立自己的資料庫清單，社會科學、醫學、工程各有各的主場。
比較完整的流程是這樣走的：從研究問題出發，建立關鍵字，進專業學術資料庫搜尋，篩選文獻，驗證 DOI，交叉查驗，閱讀原文，整理成 APA 格式，建立研究卡片，最後納入研究資料庫。
AI 找到文獻之後不能馬上用。至少要確認作者、年份、篇名、期刊、卷期、頁碼、DOI 與原始來源。
DOI 是很重要的驗證機制，但這裡有個陷阱：不能只確認有 DOI，還要確認那個 DOI 真的對應到這篇文獻。AI 有時候會給你一個格式完全正確、也真的存在的 DOI，只是它指向的是另外一篇文章。
從一個聊天視窗，到一組分工的研究團隊
工作坊後半段我示範的是進階用法：把 AI 設計成不同功能的助理。
舉例來說，我自己實際在使用的 AI Agent，包括：Gmail 祕書、Google 行事曆祕書、Research Librarian、Dr.Sage、Deep Research，還有一個負責彙整的總管。
每一個負責不同的工作，最後由總管收攏。這代表 AI 的使用方式已經從一個聊天機器人，變成一支分工合作的虛擬工作團隊。
以 Deep Research 為例，你把研究主題丟進去，它會搜尋資料、篩選文獻、驗證 DOI、交叉查驗、按照你指定的格式整理，然後回報結果。你不需要每一次都從零開始交代一遍。
Skill：把研究方法變成可以重複執行的流程
Skill 你可以理解成被封裝起來的研究工作流程。
設計一支 Skill 很像寫標準作業程序，也很像訓練一位新來的研究助理。你要告訴它什麼時候啟動、會收到什麼資料、第一步做什麼、第二步做什麼、去哪裡找資料、如何判斷品質、遇到例外怎麼處理、最後輸出什麼格式。
工作坊裡介紹的幾支，各有各的守備範圍：
- Paper Navigator：探索研究主題，建立初步的文獻地圖
- Paper Drill：深入分析單篇重要論文
- Paper Tone：論文語氣與文字修訂
- Paper Notes：單篇文獻的深度閱讀筆記
- Paper Metadata：多篇文獻的資料整理
- Research Survey：快速建立一個研究領域的骨架
- 論文腦：長期累積研究知識
- Paper Graph：建立引用關係與論文圖譜
重點是：不同問題要用不同的 Skill，不要所有事情都丟給同一個對話視窗。如果你想先看看目前有哪些工具可以選，我把 56 支整理成一篇挑選指南，也做了一個依研究流程七階段分類的工具資源庫。
進入陌生領域，先要看地圖
剛跨進一個不熟的研究領域時，最大的困難通常不在資料量。因為資料一大堆，但很多時候我們就是不知道該從哪裡開始讀。
Research Survey 可以先幫你整理出這個領域在研究什麼、核心概念有哪些、主要理論有哪些、代表性學者是誰、經典文獻有哪些、近年有哪些重要研究、常用什麼研究方法、有哪些爭議、目前的缺口在哪裡。
它幫你搭出骨架。但它取代不了閱讀原始文獻、判斷研究品質、比較不同研究，以及建構你自己的論證。地圖給你方向，路還是要自己走。
讀過的論文，要真的留得下來
研究者最常見的困境是：下載很多論文、讀過很多次、過幾個月都忘光光。
我們所蒐集的文獻其實夠多了，缺的是結構、關聯、回查機制，以及一套能長期累積的方式。
所以我提出論文腦這個做法，核心原則有三個。可信，指的是資訊來源清楚，你知道這句話出自哪一篇。可回查，指的是未來能重新找回原始出處。可累積，指的是新讀的論文能跟舊有的知識繼續連結。
論文腦的流程，主要是以下四步：Capture、Read、Link、Ask。
Capture 是記錄作者、題目、年份、來源、DOI 與標籤。
Read 是整理問題意識、理論、方法、結果、貢獻與限制。
Link 是把這篇跟其他論文、相關概念、理論、研究問題、研究缺口連起來。
Ask 是往後你可以回頭問：哪些研究支持某個論點、哪些研究結果互相矛盾、哪些文獻使用了同一個理論、哪些文獻支持我的假設。
PDF 是原料，研究卡片才是資產
一篇 PDF 文件躺在硬碟裡，價值有限。真正有價值的是，把裡面的內容轉成可以重新組合的研究卡片。
一張卡片可以是一篇論文、一個核心概念、一個理論、一種研究方法、一項研究結果、一個研究缺口、一組理論矛盾、一個假設，或一段重要證據。
當卡片累積到一百張、五百張、一千張，它們就會長成你自己的知識資產。
▲ 一張研究卡片實際長這樣：上半是可被檢索的屬性欄位，下半是一句話摘要與研究問題，每一條後面都掛著頁碼出處。右下角顯示這張卡已經有 17 個反向連結，代表它不是孤立的筆記，而是已經接進網絡。
所以，我建議把論文與研究筆記逐步轉成 Markdown。理由很實際：純文字、好保存、好搜尋、AI 好處理、跨軟體不會壞、容易建立連結。
再往前一步是 Obsidian，它支援雙向連結、標籤、概念網絡與文獻網絡。但要提醒一件事：目標從來就不是做出漂亮的筆記。你要建立的是文獻、概念、理論、方法與研究問題之間的關係。筆記做得再美，彼此不相連就還是散的。
從單篇閱讀，進入文獻網絡
只讀單篇文章，很難看懂一個領域的全貌。
Paper Graph 可以幫你建立引用關係、被引用關係、核心論文、關鍵學者、理論脈絡、研究群集與研究演進。
你的閱讀因此從單篇，進到文獻群、引用網絡、理論脈絡，最後看見研究缺口。
這件事對博士論文特別重要。博士研究要回答的不是我讀了很多論文，而是這些研究彼此之間到底有什麼關係。
AI 也能陪你做判斷，但決定權在你
AI 不只能搜尋跟摘要。它也可以協助比較研究題目、評估理論、比較研究缺口、形成假設、討論研究方法、規劃實驗設計、比較不同的研究方案。
我在課堂上示範過一種做法：兩兩對抗，類似 ELO 評比。
假設你手上有九個研究題目，難以取捨。你可以讓 AI 跑題目 A 對題目 B、A 對 C、B 對 C，依此類推，並且事先設定好評估標準。
跑完之後，原本那句我覺得這個題目比較好，會變成一份有結構的比較結果。
但最後選哪一個，還是你決定。AI 給的是排序，不是判決。
要讓 AI 幫上忙，先把自己的環境整理好
這一段講的是基本功，但它決定了前面所有方法能不能落地。
資料夾管理已經是研究能力
AI 要幫你工作，前提是它知道資料在哪裡。
所以資料夾管理不再只是個人整理習慣，而是協作的基礎。我自己用編號分類，像是 001 教學、002 研究、003 寫作、004 行政、005 專案、006 素材、007 輸出成果。
如果檔案結構是亂的，你自己找不到，AI 也幫不上忙。原則只有一句：你清楚，AI 才清楚。
路徑，就是檔案在電腦裡的地址
如果你希望 AI 處理本機的資料，只說幫我整理那個 PDF 通常不夠。
它需要知道檔案在哪裡、資料夾在哪裡、檔名是什麼、處理完的結果要放到哪裡。
路徑就是 AI 在你電腦裡找東西的地址。學會看懂檔案與資料夾路徑，是進階工作流的重要基礎。
MCP：讓 AI 走出聊天視窗
我在課堂上把 MCP 比喻成 USB 轉接頭。它的作用是讓 AI 能跟其他軟體或資料來源溝通，例如 Gmail、Google 行事曆、Zotero、Notion、iPhone 備忘錄、本機資料與各種雲端工具。其中 Zotero 這一條路我寫過從安裝到上手的完整教學，照著做就能讓 AI 直接讀你的文獻庫。
所以 AI 往後的價值不只在於它本身知道多少，更在於它能接上哪些工具、資料與工作流程。它從一個聊天工具，變成你數位工作環境裡的執行者。
錯誤訊息就是下一個提示詞
如果你只是要問問題、寫文章、做摘要，網頁版的 AI 已經很夠用。
但如果你想整理大量檔案、批次重新命名、處理 PDF、寫個小程式、安裝套件、建立工具、執行自動化，就會慢慢碰到終端機、PowerShell、程式碼、路徑與指令。
我知道很多研究者看到黑底白字就想關掉。我的建議是不要怕，而且你不需要先變成程式設計師才能開始。
最實用的做法是：遇到錯誤，把錯誤訊息複製起來，貼給 AI，告訴它你正在做什麼，請它一步一步教你，執行看看，再把新的錯誤訊息貼回去。
錯誤訊息本身，就是下一個提示詞。這個循環跑個幾輪，你會發現門檻沒有想像中高。
早安與晚安：讓 AI 變成每天運轉的系統
我每天早上會輸入早安，啟動我的 AI 管家系統。不同的虛擬祕書開始處理 E-mail、行程、任務、研究進度與工作提醒。
晚上我輸入晚安，做每日覆盤。AI 只問我三個問題：今天做了什麼、今天有什麼收穫或挫折或想法、明天要做什麼。
這三個問題會把零碎的一天，變成可以保存、搜尋、回顧與累積的個人資料。
▲ 輸入早安之後產出的晨間簡報：行程、郵件、專案狀態各由不同的虛擬祕書分段回報，並且直接說明哪些需要處理、哪些瀏覽即可。行程細節已遮蔽。
換句話說，AI 不必只在你卡住的時候才出場，它也可以是每天固定運轉的研究與工作系統。
研究儀表板：隨時知道自己做到哪裡
我建議研究者替自己建一個儀表板，把博士論文進度、研究問題、正在讀的文獻、已讀文獻、研究主題、理論、研究變項、研究想法、投稿計畫、待辦事項、研究專案與截止日期集中呈現。
它解決的是一個非常普遍的狀況：資料很多，但不知道自己現在到底做到哪裡。
▲ 我自己的研究儀表板：左邊是文獻庫最近入庫的書目與附件狀態，右邊是最近建好的研究卡片與各自連上的概念數，一眼就看得出讀進來的東西有沒有真的轉成資產。
儀表板的功能不在增加資料量，它讓你隨時掌握自己的狀態。
可以用 AI，但責任不能外包
這一段是不能踩的紅線，我在課堂上也花了一些時間講。
投稿前的 AI 使用揭露怎麼寫，我整理成一篇三分鐘就能做完的自檢流程，也做成了線上小工具。我們在研究的過程中如果使用 AI，有幾件事必須守住：AI 生成的內容一定要查核；不能把 AI 當成研究資料的來源；引用要回到原始出處；文獻必須確認真實存在；投稿前要了解該期刊的 AI 政策；必要時要揭露 AI 的使用情形；最後，文字與研究內容由作者負責。
AI 可以協助潤飾、校對、摘要、翻譯、整理與格式化。這些都沒問題。
但責任不能交給 AI。畢竟你的名字掛在那篇論文上，你得負所有的責任。
話說回來，這也是整場工作坊反覆出現的那句話：有些事情 AI 可以代勞，但核心思考一定要你自己來。
把整套串起來：七個階段
講了這麼多工具與方法，最後我把它們排成一條完整的工作流。
第一階段，想清楚問題。 從研究現象出發，形成問題意識，收斂成研究問題，確定搜尋目的。不要打開對話視窗才開始想今天要問什麼，要先知道自己為什麼要找這些資料。這一步如果卡住，可以先用研究提問鷹架把模糊的念頭問成能寫的研究問題。
第二階段，探索領域。 用 Research Survey 整理核心概念、理論、學者、代表性文獻與初步的研究缺口。先建立地圖。
第三階段，正式搜尋文獻。 進專業資料庫，用關鍵字檢索，篩選文獻，驗證 DOI，確認原文。確保資料可信。
第四階段，深度閱讀。 用 Paper Navigator 到 Paper Drill 再到 Paper Notes，整理出問題意識、理論、方法、結果、貢獻與限制。
第五階段，建立知識庫。 從 PDF 到 Markdown，到研究卡片，到標籤，到雙向連結，進 Obsidian，長成論文腦。讓每一篇讀過的論文都留下能再用的東西。
第六階段，建立文獻網絡。 用 Paper Graph 拉出引用關係、理論脈絡、研究群集、理論矛盾與研究缺口。從單篇進入整個領域。
第七階段，進入自己的研究。 從文獻到理論，到研究問題，到假設，到研究設計，到實證分析，到討論。AI 可以在每一個階段幫忙，判斷仍然由你負責。
如果只帶走七件事
工作坊結束前，我請大家記住七個觀念。這七件事跟工具無關，換了工具還是成立。
一，把 AI 當副駕駛，不是答案機。 它幫你導航，方向由你決定。
二，把提示詞當成交辦。 交辦的規格寫得愈清楚，成果的品質愈高。
三，把文獻變成研究卡片。 不要只累積 PDF，要累積可以重新使用的知識。
四，把研究卡片變成資料庫。 研究不是一次性的閱讀，而是長期的知識累積。
五，把資料庫變成研究圖譜。 你要看見文獻、理論、概念與問題之間的關係。
六，把錯誤訊息變成下一個提示詞。 AI 不只幫你完成工作，也可以帶你跨過技術門檻。
七，把一次性的使用，變成可以複利的系統。 該問的不是今天 AI 幫我省了多少時間，而是今天建立的流程、資料與知識，明天還能不能繼續用。
結語：改變的不是論文，是研究者的工作方式
這場工作坊真正重要的，其實不是我介紹了多少工具。道理很簡單，因為工具會不斷改版。今天好用的東西，可能下個月就有更好的替代方案。
真正會留下來的是一種新的工作方式：研究者先提出問題，AI 協助搜尋與整理；研究者進行判斷，AI 協助建立結構；研究者形成知識，AI 協助長期累積。
如果要把這個工作坊濃縮成一條邏輯，我會這樣寫：
把 AI 變成副駕駛，把提示詞變成交辦，把工作流程變成 Skill，把文獻變成卡片，把卡片變成資料庫，把資料庫變成圖譜，把錯誤訊息變成下一個提問，最後把一次性的使用，變成一套可信、可回查、可累積、可複利的研究系統。
方向盤還是在你手上。這件事從頭到尾都沒有變過。
9 月 12 日的工作坊，還有少數席次
這篇寫的是 8 月 16 日那一場的統整精華。如果你看完覺得方向對，但知道自己一個人摸索會摸很久，下一梯次可以來現場。
- 時間：2026 年 9 月 12 日（週六）09:00 至 12:00
- 地點：臺北市區，捷運站步行可達（報名後告知教室地址）
- 名額：限額 20 人，目前還有少數席次
- 形式：實作為主，請自備筆電
現場不會把這篇再講一遍。三小時要處理的，是你自己的題目與草稿：帶著它們走完一次 Agent 工作流，然後帶走六套可以重複使用的模板與清單，包括 AI 協作原則卡、文獻回顧矩陣、改稿的三個層級，以及投稿用的 AI 使用揭露範本與倫理自檢清單。
報名與完整課程資訊在 solo.tw 的課程頁。
如果這個時間對不上，課程頁上也可以留下 E-mail，下次開課我再通知你。
想先自己看看的話，我把這套方法的觀念層整理成六堂免費線上迷你課，共 58 個單元，不需要帳號、不需要付費，你可以自己決定進度。另外，站上的六支免費小工具都在瀏覽器裡跑完就走，填進去的內容只留在你自己的裝置上。