科研入门：AI 方向常用科研工具推荐

发布时间：2026-08-27

这份笔记不是为了让同学们安装尽可能多的软件，而是帮助大家尽快建立一套稳定的科研工作流。好的工具链应该服务于四件事：读得进论文，管得住文献，跑得通代码，写得出文章。

工具只是基础设施。真正重要的是：每一篇论文能留下结构化笔记，每一次实验能复现，每一段代码知道为什么改，每一次写作都有清晰版本。

1. 论文阅读与分类整理

读论文最怕两件事：第一，下载了很多 PDF，但过几天不知道为什么要读；第二，读的时候觉得懂了，写论文时却找不到关键证据。因此文献工具必须承担“搜索、分类、阅读、标注、回看”这几件事。

工具	推荐用途	使用建议	链接
ReadPaper	论文搜索、在线阅读、分类整理、标签管理、AI 辅助阅读	适合做日常论文池，把论文按任务、数据集、方法类别、待读/已读/精读状态分类	ReadPaper, 功能介绍
Zotero	文献管理、BibTeX 导出、引用格式管理、跨设备同步	适合管理正式引用库，写论文前把确定会引用的文献统一放进 Zotero	Zotero
Adobe Acrobat Reader	PDF 浏览、批注、高亮、评论、签名	适合精读 PDF，尤其是需要稳定显示论文版式、图表和公式时	Adobe Acrobat Reader
OneNote	长期科研笔记、组会记录、项目备忘、想法草稿	适合记录非正式思考、会议纪要、实验现象和阶段性总结	OneNote

建议大家把论文分成三层管理：

1. 论文池：用 ReadPaper 或 Zotero 收集相关论文，按任务和年份分类。
2. 精读笔记：每篇精读论文只回答几个问题：解决什么问题，核心假设是什么，方法如何支持假设，实验是否充分，可能有什么缺陷。
3. 写作引用库：真正写论文时，把会进入 Related Work 或 Method 对比的文献整理到 Zotero，并维护 BibTeX。

不要只用浏览器收藏夹管理论文。收藏夹适合临时保存链接，不适合长期科研积累。

2. 代码开发工具

AI、视觉和遥感智能方向的实验通常依赖 Python、PyTorch、CUDA、数据集路径、配置文件和大量训练日志。一个好的代码工具应该帮助你快速定位代码、调试张量形状、管理环境、追踪修改。

工具	推荐用途	使用建议	链接
PyCharm	Python 项目开发、断点调试、重构、远程解释器	适合刚开始做深度学习实验的同学，调试体验稳定，项目结构清楚	PyCharm
Visual Studio Code	轻量编辑、远程服务器开发、插件生态、快速阅读代码	适合连接 Linux 服务器、改配置、看多语言项目、配合终端工作	VS Code
Anaconda / Miniconda	Python 环境隔离、包管理、实验环境复现	每个项目单独建环境，不要把所有包都装在 base 环境	Anaconda
PyTorch 官方文档	深度学习框架学习、API 查询、安装验证	遇到 tensor、autograd、DataLoader、GPU 问题时优先查官方文档	PyTorch Get Started, PyTorch Tutorials

写代码时要养成三个习惯：

1. 能断点就不要只靠 print：尤其是调试数据增强、模型 forward、loss 计算和 evaluation 时。
2. 每个实验保留配置文件：包括数据路径、模型权重、随机种子、学习率、batch size、epoch、指标和日志位置。
3. 不要直接改原始开源代码而不记录：至少用 Git commit 或实验日志写清楚改了什么、为什么改。
4. pytorch学习，主要靠项目实践，不要对着文档看。看到不懂的函数，立刻查文档。

3. 论文写作与文献引用

写论文不要到最后一天才整理参考文献。引用管理应当从读论文时就开始，否则 Related Work 很容易变成临时堆文献。

工具	推荐用途	使用建议	链接
Overleaf	LaTeX 论文写作、多人协作、模板管理、版本历史	适合会议和期刊论文写作，尤其是多人同时修改时	Overleaf, Overleaf Docs
Zotero	管理引用条目、导出 BibTeX、生成参考文献	推荐作为正式引用库，定期检查 title、author、venue、year 是否正确	Zotero
OneNote	写作提纲、段落草稿、审稿意见整理	适合保存不稳定草稿，不建议替代正式 LaTeX 源文件	OneNote

建议采用“两层写作”：

1. 想法层：在 OneNote 或 Markdown 中整理 idea、论文结构、图表计划、实验列表。
2. 正式层：在 Overleaf 中维护 LaTeX 正文、图表、表格和 BibTeX。

不要把论文写作理解成“把实验结果翻译成英文”。真正的写作是建立论证链：问题为什么重要，已有方法为什么不够，本文方法改变了什么，实验为什么能证明这些改变有效。

4. PDF 精读与标注习惯

PDF 阅读工具不只是用来打开论文。精读时至少要完成四类标注：

1. 问题标注：这篇论文要解决的核心问题是什么？
2. 方法标注：关键模块、公式、训练目标、推理流程在哪里？
3. 实验标注：主要对比、消融、数据集和指标是否充分？
4. 质疑标注：哪些地方没有说清楚，哪些假设可能不成立，哪些实验可以补？

Adobe Acrobat Reader 适合做稳定的高亮、评论和页面批注。ReadPaper 更适合边读边翻译、整理标签、快速回看图表和引用。两个工具可以配合使用：ReadPaper 管论文池，Acrobat 做重要论文精读。

5. AI 辅助工具

AI 工具可以显著提高阅读、编码和写作效率，但不能替代你自己的判断。科研中使用 AI 工具时，要始终坚持三条底线：不上传不该上传的未公开数据，不让模型编造引用，不把未经验证的代码和结论直接放进论文。

还需要提醒一点：很多国际学术资源、代码平台、课程视频和 AI 工具，对网络访问环境有一定要求。包括 ChatGPT / Codex、Claude Code、谷歌学术、YouTube 课程、GitHub 资源下载等，都可能需要同学具备基本的国际网络访问能力。这里不展开具体方式，刚入门的同学如果完全不知道如何配置，可以主动向师兄师姐请教，至少要保证自己能够稳定访问常用论文、代码、课程和 AI 服务资源。

工具	推荐用途	使用建议	链接
ChatGPT / Codex	代码理解、代码修改、论文段落润色、实验脚本解释、报错排查	适合让模型解释陌生代码、梳理实验流程、生成初版脚本；关键结论必须人工核查	OpenAI Developers, Codex Use Cases
Claude Code	在终端或 IDE 中理解代码库、修改多文件项目、生成测试和说明	适合较大的工程改动，但要检查 diff，避免把实验逻辑改偏	Claude Code Docs
DeepSeek	中文理解、代码解释、API 调用、低成本实验性问答	适合辅助学习、快速问答和 API 原型，重要内容仍需查原始资料	DeepSeek, DeepSeek API Docs
Qwen / 通义千问	中文场景、多模态、代码和 API 调用	适合中文科研问答、模型接口练习和国产大模型生态学习	QwenCloud Docs, Qwen GitHub

AI 工具更适合做这些事：

1. 解释一段代码的输入输出、张量 shape 和调用链。
2. 根据报错定位可能的问题，再由自己验证。
3. 帮助把中文草稿改成更清楚的英文表达。
4. 根据论文段落提炼结构，但不能替代自己读原文。
5. 生成实验脚本初稿，但必须检查数据路径、指标计算、随机种子和保存逻辑。

AI 工具不适合直接做这些事：

1. 让模型凭空总结“某领域已有方法有哪些缺陷”而不看具体论文。
2. 让模型生成参考文献而不核对 DOI、标题、作者和 venue。
3. 把未公开论文、审稿意见、学生隐私数据、未发布代码直接上传到不受控平台。
4. 不看 diff 就接受模型修改过的代码。

！！！！！！！！！不要让AI控制你的逻辑！！！！！！！！！

6. 建议的最低工具组合

刚入门时不需要把所有工具都用起来。建议先稳定使用下面这套组合：

1. 论文阅读：ReadPaper + Adobe Acrobat Reader。
2. 文献引用：Zotero。
3. 代码开发：PyCharm 或 VS Code 二选一，远程服务器开发建议优先学 VS Code。
4. 环境管理：Miniconda / Anaconda。
5. 论文写作：Overleaf。
6. AI 辅助：ChatGPT / Codex 或 Claude Code，再根据需要尝试 DeepSeek、Qwen。

工具链稳定以后，科研效率的差异主要来自习惯：论文是否分类，代码是否可复现，实验是否有日志，写作是否有版本，AI 输出是否经过核查。