在不同项目的反复尝试中，我逐渐形成了与 AI 协作的方法
在乙方研究工作中，我需要在有限时间内完成研究执行与交付。但不同项目的业务背景和合作方要求各不相同，在一个项目中有效的研究工作流，往往很难直接复用到下一个项目。
在尝试用 AI 提高研究执行效率的过程中，我也一直尝试把有效的做法整理成可以复用的能力。在不断尝试和调整的过程中，围绕研究任务组织人机分工与协作，逐渐成为我使用 AI 的核心能力。我积累的不仅是具体任务的 Prompt，也包括怎样安排 AI 的工作、在分析中持续作出判断，以及维护能够接续的项目上下文。以下是这些实践中逐渐形成的四项协作原则。
理解 AI 的不同用法，为研究任务组合合适的执行方式
我平时会持续关注 AI 能力的发展，了解新的工具和使用方式，也会思考它们能用来解决研究中的什么问题。在实际使用中，我逐渐积累了对不同方式适用场景与限制的理解。这让我面对新的研究需求时，能够根据任务要求选择和组合做法。
在一项持续推进的研究项目中（下称项目A），我需要独自完成大量访谈材料的编码。我先引入定性研究 Skill 作为参考，让 AI 阅读访谈记录，形成初步的编码维度；再通过 Claude Code，围绕项目文件夹里的访谈原文和编码维度开展整理，输出包含细颗粒度摘要、对应原话与编码的表格。
为了方便自己阅读和调整，我将初步结果放到飞书多维表格中复核，再让 Claude Code 通过飞书 CLI 读取修改后的内容，与我继续讨论后续分析。
不同工具在这里承担不同作用，共同支持从材料整理到人工复核、再到继续分析的工作。
以研究证据为依据，审慎采用 AI 的判断
我了解 AI 在处理材料和生成内容时存在局限，可能生成看似合理却缺乏依据的内容，因此对它给出的结果始终保持谨慎。这种认识让我在协作中坚持两件事：
- 要求输出有据可查。让 AI 在提供摘要、分类或结论时，同时保留对应的原始出处，使后续检查能够回到具体材料。
- 对完整输出进行人工复核。结合研究目标和原始材料，检查内容与分析是否合理，经过必要的修改后，再决定怎样使用。
在项目A的编码工作中，我把复核放在两个位置：初步维度形成后，检查它是否适合研究目标，并结合实际编码效果继续调整；逐场编码完成后，在飞书多维表格中对照原话，检查摘要和标签并作出修改。我要求摘要、编码与对应原话一同输出，为这些检查提供依据。
以项目文件组织持续协作，维护 AI 对话上下文
最初，我更多是在某个具体任务中使用 AI。但随着它参与的工作越来越多，我发现，零散的对话不足以支持一个持续推进的研究项目。每次开启新对话，我都需要重新介绍背景和进度，再把前面形成的结果带进来。已经完成的工作，很难自然地接上下一轮讨论。
在最近的项目A中，我开始用一个持续维护的项目文件夹，集中管理研究材料和输出结果。它既帮助 AI 理解项目，也保存我们在执行过程中逐步形成的积累。其中，项目说明记录背景、目标、关键共识和当前进展；原始材料与阶段成果则分类保存，供后续任务查阅和使用。
每次开启新对话，我先让 AI 阅读项目说明，了解当前情况，再根据任务查阅相关材料。例如，继续分析时，可以读取已有的编码结果和阶段判断，在此基础上讨论，而不必重新从原始材料开始。新的输出和调整也会继续保存到项目文件中，成为下一轮协作的输入。
这样，项目的背景、成果和进展就能够跨对话接续。我减少了反复介绍和搬运材料的工作，AI 也能结合此前积累参与当前任务。对我来说，维护这些文件已经成为人机协作的一部分，让每次执行留下的成果能够支持后续研究。
沉淀可以复用的做法，为不同项目保留调整空间
不同项目很难完全沿用同一套研究工作流，但其中一些具体任务与使用经验可以积累下来。因此，我会把实践中有效的 Prompt 和使用方法整理下来，同时说明它们怎样构建、需要调整什么，以及使用时要注意哪些问题，让后续使用者能够根据自己的研究需要修改。
在 OPPO 屏显项目结束后，我向团队分享了 AI 辅助访谈整理的实践，并提供了具体的访谈小结 Prompt。同事可以修改其中与项目相关的内容，再用于其他研究。我也整理了 Prompt 的构建方式，介绍怎样向 AI 说明任务背景和目标、根据输出效果反复调整，以及怎样将结果整理成访谈小结汇总表。
分享中，我还说明了 AI 输出容易遗漏哪些细节、哪些内容需要回查原始记录。可复用的积累既包括任务指令，也包括使用这些指令时需要作出的判断。