1. 项目缘起：为什么需要一个“开题导航仪”
每年到了论文开题季，总有学生深夜发来消息，开场白几乎一模一样：“老师，我打算研究XX方向，但感觉题目太大，查了两周文献还是不知道从哪里下手，怎么办？”说实话，这个场景我太熟悉了，几乎每个开题季都会遇到同样的问题。选题要么宽得像一个领域综述提纲，要么窄到找不到几篇参考文献，要么两三个月过去了连研究问题还没定下来。
许多同学卡在开题环节，问题出在哪里？我曾经做过一次小规模的问卷调查，超过七成的受访者在选题阶段存在“信息过载焦虑”：文献读了一堆，思路反而越来越乱；感觉自己感兴趣的方向不少，但每个方向都有大量研究，说不清自己还能做出什么新意；更麻烦的是，开题报告要写的“研究目标”“研究内容”“技术路线”这些模块，大家都知道自己应该写，但脑子里并没有一个清晰的问题推导链条，写出来的东西自然拼凑感很强。
这其实不是个人能力问题，而是开题决策本身是一项复杂的认知任务，需要同时处理文献信息、问题定位、方法匹配和可行性判断等多重维度。如果只靠传统方法手工处理——比如漫无目的地翻阅文献、凭感觉划定研究方向——很容易被海量信息淹没。
这里我想澄清一点：缓解开题迷茫不能只靠搜索引擎或纸质文献，而是需要一个能把碎片化信息组织成结构化研究蓝图的工作流。我当时就想，有没有一种可能，把大模型的理解、归纳、推理能力封装成一个辅助工具，让它在合适的位置介入开题过程？这个工具的需求很直接：首先是帮研究者从模糊兴趣中筛选出有研究价值的候选方向；其次是梳理领域现状，找到真正有价值的问题缺口；然后是推荐适配的研究方法、技术路线，甚至生成包含明确节点和里程碑的计划表；最后还要输出符合开题报告格式要求的完整提纲。
经过几个月设计和迭代，这个AI“开题导航仪”基本成型了。本文将完整复盘这个项目的思路、架构和踩坑过程，这些内容既可以帮准备开题的朋友节省时间，也是学生或初级研究者设计同类AI辅助工具的一份参考。
2. 核心设计原则：从“单点问答”到“结构化思考链”
2.1 为什么传统对话式AI不够用
我们最先想到的方案很简单，既然大模型对话能力这么强，那么做一个对话机器人应该就可以了？直接问大模型“帮我找一个好写的论文题目”，得到的回答确实流畅、完整，但几乎不具备可复用的方法论价值。
问题出在哪里？我做了几个对比实验，发现同一个方向问三次以上，回答的选题逻辑经常彼此冲突——一会儿强调研究热点，一会儿强调理论贡献，一会儿又建议做工程应用。这种不一致性的根源是传统对话缺少流程管理，模型每次都在做一次新的“自由发挥”，而没有围绕一个固定的、可验证的开题决策框架来组织思考。
好比一位完全没有课程大纲的老师来讲一门课，虽然每一堂课的内容都可能很精彩，但学生听完之后掌握不了体系框架。开题恰恰最需要的就是框架和步骤，缺少流程约束，得到的回答再好也只是“灵光一现”，而不是“研究路线图”。
2.2 五个阶段的开题思考链路设计
我们后来把开题的完整认知过程抽象成了五个连续的环节：
- 选题定位：基于研究者的兴趣方向、学科背景、已有积累，选出初步候选题域，并评估每个候选方向的文献丰富度、理论生命力与可操作性。
- 问题挖掘：在选定方向上向下钻取，逐层拆解领域现状与研究缺口，最终形成一个或几个明确的科学问题，而不是一句宽泛的“研究某现象”。
- 路径规划：围绕明确的研究问题，推导出对应的研究假设、研究方法、实验设计或论证框架，这一步直接决定后续的可行性。
- 路线构建：将研究路径映射为时间维度上的任务序列——什么时间该完成文献综述、什么时间该做数据采集、什么阶段做分析和论文撰写，形成“研究路线图”。
- 输出规范：按照各高校开题报告或学位论文开题模板的要求，把以上内容组织成结构完整的文档初稿。
这五个环节之间不是简单的顺序串联，后面三个环节会对前两个环节形成反馈——规划研究方法时如果发现数据难以获取，就要回头调整研究问题，甚至换个选题。我们把这种反馈机制写进了系统逻辑里，这是与对话式AI相比最关键的区别。
2.3 人机协作边界：AI不是替代，而是“提速器”
在设计过程中，一个容易走偏的倾向是让AI直接给出一个“完美题目”，这等于剥夺了研究者最主要的认知锻炼机会，而且题目是否为“好题目”最终要由研究者的学术品味和领域积累来判定，AI无法替代。所以系统的定位是：以人为中心，以AI为推理加速器。
人在这个闭环中负责提供初始方向感觉、对中间结果做判断取舍、对AI推演出的问题定义做确认或否决。AI则负责把模糊的方向拓宽为多个候选视角、把领域文献结构归纳成模块化的现状图景、为每个候选问题快速生成可行的技术路线草案。简单来说，AI提供“可能性空间”，人在其中“做选择”。
这个边界也直接影响产品功能设计。我们特意没有做“一键生成开题报告”这种功能，因为那样做出来的报告一定不是用户自己的研究，使用它做开题的查重要求也有风险。反过来，我们强调每次跳转都提供保留、修改、放弃的明确反馈入口，让AI在不断与人交互的过程中校准自己的建议方向。
3. 系统总体架构：从输入到输出的加工流水线
3.1 模块划分与职责
整个系统按流水线方式划分为四个模块，每个模块都有明确输入输出：
- 输入解析模块：处理用户提供的研究兴趣关键词、研究方向描述、参考论文列表、甚至是一段粗糙的想法文字。该模块用大模型对输入做结构化抽取，形成“领域标签”“学科边界”“偏好的研究方法”“资源约束条件”等字段。
- 知识组织模块：根据上一步抽取出的领域标签，自动生成该领域的“知识地图”，包括核心子方向、热门问题、代表学者观点、常用方法和主流数据集或文献来源。这个模块不直接依赖外部知识库，而是调用大模型的内部知识，这样做的好处是强泛化性，任何一个小众交叉方向都能快速生成初始地图；坏处是存在幻觉风险，所以后面我们加了人工校验步骤。
- 方案推演模块：基于知识地图和用户资源约束，进行问题聚焦与路线规划。这里我们设计了几种内置的推演模式：基于文献计量的“研究空白扫描”、基于方法迁移的“跨领域嫁接、基于实践需求的“问题倒推”等，每种模式都对应不同的开题场景。
- 成果导出模块：负责将推演结构按用户所在机构要求的开题报告格式组织成初稿，并附带“设计说明”栏——让用户看到每个章节文字背后的推导依据，而不是一个黑箱结果。
3.2 关键技术选型：为什么用“多次推断”而不是“一次生成”
实现上述思路，技术上最重要的决定不是选哪个大模型，而是选择交互范式。我们测试了两种方式：一次性生成完整报告 vs. 多次推断逐步构建。
一次性生成有难以克服的缺陷：当提示词中包含太多约束条件时，模型很容易顾此失彼，开头写得详细、后面草草收尾；或者中间某个关键决策点缺乏论证，直接跳到结论。我们实际体验后发现，报告的“可解释性”非常差，用户只能接受结果，不能理解推导过程，也就无法判断哪些部分需要修改。
最终确定的方式是多次推断：一个关键词输入进来，先让模型产出若干候选子方向，每个方向给出推荐理由和潜在问题；用户选定方向后，系统单独发起一轮推理，专门针对该方向梳理“研究现状—主要流派—未解决问题”；之后再进行基于研究问题的路线生成。这几次推理共享一个上下文记忆，但每一轮的输出都单独面对一个聚焦问题，质量和可控性都比单次生成有质的提升。
虽然多次推断会增加一些接口调用和响应时间，但换来的是用户能看见AI“想”的过程，每轮推理结果都可以单独修改，整体可用性大大提高。如果你正在设计类似的AI辅助工具，我建议尽量采用“分步式+可干预”的交互结构，这是这个项目里收获最大的一条经验。
3.3 提示词工程：为每个环节定制思维模板
模块分好了、交互范式定完了，剩下来最琐碎但最影响体验的，就是每个环节的提示词设计。我们给每个推理节点都预设了一套“思维模板”，用结构性提示词来约束模型的思考方向。下面以“从研究方向到研究问题”这个环节为例，展示一个简化版的提示词框架：
角色：你是一位严谨的研究方法导师，只基于给定的研究方向进行分析。 步骤： 1. 将研究领域拆解为最多5个子主题，每个子主题标注学术活跃度（高/中/低）。 2. 对每个子主题罗列当前已知的主要学术观点（最多3条），并标注观点之间的分歧点。 3. 基于分歧点，提出1-2个现有研究尚未充分解决、且通过常规方法可检验的研究问题。 4. 对每个研究问题给出可行性和研究价值评分（1-10分），用一句话说明评分理由。 输出要求： 直接输出结构化结果；不做褒贬评价；不生成与研究无关的内容。这条提示词看起来简单，但背后有几点设计心法：一是给模型一个“角色锚定”，让它调用方法论框架而不是百科知识；二是把推理拆成“拆解—归纳—发现问题—评估”四个步骤，每一步都在上一步基础上递进；三是刻意要求“不做褒贬评价”，防止模型站在道德高地上说空话。实际测试中，带角色锚定的输出比不带角色锚定的输出，问题质量平均评分高出约三成。
4. 核心功能流程详解：从“迷茫选题”到“结构化开题提纲”的完整导航
4.1 第一步：兴趣捕获与领域地图生成
使用系统时，用户在引导界面先填写一段自己的兴趣描述，怎么随意都可以，比如“我想研究社交平台上知识传播的现象，但具体做什么没想好”“导师给的题目是比较A和B两种算法在某些任务上的效果差异”“我观察到一个有意思的现象：很多人在决策时都依赖直觉，但又会反过来给自己找逻辑解释，我想研究这个”等等。
输入解析模块先把这段话抽取成若干“兴趣标签”：社交平台、知识传播、信息扩散；算法对比、性能评估；直觉决策、认知失调、合理化机制等。接着，知识组织模块基于标签生成一份“领域地图”，通常呈现为一个二维矩阵：横轴是子方向，纵轴是常用研究方法/理论视角，交汇处自动填注一些代表性的研究问题或关键词。
这一步的设计要点在于展示“全景”而非“细节”。很多用户第一次看到矩阵时会发现原来自己感兴趣的方向还有这么多没想过的子议题，这就达到了打开思路的效果。对于不想看地图的“效率优先型”用户，我们也做了快捷模式，直接进入候选问题列表。
4.2 第二步：候选问题库构建与双准则排序
有了领域地图，系统从每个交汇单元格中抽取若干候选研究问题，构建出一个候选问题库（通常为十到二十个）。接下来不会把这些问题一股脑展示，而是按照两个维度排序：研究价值和可操作性。研究价值来自系统对文献积累厚度、理论意义、实际应用需求的综合评估；可操作性则考察数据可得性、方法门槛、时间成本、资源依赖等因素。
这个排序非常重要，因为用户面对一串问题列表时，最容易犯的错误就是凭“感觉有意思”选择题目，忽略了自己手上实际能掌握的资源。在数据可及性比较困难的条件下，即使是一个理论价值极高的问题，也未必适合作为一篇学位论文的开题选择。我们设计了一个简单的可视化双轴气泡图：横轴表示可操作性，纵轴表示研究价值，气泡大小代表估计所需时间。用户可以直接避开那些“价值高但几乎做不了”的区域，也避免选择“容易做但没什么意义”的题目。
当然，系统毕竟是基于模型内部知识做的判断，与具体研究者的资源情况可能存在差距。所以在每个候选题目下方都设了“手动修正”按钮，用户可以根据自己的实际情况调整可操作性评分，系统会记住这个修正并应用到后续推荐中。
4.3 第三步：从题目到研究问题的三级漏斗
选定一个候选题目之后，进入问题定义环节。我们将其设计成一个“三级漏斗”：
- 第一级：宽问题——用一句话描述“我要研究XX现象/关系/机制”。
- 第二级：窄问题——拆解为“XX在何种条件下对YY产生何种影响？”或“XX与YY之间的关系是否受ZZ调节？”
- 第三级：可检验问题——进一步写出自变量、因变量、研究范围、关键假设，形成类似实证研究假设或工程问题定义的结构化表述。
这三级的转化过程由模型自动生成，但每一步用户都要确认或调整。其中最容易出问题的环节是“宽问题到窄问题”的转换，因为这里需要区分“描述性问题”和“关系性问题”：描述性问题（比如“大学生使用社交媒体的现状”）只适合做报告，不适合做研究论文；关系性问题（比如“社交媒体上的信息接触多样性如何影响知识获取效率”）具备可比较、可验证、可推测的属性。在我们的提示词中，系统会明确要求模型检查问题是否为关系性问题，若不是，则自动建议补充相关变量。
4.4 第四步：研究方法与数据方案的适配推荐
研究问题一旦明确，系统便从“方法库”中筛选匹配的研究路径。这个方法库是我们前期整理的结构化数据，包含问卷调查、实验设计、深度访谈、二手数据分析、仿真模拟、原型开发与评估、理论分析等多种方法，每个方法常配有适用条件、操作流程、典型时长、风险点和伦理注意项。
系统按照三个匹配条件做筛选：问题性质（探索性/验证性/工程性）、数据条件（可否接触目标群体或数据源）、时间约束。比如，一个探索性的、缺乏现成理论框架的问题，系统会推荐质性方法为主；一个验证性的、可以获取大样本数据的问题，则可能推荐问卷或二手数据方法。在此基础上，如果用户在某些方法上已有经验积累，还可以手动标记“熟练”或“初学”，系统就会在推荐中将“初学但有匹配度”的方法排在更前面。
很多用户在这里会第一次发现：自己设想的方法路径不一定是最优解。比如有人想做深度访谈，但时间只有三个月，系统会老实提醒建议考虑焦点小组或线上问卷以提高效率。这个提醒不一定永远正确，但至少能让人重新审视方案的可行性和时间预算。
4.5 第五步：研究路线图生成与里程碑输出
路线图是整个开题导航的核心交付物，它以时间轴的形式为用户呈现从当前节点到预期答辩的关键路径。系统先将研究过程拆为标准阶段：文献回顾、问题聚焦、方案设计、数据采集、数据分析、论文撰写、修改送审。然后依据用户输入的开始日期和截止日期做逆向排期，每个阶段再细分为若干关键任务，并标注依赖关系和缓冲时间。
这里有几个细节值得展开。首先，“缓冲时间”对我们来说不是可选项，而是必须项。开题阶段的计划再完美，执行时大概率会出现数据回收延迟、模型训练超出预期、导师修改意见反复等情况。系统默认给每个关键任务额外预留约两成的时间缓冲，这个比例也可以手动调整。其次，里程碑设计上不只包含“交初稿”“交终稿”这类最终节点，而是细化到“文献综述完成度达到百分之八十”“核心实验完成第一轮验证”“数据分析跑通主模型”这类过程性节点。过程性节点最大的好处是让进度可视化，避免到最后一刻才发现时间不够。
路线图以Gantt图和表格双形式输出，支持导出到常用日程管理工具。尽管它无法替代真正严格的项目管理，但对于大多数初次独立做研究的硕士生来说，一个有人提醒、可动态调整的路线图，比他们自己排的进度计划要靠谱得多。
4.6 第六步：开题报告初稿的自动组织
所有信息确定后，系统会按开题报告的通用章节规范自动生成初稿。这里必须强调“初稿”两个字：从大纲到每一个段落，系统都基于前面各步沉淀的研究设计信息来写，而非凭空生成一个看似完美、实际空洞的文本。
我们在导出模块中嵌入了一个“内容溯源”功能：报告里的每一个核心论断边上都会出现一个小标记，点击可以看到该论断对应的是第几步交互中用户确认过的信息或系统从哪些文献线索中归纳出来的。这样用户能非常清楚地判断哪些段落可信、哪些还不确定，而不至于把模型编出的引用或解释当作事实，这正是科研诚信所要求的底线。
5. 实操案例：一个真实选题的全程导航演示
5.1 案例背景与初始输入
为了让读者直观理解这个流程，我用一个虚拟案例来演示。A同学是一名教育技术方向的硕士生，希望研究“在线学习中的互动问题”，但每次和导师讨论都被评价为“题目太模糊”。她尝试用导航系统完成开题。她在输入框中写了这样一句话：“我想研究在线教育中学生参与互动的问题，但是不太确定具体做什么方面，希望做出有实际意义的研究。”
从这段文字中，导航系统抽取出了领域标签：在线教育、学生互动、参与度、教学策略等。知识组织模块生成的教育技术领域地图显示，这个领域大致可以分解为“互动模式设计”“互动行为分析”“学习效果影响机制”“技术支持下的互动工具”等子方向，其中“互动行为分析”和“学习效果影响机制”在近几年的活跃度最高。
5.2 候选问题筛选与决策过程
系统生成了十多个候选问题，A同学按照双准则矩阵筛选中，有两个问题被标为高价值且高可操作性：
- 在线学习环境中同伴互动的频率与质量对学习者认知投入的影响机制研究
- 基于学习分析的在线讨论参与度预警模型构建与干预策略设计
A同学对第一个更感兴趣，于是系统进入问题漏斗。宽问题很快从“我想研究在线教育中学生参与互动的问题”收敛为窄问题：“在线异步讨论中，同伴反馈的深度是否显著影响学习者的认知投入水平？”随后系统进一步细化为可检验问题，并给出了研究变量建议：自变量为同伴反馈深度（习惯上分表层反馈与深层反馈），因变量为认知投入水平，需设计相应的测量方案，同时将学科背景、先备知识等作为控制变量。
其实在候选问题上，A同学曾经对第二个“预警模型构建”方向动过心，因为听起来更有“技术含量”，但系统提示该方向需要较强的数据挖掘基础和一定的开发工作量，在她的时间预算内可行性偏低。这个提醒帮她提前规避了一个潜在的大坑。
5.3 研究路线图的生成与调整
A同学选择的研究问题是“验证性+行为分析”类型，系统匹配了“准实验设计+内容分析”的组合路径：在两个平行在线讨论组中分别施加不同反馈策略，收集讨论文本与学习行为日志，用内容分析和统计检验来比较两组认知投入的差异。
基于A同学填写的开题日期是下月15日、最终送审时间为八个月后，路线图被拆分为六个阶段。第一阶段为文献深读与理论框架确定，用时约六周；第二阶段为研究设计与预实验，约四周；第三阶段为正式数据采集，约十周；第四阶段为数据分析与结果撰写，约六周；第五阶段为论文初稿撰写，约五周；第六阶段为修改与送审准备，约三周。系统还对“预实验”环节做了特别提醒，建议A同学先在一个小规模群体中测试讨论任务的设计是否合理，避免正式实验中因为任务设计缺陷导致数据无效。
A同学最初并不理解为什么非要做预实验，觉得这不等于多了一个环节吗？后来在执行阶段体会到了预实验的价值：第一批模拟讨论中，她发现很多参与者根本没有阅读同伴的长回复，同伴反馈深度这个变量的操控效果大打折扣。如果没有预实验，这个问题会直接带进正式实验，整个研究就废了。
5.4 开题报告初稿与迭代过程
最终导出的开题报告初稿包括：选题背景与研究意义、国内外研究现状与述评、研究内容与关键问题、研究方法与技术路线、研究计划与时间安排、预期成果与创新点、参考文献。A同学最满意的是“研究现状与述评”部分——系统并不是简单罗列文献，而是按照“行为研究的兴起—互动维度划分—认知投入测量方法—已有研究的不足”这个逻辑链条组织内容，每一段后面都明确标注了支持的文献线索。
当然，初稿不等于定稿。A同学对照系统提供的“内容溯源”标记，逐段核对了每一个论断，把几处她不认同的表述修改掉了，又补充了导师建议新增的两个比较视角。整个迭代过程大约花了三四个晚上，但从阅读体验来看，这版开题报告的完整度和逻辑性已经远超她自己从零开始写的第一版。
6. 踩坑与避坑：开发和使用这类工具必须注意的细节
6.1 提示词中的“假性精确”问题
开发过程中踩过最深的一个坑是：模型的回答看似非常精确，但实际上是“说的越多、错的越离谱”。尤其在生成研究现状部分，模型经常自信地引用“某学者（某年）提出了某种理论”，我们核对后发现相当一部分是虚构的。
这个问题单靠提示词无法完全消除，我们后来加了两道防线：一是在提示词中明确要求“只能引用常识性、公认的研究结论，不做具体文献引用；如需引用，请用占位符表示”，把虚构引文扼杀在源头；二是在输出界面标注“文献引用需要人工核实”，并提供一个“一键生成检索式”功能，帮用户根据描述的主题生成用于真实数据库检索的关键词组合。这样既发挥了模型在归纳研究主题上的优势，又不让它越权代替文献数据库。
6.2 研究价值评估的偏差
模型对研究价值的判断往往偏向“理论价值”，经常推荐一些纯理论导向的题目，不太在意工程实现难度或数据获取难度。我们在后期的排序准则中大幅提高了“可操作性”的权重，并把“数据可得性”拆分为细粒度问题：目标群体是否可接触？数据是否公开？实验环境是否需要特殊设备？如果这些指标中有两项以上不满足，即使价值评分很高，系统也会给一个醒目提示，建议用户慎重。
对于研究新手来说，我通常建议一个原则：如果系统提示的可行性和资源限制与你自己的判断差距较大，优先信任系统对文献结构和方法匹配的推断，但数据可得性方面以你自己的实际调研为准。系统无法知道你在哪个学校、什么资源条件下做研究，这部分判断终究还是要回到研究者自己手里。
6.3 开题报告模板的“伪适配”
最初做成果导出功能时，我们收集了各种模板，试图做一个“格式万能适配器”。后来发现不同高校、不同学科对开题报告的要求差异极大，统一模板反而让用户需要花费大量时间修改格式，体验很差。
最终我们改变了策略：导出的报告统一采用通用学术结构，并提供章节模板编辑接口，用户可以按自己学校的要求调整章节名称和顺序；更重要的是，我们在报告中给每个章节加了“生成依据”说明，方便用户裁剪或重写。与其去猜每个学校的具体模板，不如让用户自己上传模板，系统再按模板结构完成内容映射。目前这个方案仍在迭代中，也是我们下一步最想完善的方向。
6.4 过度依赖推荐导致的同质化风险
还有一个不容回避的问题：如果大量学生用同一个导航工具做开题，会不会导致选题千篇一律，失去多样性？
这个担忧是合理的。为了缓解这个问题，我们在候选问题生成阶段引入了一项“多样性约束”：系统在一次交互中不会重复推荐与前一轮结构高度相似的问题，在提示词层面也要求模型从不同理论视角来生成候选。更彻底的办法是在输入端让用户输入更多个人化的经验、观察、社会事件或实践场景。一个对“在线教育互动”有自己真实观察和困惑的学生，与一个只输入一个宽泛方向的学生，生成的问题质量有本质差别。说到底，工具只能放大输入的信息质量，它没法无中生有。
7. 实践经验与后续发展
设计并落地这个开题导航工具，最大的收获是：真正好用的学术辅助工具，不是把写作过程包办掉，而是让人在每一步都看懂、想明白，再选择。很多用户第一次使用时会觉得系统“啰嗦”——为什么不能直接给我一个题目？但用过一轮之后，大多会理解，开题决策需要的正是这种节奏，每一步慢一点，后面写论文时反而快很多。
第二次迭代中，我计划加入两个扩展方向。一个是“过程记忆”功能，让每个研究项目在被保存后，持续记录用户在文献阅读、实验阶段产生的想法碎片，等论文写到讨论章节时，系统能把早期的灵感重新唤醒，辅助生成有深度的讨论内容。另一个是“组会模拟”模块，让系统扮演多位虚拟评审人，对开题方案从不同角度质询，帮助提升研究设计的稳健度。
7.1 给你的小建议：大多数情况从“问题验证”开始
如果你打算用类似方法帮助自己的开题决策，我的建议是：不要急着让AI帮你生成题目，甚至不要急着看候选问题列表。可以先设置一个“问题验证”环节——把你脑子里已有的想法写出来，让系统帮你判断：这个想法是一个描述性话题，还是一个关系性、可检验的问题？这个判断比选题本身更重要。
许多论文最终做不下去，不是在写作阶段崩盘的，而是在开题时问题就没有定义好。导航工具运转到现阶段，我见过太多人因为盲目追求热门议题而忽略问题的可操作性，见过太多人因为文献综述与问题错位，导致开题报告像一篇漂亮的文献阅读报告而不是一个研究方案。这些问题的解法从来没有变过：先找好问题，再谈方法，最后论技术。
提示：使用任何AI辅助工具生成的研究题目、方法和计划，都必须经过研究者的独立思考和专业判断，并参照所在机构的学术规范完成审阅流程。AI可以是强大的思维辅助，但不能替代研究者在学术诚信上的责任。
一些同学问这个工具能不能“直接通过开题答辩”，这个问题很多时候问错了。工具的价值不在让你一劳永逸，而在于把“无法下手”变成“有一条可以试错的路”。我最后想说的体会是：最有价值的导航，不是把终点画给你，而是让你确信自己可以沿着一个方向走通它。
