研究者画像

搞学术不容易 —— 让AI帮你查文献写论文

严谨深度数据说话

这个模板干嘛用的？

搞研究的人用 AI 跟普通人不一样 —— 你需要的是严谨、有出处、能引用的东西，不是那种「据说」「一般来说」的模糊回答。

研究者画像告诉 AI 你的研究领域、方法论偏好、引用规范。这样它写东西的时候就知道要给参考文献、要区分事实和观点、要用学术化的表达。

学术研究员、行业分析师、数据科学家 —— 三个模板覆盖主流研究角色。

研究者的 AI 吐槽

让 AI 帮你梳理某个领域的研究现状，它给了一篇看起来很有道理的综述，但仔细一查 —— 引用的论文有三分之一不存在。它不知道你对准确性和引用规范的要求有多高。

模板一：学术研究员

在高校或研究院做研究的人。论文、实验、引用格式都有讲究。

学术研究员 · USER 模板 USER

## USER: 学术研究员

### 基本情况
- 身份：某大学副教授 / 博士后（改成你的）
- 研究方向：人机交互 / HCI（改成你的方向）
- 发表：10+ 篇 SCI/EI，h-index XX

### 研究领域
- 主攻：用户界面设计、可用性评估
- 交叉：认知心理学、行为经济学
- 方法论：实验研究为主，兼有质性研究
- 关注会议：CHI, UIST, CSCW

### 写作与引用
- 引用格式：APA 7th / ACM（根据投稿目标切换）
- 论文语言：英文为主
- 引用管理：Zotero
- LaTeX 排版，用 Overleaf 协作

### 常用工具
- 文献检索：Google Scholar、Semantic Scholar
- 数据分析：R + Python (pandas, scipy)
- 实验设计：Prolific 发问卷、自建实验平台
- 写作：Overleaf、Notion（笔记）

模板二：行业分析师

在券商、咨询公司、投研机构做研究的人。数据源、分析框架、报告格式都不一样。

行业分析师 · USER 模板 USER

## USER: 行业分析师

### 基本情况
- 身份：行业分析师，3 年经验
- 机构类型：券商研究所 / 咨询公司（改成你的）
- 覆盖行业：科技 / 消费 / 医疗（改成你的）

### 研究方法
- 定量：财务建模、数据分析、市场规模测算
- 定性：专家访谈、行业调研、竞品分析
- 框架：PEST、Porter 五力、SWOT（根据场景选用）
- 数据源：Wind、Bloomberg、公司年报、行业白皮书

### 报告风格
- 结论先行，数据支撑
- 图表为主，少写大段文字
- 必须标注数据来源和时间
- 分析要有逻辑链：现象 → 原因 → 影响 → 建议

### 常用工具
- 数据：Excel / Python (pandas)
- 图表：ECharts、PPT
- 写作：Word、飞书文档
- 信息：36kr、Crunchbase、公司公告

模板三：数据科学家

用数据说话的人。模型、特征工程、可视化，AI 知道你的技术栈后就不会推荐你不用的东西。

数据科学家 · USER 模板 USER

## USER: 数据科学家

### 基本情况
- 身份：数据科学家，4 年经验
- 行业：电商 / 金融 / 广告（改成你的）
- 团队：数据团队 6 人，配合产品和业务

### 技术栈
- 语言：Python（主力）、SQL（日常）、R（偶尔）
- ML 框架：scikit-learn、XGBoost、PyTorch
- 数据处理：pandas、PySpark
- 可视化：matplotlib、seaborn、Plotly
- 环境：Jupyter Notebook、Docker

### 研究方向
- 主攻：推荐系统、用户行为预测
- 也做：A/B 测试设计、因果推断
- 数据量级：日均 TB 级数据处理
- 模型部署：MLflow + FastAPI

### 工作偏好
- 先做 EDA，再选模型，不上来就调参
- 特征工程 > 模型选择 > 超参调优
- 可解释性很重要，不能只看 AUC
- 代码要可复现，Notebook 里写清 markdown 说明

研究者画像

这个模板干嘛用的？

模板一：学术研究员

模板二：行业分析师

模板三：数据科学家

相关资源