Harness Research |

Harness Research：AI驱动的科研入门和进阶

Tue, 18 Aug 2026 00:00:00 +0000

Quote

Harness Research = Harness Engineering + Research Workflow

以驾驭工程的方法论构建科研 Agent 的完整运行环境，让 LLM 在约束、工具和反馈回路的支撑下，可靠地完成从文献检索到论文撰写的科研全流程。

系列简介

Harness Research（HR） 是一套面向科研人员的 AI 系列教程，共 3 讲。它基于 Harness Engineering（驾驭工程） 理念——不优化模型本身，而是通过环境设计、规则约束和执行机制，让 AI 的输出稳定、可预期。

本系列覆盖科研全流程的两大核心环节：文献工作（检索与综述）与统计分析（通用工作流与护理协作），并配有完整的工具配置指南。每讲内部按"入门 → 进阶"组织，无论你是零编程基础的临床护士，还是希望提升科研效率的研究生，都能循序渐进。

学习路径

flowchart LR A[第1讲导论与工具配置] --> B[第2讲文献检索与综述] B --> C[第3讲统计分析]

各讲导航

标题	定位	核心内容
导论与工具配置	基础	Harness Engineering 理念、Trae 选型、MCP 与 Skill 检索配置
文献检索与综述	入门→进阶	AI 自动化 PubMed 检索、PICO 原则、Agent 工作流、综述撰写实战
统计分析	入门→进阶	通用九步 AI 分析工作流、人机协作"评估-执行"模型、六步协作流程

前置要求

零基础友好：本系列面向非技术背景的护理科研人员，无需编程基础
必备工具：一台电脑 + 网络环境 + 一个 AI 编程工具（推荐 Trae，免费）
建议顺序：按第1讲到第3讲的顺序学习，每讲末尾的课后练习建议动手完成

如何学习本系列

先看导览：通读本页，了解系列全貌与学习路径
逐讲学习：按顺序完成各讲，重点动手实操（配置工具、跑通流程）
善用追问：系列中反复强调的"追问技巧"是 AI 协作的核心，遇到不懂的术语立即让 AI 用临床场景类比解释
交叉引用：各讲之间相互引用，遇到前置概念可跳转回对应讲次复习

Yield Nursing Logic, Optimized.

Harness Research 第1讲：导论与工具配置

Mon, 17 Aug 2026 00:00:00 +0000

Quote

Harness Research = Harness Engineering + Research Workflow

以驾驭工程的方法论构建科研 Agent 的完整运行环境，让 LLM 在约束、工具和反馈回路的支撑下，可靠地完成科研全流程。

系列导览

Harness Research 系列共 3 讲，从 Harness Engineering 理念出发，逐步构建 AI 驱动的科研工作流：

（本讲）——理解 Harness Engineering 理念，完成 Trae 中 MCP 与 Skill 的检索和配置
——从自动化检索到 AI 综述的完整文献工作流
——从通用分析工作流到护理场景的人机协作

本讲（第1讲）是整个系列的起点，聚焦"环境搭建"：理解核心概念、完成工具选型、配置科研所需的 MCP 与 Skill，为后续各讲的实操打下基础。

flowchart LR A[第1讲导论与工具配置] --> B[第2讲文献检索与综述] B --> C[第3讲统计分析]

想了解系列全貌与学习路径，请查看。

1. 课程介绍

这个系列课程基于 Harness Engineering 的理念去完成科研任务，取名为 Harness Research (HR)。

核心定义

Harness Engineering（驾驭工程） 指的是除 AI 模型本身之外，支撑 Agent 完成生产任务的全部基础设施与工程体系。

核心公式：Agent = LLM + Harness

其中 Harness 包括：

系统提示词
工具调用
文件系统
沙箱环境
编排逻辑
反馈回路
约束机制

它不优化模型能力，而是通过环境设计、规则约束和执行机制，让 AI 的输出稳定、可预期。

类比理解

操作系统与 CPU：Harness 之于 Model，如同操作系统之于 CPU——无论 CPU 多强大，如果操作系统频繁崩溃，实际体验依然很差。

马与缰绳：Model 是马，Harness 是缰绳和马鞍，工程师是骑手——马有力量但没有方向，缰绳将力量引导为可控的行进。

关键洞察

OpenAI 实验表明，使用相同模型、相同数据和相同提示，仅改变运行时环境（即 Harness），编程基准测试成功率可从 42% 跃升至 78%。

模型能力往往不是瓶颈，Harness 的设计质量才是决定性因素。

2. 为什么选择 Trae

当前主流的 AI 编程工具有几种形态：命令行（如 Claude Code）、IDE 集成（如 Cursor/Windsurf）、独立客户端（如 Codex）。

Trae 的选择理由

对比维度	Trae 的优势
vs Claude Code	有可视化面板，文件编辑、终端输出、MCP 调用结果都可以直接看到，对非程序员更友好
vs Codex	可以更清晰地了解每个文件的状态，方便追踪科研产出
vs Cursor/Windsurf	对中文用户更加友好，界面和交互更符合国内用户习惯
扩展机制	同时支持 MCP 和 Skill 两种扩展机制，生态兼容性好

简言之：Trae 在"功能完整"和"上手简单"之间找到了较好的平衡点，适合作为科研人员构建 Harness 的起点。第3讲将以护理统计协作为例，展示如何将这套工作流落地到团队协作中。

3. Trae 的能力边界

Trae 提供了大脑 LLM 和执行环境，但它主要是用来进行编程的。它提供了基本的 txt、md 等文本文件读写，以及代码文件的读写、运行、debug 等环境。

核心逻辑

一切需要在屏幕前解决的工作（电脑解决的问题），都可以使用编程的方式进行处理。

因为编程可以操作电脑，而 Trae 等工具提供了 AI 进行编程的能力，所以 AI 理论上可以解决电脑能够解决的任何问题。

科研工作大部分是在电脑上完成的，故而 AI 可以帮助完成科研工作。其中统计分析等环节的自动化工作流，将在第3讲中详细演示。

为什么需要 Harness

虽然有了大脑和环境，但如果没有对 AI 的约束和指导，AI 就如同一匹脱缰的野马，输出是随机的、不稳定的，甚至南辕北辙。

这就是为什么我们需要 Harness——通过工具、约束和反馈回路来引导 AI 的行为。

4. Trae 上下文的组成

一个关键前提：AI 没有记忆

LLM 本身是无状态的（stateless）——它不存储任何对话历史，每次请求都从零开始。

你在 ChatGPT/Claude/Trae 中感受到的"记忆"，其实是应用层在每次发送新消息时，将之前所有对话历史（系统提示 + 历史消息 + 你的新问题）重新组装成一个完整的输入发给模型。

类比：就像跟一个失忆的人说话，但你每次都先把之前的聊天记录念给他听——他不是记住了，而是刚读完。

这意味着什么

对话越长，每次发送的 token 越多，成本越高、速度越慢
当对话超出上下文窗口限制时，最早的内容会被截断，AI 就"忘了"
上下文的质量直接决定了 AI 的输出质量——这就是为什么我们需要精心管理上下文

上下文的组成

上下文（Context）就是每次组装给 AI 的全部"背景资料"。Trae 通过 # 符号在对话中引用上下文，分为两大类：

项目内上下文（IDE 内的信息）

类型	说明
当前编辑器文件	AI 默认能看到当前打开的文件，无需手动添加
终端输出	选中的终端输出可作为上下文（如报错信息）
#Code	引用特定函数、类或代码片段
#File	引用整个文件的内容
#Folder	引用整个文件夹的内容（依赖代码索引）
#Workspace	引用整个工作空间，AI 自动检索最相关内容（依赖代码索引）

外部上下文（IDE 外的信息）

类型	说明
#Doc	上传个人文档集（支持 URL 抓取或本地 .md/.txt 文件），矢量化后本地存储
#Web	联网搜索或指定网页读取内容

辅助上下文

类型	说明
#Problems	引用"问题"面板的诊断信息
#Rule	引用项目级规则（如 `.trae/rules/` 下的文件）
#Past Chats	引用历史对话内容

科研场景中的典型用法：用 #Doc 上传领域知识文档，用 #Web 检索最新文献信息，用 #Folder 引用项目代码——这些组合让 AI 具备科研所需的领域背景。

5. Trae 功能的扩展

我们需要给 LLM 配置可以进行科研工作的"眼睛"和"手"。目前最需要配置的就是科研相关的 MCP 和 Skill。

检索渠道

技能检索网站：（按 stars 排序，优先选择高星 + 近期更新的项目）
GitHub：搜索 “MCP server” 或 “claude skills” + 关键词，按 stars 排序

名称	Stars	功能
paper-search-mcp	1.9k	20+ 学术源检索（arXiv/PubMed/bioRxiv/Semantic Scholar），免费无需 API key
zotero-mcp	1.6k	连接 Zotero 文献库，支持语义搜索、PDF 标注提取、引用分析
scholar-sidekick	-	引用格式化（APA/IEEE 等 10000+ 样式）、文献验证（检测 AI 伪造引用）、撤稿检查

名称	Stars	功能	来源
AcademicForge	-	学术写作技能整合包（类似 Minecraft Forge 模组加载器），集成 247+ 个科研 Skills：scientific-agent-skills（133 个，覆盖 15+ 学科）/ AI-research-SKILLs（82 个，AI 研究方向）/ paper-polish-workflow（论文翻译润色审稿）/ humanizer-zh（中文去 AI 味）/ scientific-visualization（出版级图表）。支持在线选配站按需安装，Trae 友好
medical-research-skills	-	550+ 医学研究专用 Skills，覆盖四大领域：Evidence Insights（文献检索与证据图谱）/ Protocol Design（实验方案与统计设计）/ Data Analysis（R/Python 生信代码生成）/ Academic Writing（SCI 论文撰写与投稿）。专为生物医学研究设计，包含临床队列设计、生物标志物分析、Meta 分析等专业化流程

6. MCP + Skills 的检索和配置

详见实操环节。

教学目标

完成本讲学习后，你应该能够：

理解 Harness Engineering 的核心概念：能够解释 Agent = LLM + Harness 的含义，区分 Model 与 Harness 的职责边界
理解 HR（Harness Research）的定位：知道如何将驾驭工程的理念应用于科研场景，明白"给 LLM 配置科研的眼睛和手"的含义
掌握 Trae 中 MCP 和 Skill 的检索与配置方法：能够独立在 skillsmp.com 等平台检索所需工具，并在 Trae 中完成安装配置
完成科研基础工具链的搭建：成功配置 paper-search-mcp 和 academic-research-skills，并验证其可用性

课后练习

1. 概念理解

用自己的话解释"为什么同一模型，仅改变 Harness 设计，输出质量可以大幅提升"，并举一个具体的科研场景说明。

2. 工具检索

在和上搜索一个你研究领域的相关 MCP 或 Skill，记录其名称、功能描述、stars 数和最后更新时间。

3. MCP 实操配置

在 Trae 中完成 paper-search-mcp 的配置，使用它搜索一篇你研究方向的论文，截图搜索结果。

4. Skill 实操配置

在 Trae 中完成 academic-research-skills 的配置，尝试使用 deep-research 模块对你研究方向做一次快速文献调研。

5. 思考题

如果让你为 LLM 设计一个"科研 Harness"，除了文献检索和论文写作，还需要哪些工具或约束？列出至少 3 项并说明理由。（提示：可参考第3讲的统计分析工作流与护理统计协作场景。）

Yield Nursing Logic, Optimized.

Harness Research 第2讲：文献检索与综述

Sun, 16 Aug 2026 00:00:00 +0000

Quote

抛弃手工检索和低效整理，拥抱 AI 驱动的文献工作流。

让非技术背景的护理人员也能快速完成文献调研和综述初稿，打破技术壁垒。

系列导览

Harness Research 系列共 3 讲，从 Harness Engineering 理念出发，逐步构建 AI 驱动的科研工作流：

——理解 Harness Engineering 理念，完成 Trae 中 MCP 与 Skill 的检索和配置
（本讲）——从自动化检索到 AI 综述的完整文献工作流
——从通用分析工作流到护理场景的人机协作

本讲（第2讲）覆盖科研的文献环节，分为两部分：第一部分是入门——AI 自动化文献检索，面向零编程基础的护士；第二部分是进阶——AI 文献综述，理解 Agent 工作流并完成从选题到综述初稿的完整流程。

想了解系列全貌与学习路径，请查看。

第一部分：文献检索自动化（入门）

教程简介

在日常繁重的临床护理工作中，你是否常常因为查找科研文献而感到头疼？

想了解最新的压疮护理进展，PubMed 检索结果却成百上千，无从下手？
需要撰写护理综述，但收集和整理文献耗费了大量休息时间？
听说 AI 很强大，但觉得自己不懂电脑技术，无法使用？

本部分将介绍一套自动化文献检索工具的执行原理。通过本部分，你将了解到 AI 如何变身为你的科研助手，帮你快速构建专属的专业知识库。

为什么要用 AI 辅助检索？

传统方式 vs AI 辅助方式

不仅是速度的提升，更是工作方式的革新。

工作环节	传统人工检索	AI 自动化检索
关键词	需要自己反复尝试不同的词组合	AI 帮助构建专业的 MeSH 主题词检索式
筛选	逐条阅读标题和摘要，眼睛疲劳	计算机自动批量下载并整理
整理	手动复制粘贴到 Word 或 Excel	自动生成包含摘要、标题的汇总表格和文档
效率	检索 30 篇文献可能需要几小时	仅需几分钟

它的核心原理

你可以把这个工具想象成一个极其听话且速度极快的图书管理员。

graph TD A["护士: 提出临床问题"] --> B["转化需求"] B --> C{"AI: 构建检索策略 (PICO)"} C --> D["PubMed 数据库"] D --> E["自动筛选 & 下载"] E --> F["自动去重 & 整理"] F --> G["生成汇总报告"] style A fill:#e0f2fe,stroke:#0ea5e9 style C fill:#dcfce7,stroke:#10b981 style G fill:#f3e8ff,stroke:#a855f7

你下达指令：告诉它你想找什么（例如：“近 5 年关于老年痴呆患者防跌倒的护理研究”）。
翻译需求：工具会将你的自然语言需求，转化为 PubMed 数据库能听懂的专业检索语言（PICO 原则 + MeSH 主题词）。
自动跑腿：工具自动连接到 PubMed 数据库，把符合条件的书目全部"借"出来。
整理汇报：它会自动去除重复的条目，把摘要、作者、标题整理成一份整洁的报告交给你。

准备工作

在使用这套工具前，你只需要准备好以下几样东西：

一台电脑：Windows 系统即可。
网络环境：能够正常访问互联网。
AI 辅助编程工具（任选其一）：
- 基础环境：（必装）
- 推荐工具：
  - （字节跳动出品，免费好用）
  - （强大的 AI 代码编辑器）
  - + （开源组合）
  - （Google 深度赋能）
清晰的临床问题：这是最重要的！

工具的安装与 MCP/Skill 配置方法详见。

这里的"清晰问题"指什么？（自然语言描述）

AI 再聪明，也需要你告诉它想找什么。你完全可以直接使用大白话（自然语言）描述你的需求，当然，如果你能参考 PICO 原则会更精准：

自然语言模式：“帮我找一下最近 3 年关于老年痴呆患者防跌倒的综述文章。”
PICO 模式（可选，更精准）：
- P (Patient)：ICU 机械通气患者
- I (Intervention)：集束化护理策略
- C (Comparison)：常规护理
- O (Outcome)：VAP 发生率

操作流程全解

整个过程分为简单的三个步骤：提问 → 执行 → 收获。

第1步：明确你的需求

这是唯一需要你动脑的步骤。你不需要去学习复杂的检索语法，只需要把你的临床问题整理清楚。

简单粗暴：“我要找近 3 年关于…的综述”
稍微详细：“检索关于…的对比研究，看看 A 疗法是否优于 B 疗法”

第2步：运行自动化工具

在演示视频中，我会演示如何打开那个黑色的窗口（终端），输入一行简单的指令。

这行指令告诉电脑：

“嘿，AI，这是我的需求 [你的自然语言描述]，帮我搞定它。”

按下回车键后，你就可以喝口水休息一下了。屏幕上会滚动显示它正在为你下载的内容。

第3步：查看与应用结果

片刻之后，工具会在文件夹里为你生成三份文件：

标题索引列表：让你像看目录一样快速浏览所有抓取到的文献标题。
摘要汇总文档：每一篇文献的详细摘要都排好版了，方便你深度阅读。
本地数据库：一份包含所有详细信息的表格，方便后续做统计分析。

实用技巧

循环互动：第一次尝试时，可以先让它抓取 10-20 篇文献，看看结果是否符合你的预期。如果不符合，可以根据反馈调整需求，再次运行工具。
自动清洗：工具内置了智能清洗功能，会自动帮你去除重复和噪音文献，并自动评估检索结果的丰富度，确保你拿到的是最"干货"的数据。
善用翻译：生成的文档都是英文的，你可以直接配合浏览器的沉浸式翻译插件，或者复制到翻译软件中快速阅读。

配套视频演示

本部分配套一段实操演示视频，展示完整的自动化检索过程。

高清视频请点击：

第二部分：AI 文献综述（进阶）

文献检索：科研活动的基石

文献检索是科研的"导航仪"

任何一项有价值的研究，都建立在前人知识积累的基础之上。文献检索的核心价值：

避免重复劳动：确保你的研究不是在做别人已经完成的工作
把握研究前沿：了解该领域最新进展、热点方向和未解之谜
构建理论框架：为你的研究提供坚实的理论支撑和方法学参考
发现研究空白：在海量文献中找到尚未被充分探索的领域

【通俗类比】：如果把科研比作航海，文献检索就是你的导航仪。没有导航仪，你可能会在茫茫大海中漫无目的地漂泊；有了导航仪，你才能精准定位，驶向知识的"新大陆"。

文献检索贯穿科研全生命周期

科研阶段	文献检索的目的	检索策略
选题阶段	发现研究空白，确定研究方向	广泛检索，了解领域全貌
论证阶段	验证选题的科学性和可行性	精准检索，聚焦核心问题
设计阶段	确定研究方法、工具和量表	方法学检索，参考成熟方案
写作阶段	支撑论点，对比讨论结果	针对性检索，补充关键文献
投稿阶段	选择合适期刊，了解发表趋势	期刊文献计量分析

科研选题与文献检索的螺旋关系

科研选题和文献检索之间存在螺旋上升的互动关系。

从临床经验到研究概念

【护理案例】：假设你是一名儿童外科护士。你发现——低龄儿童的疼痛评估非常困难。因为低龄儿童语言表达能力尚未发育完全，无法通过自我报告来描述疼痛，往往只能通过哭闹、面部表情变化、肢体抗拒等行为来间接表达，评估完全依赖护士的主观判断。这种主观性导致不同护士的评估结果可能存在较大差异，进而影响镇痛方案的制定。

经过提炼，形成研究概念：

“无法自我报告的儿童疼痛客观评估方法研究”

第一轮文献检索：探索现有方法

有了概念之后，进行第一次文献检索，了解目前学界已经有哪些解决方案。

检索策略可能包括：

关键词：低龄儿童疼痛评估、客观指标、生理参数、行为量表
检索数据库：PubMed、CINAHL、CNKI

检索结果可能会告诉你，目前针对无法自我报告的儿童，已有以下评估方法：

行为观察量表：如 FLACC 量表、NIPS（新生儿婴儿疼痛量表），由护士观察儿童的面部表情、肢体活动、哭闹、可安慰性等指标进行评分。这是目前临床应用最广泛的方法，但高度依赖评估者的主观判断
生理参数监测：如心率变异性（HRV）分析、NIPE 指数监测仪，通过自主神经系统反应间接评估疼痛，但易受其他因素（如发热、药物）干扰
新兴技术：近红外光谱（NIRS）监测大脑反应、计算机视觉自动识别疼痛表情等前沿方法正在发展中

第一轮检索的核心目的：了解"别人已经做了什么"，找到研究空白（Research Gap）。

确定初步选题

通过第一轮检索，你可能会发现：

传统行为观察量表临床应用成熟，但仍依赖评估者的主观判断，不同评估者之间可能存在较大差异
心率变异性（HRV）等生理参数监测在婴儿群体中已有应用，但在儿童中的验证研究较少
计算机视觉自动识别疼痛表情在成人实验室研究中已有初步成果，但在儿童群体中的应用文献极少，仍处于快速发展阶段

基于这些发现，初步确定选题方向：

“基于面部表情分析的儿童疼痛客观评估方法研究”

第二轮文献检索：论证选题的科学性与可行性

论证维度	核心问题	检索内容
科学性	这个选题有理论依据吗？	面部表情与疼痛反应的关联研究
可行性	技术/工具是否可用？	开源面部识别框架、疼痛表情数据集
人群验证	目标人群是否适用？	低龄儿童面部表情特征与成人的差异
方法学	测量方法是否完备？	深度学习模型训练流程、准确率评估指标

第二轮检索的核心目的：验证"这个选题能不能做、值不值得做"。

【延伸思考】：在论证选题可行性的过程中，你可能会发现表中的每一个问题本身都可以是一个独立的研究方向。例如：

“儿童面部表情特征与成人的差异” → 可以单独做一篇儿童疼痛表情特征分析的论文

“不同护士对同一疼痛表情的评估一致性” → 可以写一篇疼痛评估者间信度研究

“不同光线/角度对面部表情识别准确率的影响” → 可以写成技术条件优化的研究

科研选题不一定要做一个大而全的系统，把一个具体问题研究透彻，同样有价值。

文献检索驱动选题的完整闭环

graph TD A["临床经验/困惑"] --> B["提炼研究概念"] B --> C["第一轮广泛检索"] C --> D["了解领域现状"] D --> E["发现研究空白"] E --> F["确定初步选题"] F --> G["第二轮精准检索"] G --> H["论证科学性、可行性"] H --> I["最终确定选题（或调整方向）"] I --> J["进入研究设计阶段"] style A fill:#e0f2fe,stroke:#0ea5e9 style E fill:#fef3c7,stroke:#f59e0b style I fill:#dcfce7,stroke:#10b981

【关键洞察】：文献检索不是一次性的任务，而是一个迭代过程。每一次检索都会加深你对研究领域的理解，每一次理解都会反过来优化你的检索策略。

AI 工具的演进逻辑：从"孤立的大脑"到"全能助手"

文献检索如此重要，但传统方式做起来费时费力。AI 的出现，正是为了解决这些痛点。 但在这之前，我们需要先理解 AI 到底进化到了什么程度。

在这里，我们所指的"AI"是狭义的 LLM（大语言模型，Large Language Model）。

LLM 的更新速度极快，应用产品几乎以月为单位迭代。有个段子说：“在 AI 时代，最好的应对办法就是不学习，因为你辛苦学到的东西可能一个月后就过时了。”

但是，不能因为 AI 产品迭代快就放弃学习 AI，反而要积极拥抱 AI，了解 AI 的底层逻辑，你才能判断哪些知识值得深入学习、哪些只是昙花一现的表面应用。目前来说，首先要学习的是 LLM 的基础知识（LLM 原理、工具调用、Agent 架构）。无论产品形态如何变化，底层逻辑不会变。

第一层：LLM 的本质 —— 只有算力的"孤立大脑"

LLM 的底层逻辑是一个概率模型——它通过前面的文字，去预测下一个最可能出现的文字。

【通俗举例】：就像手机输入法里的"联想词"。当你输入"白日依山"，AI 会计算出下一个字是"尽"的概率最高。当这种计算规模达到千亿级别，并经过海量人类知识的训练，它就"涌现"出了类似人类的理解和推理能力。

【局限与痛点】：这个大脑非常聪明，但它是"孤立"的。知识停留在被训练的那一天，无法获取最新文献，也没有眼睛和手脚。为了解决这个问题，我们进入了第二层。

第二层：工具调用（Tool Calling）—— 给大脑装上"手脚"

开发者给 LLM 制定了一套"接头暗号"，让它能够指挥外部程序，这就是工具调用。

【通俗举例】：你问 AI"帮我查一下昨天刚发表的 Nature 封面文章"，单纯的大脑不知道。但我们给它配了一部"对讲机"。AI 收到问题后输出暗号：“呼叫网页搜索工具，检索昨日 Nature 封面”。外部工具执行检索后，把内容传回给 AI，AI 再把冰冷的数据组织成流畅的语言告诉你。

【关于 MCP 和 Skills】：你可能听过这些概念。MCP 本质上是工具调用的标准化接口，让 AI 能够以更统一的方式调用外部服务。Skills 则是将常用工作流封装为可复用的技能包。它们都是工具调用生态的延伸，让工具调用更规范、更易用。

【局限与痛点】：有了工具，AI 终于能获取新知识了。但它仍像"算盘"——你拨一下，它动一下。要写一篇完整的文献综述，你依然需要一步步下达指令。能不能让它自己规划？于是我们来到了第三层。

第三层：从"被动执行"到"主动规划"

人类使用 AI 的方式经历了一条清晰的进阶之路：

提示词工程 (Prompt Engineering)：靠"念咒"，指令写得越精细，AI 干得越好。

核心组件：角色设定 (Role) → 背景信息 (Context) → 具体任务 (Task) → 输出格式 (Format)
上下文工程 / RAG (Context Engineering)：主动把 PDF 论文"喂"给 AI，让它基于资料回答。这叫"开卷考试"。
Agent (智能体)：这是质的飞跃！AI 不再是被动工具，变成了拥有"规划和执行能力"的数字员工。你只需说一句：“帮我综述一下低龄儿童疼痛评估的最新进展。“它会自主决定：先搜文献 → 再读摘要 → 最后写综述。

Agent（智能体）与文献综述的结合

Agent 核心公式拆解

从"大脑"到"手脚"再到"主动规划”，最终汇聚成了当前 AI 时代的核心概念——Agent（智能体）。

Agent = LLM（大脑） + 规划与记忆（笔记本） + 工具箱（手脚/Tool Calling）

组件	类比	在 Trae 中的实现
LLM（大脑）	思考和推理能力	在 Trae 设置中选择模型（如 GPT、Claude、Qwen 等）
规划与记忆（笔记本）	记录任务进度和上下文	对话历史 + 项目文件夹 + 规则文件（.trae/rules）
工具箱（手脚/Tool Calling）	连接外部世界的能力	MCP Server、Skills 配置（学术搜索、文件读写、浏览器自动化等）

规划与记忆：Agent 的"笔记本”

Agent 的"笔记本"负责记录任务进度和上下文信息。在 Trae 中，这主要通过以下方式实现：

对话历史：保持对话的连贯性，让 Agent 记住之前的讨论内容
项目上下文：将文献、笔记、大纲等文件放在同一目录下，Agent 会自动读取这些文件作为上下文
规则文件（.trae/rules）：定义项目级别的规则，指导 Agent 的行为模式

工具箱的扩展：MCP 和 Skills

MCP 本质上是工具调用（Tool Calling）的标准化接口。它让 AI 能够以更统一的方式调用外部服务。而 Skills 则是将常用的工作流封装为可复用的技能包。它们都是 Tool Calling 生态的延伸，而非独立的新层级。

【具体案例】：以医学文献检索为例，开发者做了一个 paper-search-mcp。你可以把它想象成一个专门插在 AI 上的"PubMed 数据库 U 盘"。有了它，AI 就能直接通过这个标准化接口，连接到学术数据库精准检索论文。

从被动到主动：Agent 自主规划流程

当你对 Agent 说："帮我写一篇关于’低龄儿童疼痛评估’的文献综述，并保存到桌面上。"

graph LR A["接收用户指令"] --> B["思考与规划"] B --> C["调用学术搜索工具"] C --> D["检索相关文献"] D --> E["对比、总结、提炼框架"] E --> F["调用文件写入工具"] F --> G["生成综述文件"] style A fill:#e0f2fe,stroke:#0ea5e9 style B fill:#fef3c7,stroke:#f59e0b style G fill:#dcfce7,stroke:#10b981

入门首选：开箱即用的 AI 综述工具

在进入 Trae + MCP 这类需要技术配置的"高阶方案"之前，并非所有 AI 辅助文献综述工具都需要编程基础。

工具类型	技术门槛	配置时间	适合场景
AMiner / Elicit / Gemini Deep Research	低（网页操作）	5分钟	快速了解领域、初步文献调研
Trae + MCP	高（需懂 JSON、API、Python）	1-2小时	深度定制、长期科研工作流

先学简单工具，再学复杂工具——这是让零基础研究者建立信心和直观体验的正确顺序。

AMiner：学术文献智能探索

AMiner（https://aminer.cn）是由清华大学唐杰教授团队开发的学术社交网络与分析平台，近年来集成了大模型能力，可以直接生成文献综述。

AI 综述生成：输入研究主题，自动检索相关论文并生成结构化综述
学者画像：帮你快速了解某领域的重要研究者
文献关联分析：可视化展示文献之间的引用关系

适用场景：当你对某个护理主题只有模糊方向时，AMiner 可以帮你快速建立领域全景图。

Elicit：专注文献综述的 AI 工具

Elicit（https://elicit.com）是专门为研究者设计的 AI 辅助文献综述工具。

智能文献检索：不只是关键词匹配，而是理解你的研究问题
文献摘要提取：自动提取每篇文献的研究目的、方法、结论、局限性
对比分析：将多篇文献并排对比，找出共识和分歧
研究问题生成：帮助你从文献中发现研究空白

适用场景：当你已经有了一个明确的研究问题，需要快速筛选和理解相关文献时。

Gemini Deep Research：Google 的深度研究助手

Gemini Deep Research 是 Google 在 Gemini 中集成的深度研究功能。开启 Deep Research 模式后，它会自主规划检索策略、浏览多个网页、整合信息，生成一份结构化的研究报告。

自主规划检索：不是简单匹配关键词，而是理解问题后制定检索策略
多源整合：自动访问多个信息源，包括学术数据库、新闻、技术文档
结构化报告：生成带有章节框架的研究报告

适用场景：当你需要对一个主题进行快速但全面的初步调研时，10-15 分钟即可完成过去需要几天才能做完的工作。

其他值得关注的工具

工具	特点	适用场景
	专门检索和理解学术论文，支持提取论文结论	快速确认某个观点是否有研究支撑
	AI 学术搜索，结合了文献检索和论文理解	深度学术调研，引用网络分析
	实时网络检索 + 引用追踪	追踪最新研究进展
	自动提取论文摘要、关键发现、局限性和未来方向	快速筛选大量文献

如何选择入门工具

建议的入门路径：

graph TD A["第一步：快速了解领域"] --> B["用 AMiner 或 Gemini Deep Research 生成领域全景"] B --> C["第二步：聚焦研究问题"] C --> D["用 Elicit 筛选高质量文献，提取关键信息"] D --> E["第三步：深度定制（可选）"] E --> F["当上述工具无法满足需求时，学习 Trae + MCP"] style A fill:#e0f2fe,stroke:#0ea5e9 style D fill:#dcfce7,stroke:#10b981 style F fill:#f3e8ff,stroke:#a855f7

选择建议：

时间紧迫、快速摸底：先用 Gemini Deep Research，10 分钟出结果
需要英文文献筛选：Elicit 是最专注的工具
想了解领域全貌和核心作者：AMiner 的可视化分析更强
护理领域中文文献：目前仍需结合 CNKI、万方，配合人工筛选

【重要提醒】：以上所有工具生成的内容都需要人工核实。AI 会存在幻觉，可能将不存在的文献、不准确的结论整合进输出中。护士研究者在使用这些工具时，必须以自己的专业判断作为最终把关。

实战演练：使用 AI 编程工具自动化完成文献综述

本节将以 Trae 为例，快速演示如何配置并使用 AI Agent 完成一篇完整的文献综述任务。

本节是"抛砖引玉"性质的快速演示。完整的工作流需要课后自行练习。

核心组件配置

在开始之前，我们需要为 Trae 配置以下核心组件。这些组件对应着 Agent 公式中的各个要素。Trae 的安装以及 MCP、Skills 的检索与配置方法，在中已有完整演示，这里直接进入文献综述场景。

大脑（LLM 模型）

大脑的质量直接决定任务执行的质量。目前国内外 LLM 的排名日新月异，大家可以前往查看最新排名。

从性价比角度，推荐的模型如下：

类别	推荐模型	特点
国内模型	GLM-5.1	中文理解能力强，适合中文文献处理
	Qwen-3.6-Plus	综合性能优异，推理能力强
	DeepSeek-V4	最新模型，代码和推理能力突出
国外模型	GPT-5.4	综合能力最强，工具调用稳定
	Gemini-3.1-Pro	长文本处理能力强，适合大量文献分析
	Claude Opus 4.7	推理和写作能力出色

【选择建议】：如果你的任务以中文文献为主，优先选择国内模型；如果需要检索英文数据库（如 PubMed），国外模型在英文理解上略有优势。

工具箱配置

工具箱是 Agent 的"手脚"，决定了它能做什么。对于文献综述任务，Trae 自带的工具调用能力包括：

网页搜索：用于检索互联网上的公开信息、新闻、博客等
文件读写：用于读取本地 PDF 文献、保存综述结果
浏览器自动化：用于访问学术数据库网站、下载文献摘要

如需检索学术数据库（如 PubMed、Semantic Scholar），则需要额外配置专门的 MCP 工具（如 paper-search-mcp）。更进一步，还可以配置网页自动化工具（如 playwright-cli），让 AI 能够模拟人类操作浏览器，完成更复杂的网页交互任务。

规划与记忆（上下文管理）

Agent 的"笔记本"负责记录任务进度和上下文信息。在 Trae 中，这主要通过以下方式实现：

对话历史：保持对话的连贯性，让 Agent 记住之前的讨论内容
项目上下文：将项目相关的文献、笔记、大纲等文件放在同一目录下，Agent 会自动读取这些文件作为上下文
规则文件（.trae/rules）：可以定义项目级别的规则，指导 Agent 的行为模式
智能体角色：Trae 支持创建专属的智能体角色，将角色设定（如"资深护理学研究者"）和常用工作流封装为一个可复用的智能体，直接省去每次输入提示词的麻烦

创建专属智能体角色

Trae 允许你创建专属的智能体角色，将角色设定和常用工作流封装为一个可复用的智能体。

操作方法：

在 Trae 的设置中找到"智能体"选项，点击创建新智能体。你可以直接用自然语言描述你期望的角色，Trae 会自动生成相应的系统提示词和配置。

护理研究智能体示例：

你可以创建一个专门用于护理科研的智能体角色，例如：

角色名称：护理科研助手
角色设定：你是一位资深的护理学研究者，擅长文献检索、整理、综述撰写等科研全流程工作。你熟悉 PubMed、CINAHL、CNKI 等数据库检索，理解护理学常见研究设计（RCT、量表编制、现象学研究等），能够根据用户的研究主题提供精准的文献检索和综述建议。
预设工作流：当用户提出文献综述任务时，自动执行"确定研究主题 → 文献检索 → 提取关键信息 → 生成综述大纲 → 逐章撰写"的标准流程。

这样，每次新建对话时只需选择这个智能体角色，就能省去重复输入角色设定的麻烦。

【跨界洞察】：你可能会疑惑——一个编程工具怎么能用来做护理科研？这要从底层逻辑说起。编程工具的本质是"写代码"，而代码是命令计算机工作的底层语言，也就是说，编程工具理论上可以操作计算机的一切。而科研活动（文献检索、数据分析、论文撰写）本质上都是在计算机上完成的。当 AI 能够帮助你操作计算机，这些工作对它来说就不在话下了。护理研究者不需要学习编程，只需要用自然语言描述你的需求，AI 就能帮你操控电脑完成科研任务。这才是 AI 编程工具能够参与所有科研活动的底层逻辑。

快速任务演示

任务目标：完成一篇关于"无法自我报告疼痛的低龄儿童疼痛评估工具与技术"的文献综述

步骤 1：创建项目文件夹

在本地创建一个文件夹，例如 c:\Users\YnLo\Desktop\non-verbal-pediatric-pain-assessment\

步骤 2：在 Trae 中打开项目

打开 Trae，选择"打开文件夹"，选择刚才创建的项目文件夹。

步骤 3：配置 MCP 工具

在 Trae 的设置中，添加以下学术搜索 MCP 配置（MCP 的检索与配置方法详见）：

{
 "mcpServers": {
 "paper-search-mcp": {
 "command": "python",
 "args": [
 "-m",
 "paper_search_mcp.server"
 ],
 "env": {
 "PAPER_SEARCH_MCP_UNPAYWALL_EMAIL": "czwziy@ynlo.top",
 "PAPER_SEARCH_MCP_CORE_API_KEY": "",
 "PAPER_SEARCH_MCP_SEMANTIC_SCHOLAR_API_KEY": "",
 "PAPER_SEARCH_MCP_ZENODO_ACCESS_TOKEN": "",
 "PAPER_SEARCH_MCP_GOOGLE_SCHOLAR_PROXY_URL": "",
 "PAPER_SEARCH_MCP_IEEE_API_KEY": "",
 "PAPER_SEARCH_MCP_ACM_API_KEY": ""
 }
 }
 }
}

步骤 4：输入任务指令

在 Trae 的对话框中输入以下提示词：

【占位符说明】：以下提示词中的 pediatric-pain-assessment 是论文核心词的英文缩写，请根据你的实际研究主题替换。例如：如果你的主题是"糖尿病足护理"，可以替换为 diabetic-foot-care。

# 角色设定
你是一位资深的护理学研究者，擅长撰写系统综述和Meta分析，对无法自我报告的儿童疼痛评估领域有深入的专业知识。

# 任务背景
我正在撰写一篇关于"无法自我报告的儿童疼痛评估"的文献综述，目标读者是临床护理研究者和护理专业研究生。综述需要做到字字有出处，所有观点和论点都必须有文献支撑。

# 执行流程
请严格按照以下流程执行，严禁一次性生成全文：
Step 1：开始之前，先和我进行头脑风暴以确定研究题目，过程中你可以使用MCP工具检索文献。
Step 2：根据研究题目，继续初步检索文献，并生成综述撰写大纲，保存为 `pediatric-pain-assessment/spec.md`。停止并和用户头脑风暴确定大纲，过程中可以继续检索文献。
Step 3：根据大纲制作详细的检索和撰写计划/步骤，保存为 `pediatric-pain-assessment/plan.md`。
Step 4：根据计划(plan.md)，按照"确定章节主题 → 检索相关文献 → 撰写该章节"的节奏，逐章完成
每完成一章后，简要汇报该章节的文献检索结果和核心观点，再继续下一章

# 检索要求
- 使用文献检索工具（如MCP）进行文献检索
- 检索近5年的相关文献
- 筛选高质量研究：优先选择系统综述、随机对照试验、技术验证研究
- 对每篇拟引用的文献，提取以下信息备用：
 * 摘要
 * 核心发现
 * 论文标识符，如doi/pmid

# 输出格式要求
- 使用 Markdown 格式
- 标题层级清晰（## 一级标题，### 二级标题，#### 三级标题）
- 关键信息使用表格或列表呈现
- 语言风格：学术、严谨、客观

# 绝对要求（必须遵守）
1. 严禁编造或使用不存在的文献，所有引用必须真实可查
2. 非常识性的观点和论点必须有文献引证
3. 引证格式：使用 `[@doi:xxx]`、`[@pmid:xxx]`、`[@arxiv:xxx]` 或 `[@title:xxx]` 格式，紧跟在被引证的句子后面
4. 同一观点/句子的引证文献以1篇为宜，最多不超过3篇
5. 如果某章节的文献检索结果不足，请如实说明，不要强行拼凑内容，可以使用"【待引证】"作为占位符
6. 文末**不需要**放置参考文献的列表

# 最终输出
将完整的综述保存为 `pediatric-pain-assessment/draft.md` 文件。

步骤 5：等待 Agent 执行

Agent 会按照提示词中定义的流程自主执行：

头脑风暴阶段：与你讨论并确定研究题目，期间会调用文献检索工具辅助决策

大纲生成阶段：根据确定的题目，初步检索文献后生成综述大纲，保存为 spec.md，等待你确认

计划制定阶段：根据确认的大纲，制作详细的检索和撰写计划，保存为 plan.md
逐章撰写阶段：按照计划，依次完成"确定章节主题 → 检索文献 → 撰写章节"的循环

文件保存：将完整的综述保存为 draft.md 文件

【操作提示】：在头脑风暴和大纲确认阶段，你可以随时提出修改意见，调整研究方向。这是确保综述质量的关键环节。

步骤 6：审阅和修改

Agent 完成后，打开生成的综述文件，进行人工审阅和修改。重点关注：

文献引用的准确性（逐一核对 [@doi:xxx] 是否真实存在）
逻辑结构的连贯性
专业术语的规范性
是否遗漏重要文献

【重要提醒】：AI Agent 是强大的辅助工具，但它仍然会存在幻觉，不能完全替代研究者的专业判断。最终的文献综述必须由研究者本人审阅、修改和负责。

进阶技巧

分步执行：对于复杂的综述任务，可以拆分为多个子任务，逐步完成
提供模板：如果你有特定的格式要求，可以提前准备好模板文件，让 Agent 按照模板填充内容
迭代优化：第一轮生成后，可以继续对话让 Agent 修改特定部分
文献管理：建议配合 Zotero、EndNote 等文献管理工具，建立个人文献库
配置自定义 Skills：在 Trae 中可以创建自定义 Skills，将常用的提示词模板、格式规范、期刊要求等封装为可复用的技能

从"快速了解领域"到"投稿级综述"

本讲演示的是一个快速入门的工作流，目的是帮助你在短时间内：

了解一个陌生领域的基本面貌
发现潜在的研究空白和选题方向
快速积累该领域的核心文献和关键概念

如果你希望完成一篇可以正式投稿的综述，还需要进行大量的后续工作：

后续工作	说明	所需工具/技能
论文结构精修	按照目标期刊的格式要求调整章节结构、字数限制、图表规范	期刊作者指南、LaTeX/Word 模板
撰文语气调整	确保学术语言的严谨性、客观性，避免 AI 生成的模板化表达	研究者本人的学术写作能力
参考文献列表生成	将 `[@doi:xxx]` 格式的引用转换为标准参考文献格式（APA、AMA、Vancouver 等）	Zotero + Better BibTeX、Pandoc
文献质量评价	对纳入文献进行方法学质量评价（如 Cochrane 偏倚风险评估工具）	PRISMA 指南、ROBINS-I 工具
图表制作	绘制 PRISMA 流程图、数据提取表、森林图等	R、Python、RevMan
多轮迭代修改	与 Agent 反复沟通，逐段打磨语言、补充遗漏文献、调整论证逻辑	更精细的提示词设计、自定义 Skills

【课程定位】：本部分是 AI 辅助撰写标准学术综述的前序课程。它起到抛砖引玉的作用，帮助你快速上手 AI 工具，体验从选题到生成初稿的完整流程。真正高质量的综述需要研究者投入大量时间，与 AI 深度协作，并配合专业的文献管理工具和方法学框架。

总结与展望

核心要点回顾

文献检索是科研的基石：它贯穿科研全生命周期，从选题到投稿，每一步都离不开高质量的文献检索
选题与检索的螺旋关系：临床经验 → 研究概念 → 文献检索 → 初步选题 → 再次检索论证 → 最终选题，这是一个迭代深化的过程
AI 工具的演进逻辑：从孤立的大脑（LLM）→ 装上手脚（Tool Calling）→ 主动规划（Agent），理解这个脉络有助于我们更好地使用 AI
从网页 Agent 到本地 Agent：本地 Agent 通过工具调用机制（如 MCP、Skills）连接专业数据库，能够实现完整的文献综述自动化工作流

AI 在护理科研中的未来展望

随着 AI 技术的持续发展，我们可以期待：

更智能的文献筛选：AI 将能够更精准地理解研究者的需求，自动筛选高质量文献
跨语言检索能力：打破语言壁垒，同时检索中英文文献，提供更全面的研究视角
自动化质量评价：自动评估文献的方法学质量，辅助系统综述和 Meta 分析
个性化研究助手：基于研究者的专业背景和兴趣，提供定制化的文献推荐和研究建议

给护理研究者的建议

保持批判性思维：AI 是工具，不是决策者。最终的学术判断必须由研究者本人做出
持续学习：AI 技术迭代迅速，保持开放心态，积极尝试新工具、新方法
重视基础能力：无论 AI 多么强大，扎实的科研方法论和文献检索基础始终不可或缺
伦理意识：使用 AI 辅助研究时，注意数据隐私、学术诚信等伦理问题

【结语】：AI 不会取代护理研究者，但善用 AI 的护理研究者将在这个时代获得显著优势。希望本讲能够帮助你开启 AI 辅助科研之旅，让技术为你的学术探索插上翅膀。

Yield Nursing Logic, Optimized.

Harness Research 第3讲：统计分析

Sat, 15 Aug 2026 00:00:00 +0000

Quote

抛弃繁琐的 SPSS 与 R 语言，拥抱通用高效的 AI 分析工作流。

让非统计学专业背景的护理人员也能拥有顶级的数据分析能力，打破技术壁垒。

系列导览

Harness Research 系列共 3 讲，从 Harness Engineering 理念出发，逐步构建 AI 驱动的科研工作流：

——理解 Harness Engineering 理念，完成 Trae 中 MCP 与 Skill 的检索和配置
——从自动化检索到 AI 综述的完整文献工作流
（本讲）——从通用分析工作流到护理场景的人机协作

本讲（第3讲）覆盖科研的统计分析环节，分为两部分：第一部分是入门——通用九步 AI 分析工作流，适用于任何临床数据；第二部分是进阶——护理统计协作，以 Trae 为工具掌握"评估-执行"人机协作模型与六步协作流程。

想了解系列全貌与学习路径，请查看。

第一部分：通用统计分析工作流（入门）

为什么选择 AI 分析？

专为临床科研设计，解决 95% 以上的统计问题。

极速高效：无需编写复杂的代码，AI 自动生成分析逻辑，从拿到数据到出结果只需几分钟。
通用性强：不依赖特定的统计软件环境，一套逻辑解决各种常见的临床数据对比问题。
技术平权：只需会描述需求，无需深厚的编程功底，AI 编程工具也可以是你的数据分析师。

准备工作

工欲善其事，必先利其器。

工具

编辑器：或
核心环境：Python
AI 助手（IDE 插件）：
- Roo Code
- Claude Code

工具的具体配置方法（MCP、Skill 等）已在中详细讲解，这里不再赘述。

技术储备

必备：善学的悟性与好奇心。比代码本身更重要的是你提问和探索的逻辑。
可选：编程知识、统计学基础。有基础更好，没有也没关系，AI 会填补这部分空白。

核心工作流（9 步法）

这是我总结的一套人机协作的最佳实践，按照这个步骤，你可以解决绝大多数数据分析问题。

graph TD A["用户: 描述数据结构"] --> B["提供需求"] B --> C{"AI: 提供分析建议"} C -->|用户审核不通过| B C -->|用户审核通过| D["AI 撰写 Python 代码"] D --> E["辅助部署运行环境"] E --> F["运行代码 & 告知 AI 结果"] F --> G{"结果是否报错/需修正?"} G -->|是| H["AI 修正代码"] H --> F G -->|否| I["补充额外需求 (图表)"] I --> J["撰写统计报告"] style A fill:#e0f2fe,stroke:#0ea5e9 style D fill:#dcfce7,stroke:#10b981 style J fill:#f3e8ff,stroke:#a855f7

详细步骤拆解

数据认知：告诉 AI 你的数据长什么样（列名、数据类型、缺失情况）。
需求明确：告诉 AI 你想做什么（“比较两组患者的术后疼痛评分是否有差异”）。
方案共识：让 AI 提供统计学建议（“建议使用独立样本 t 检验…"），并由你确认。
代码生成：用户同意后，让 AI 撰写完整的 Python 分析脚本。
环境铺设：辅助 AI 安装所需的库（pandas、scipy、matplotlib 等）。
执行反馈：运行代码，将报错信息或初步结果直接复制给 AI。
迭代修正：根据反馈结果，AI 自动修正代码中的 Bugs。
可视化增强：补充额外需求，如绘制"小提琴图”、“热力图"等高阶图表。
报告生成：最后，让 AI 根据最终结果撰写一份标准的统计学报告。

提示：第 1 步"数据认知"之前，原始数据通常还需要脱敏、清洗与编码等预处理。这些护理场景下的数据准备细节将在本讲第二部分展开，这里先聚焦拿到"就绪数据"之后的分析流程。

实战案例复盘

Note

今天演示的资料是一个从未细看过的 Excel 文件。这是朋友委托帮忙分析的数据，他自己尝试分析后认为"两组没有差异”。

由于近期事务繁忙，我抽空利用上述的 9 步法快速完成了分析。结果发现，通过更精细的分组和可视化，两组在特定时间点存在显著差异。

视频演示

生成的代码示例

import pandas as pd
import scipy.stats as stats
import seaborn as sns
import matplotlib.pyplot as plt

# 1. 加载数据
df = pd.read_excel("clinical_data.xlsx")

# 2. 自动化正态性检验
def check_normality(data):
 stat, p = stats.shapiro(data)
 return p > 0.05

# 3. 智能选择统计方法
if check_normality(group_A) and check_normality(group_B):
 print("使用 t 检验")
 stat, p = stats.ttest_ind(group_A, group_B)
else:
 print("使用 Mann-Whitney U 检验")
 stat, p = stats.mannwhitneyu(group_A, group_B)

# 4. 可视化
sns.violinplot(x="Group", y="PainScore", data=df)
plt.title("Pain Score Distribution by Group")
plt.show()

第二部分：护理统计协作（进阶）

课程大纲

目标受众：护理人员（具备基础统计概念，无编程背景） 核心工具：Trae（AI 编程助手，免费调用 AI） 数据场景：① 随机对照试验（RCT）② 横断面调查研究

开场：从"问不到"到"做得出"

痛点共鸣：传统 AI 的局限 vs. Trae 的突破

过去困境：问 ChatGPT"怎么算 t 检验"，它给你一段公式文字，但你还得打开 SPSS 点菜单，容易出错
Trae 的变革：AI 直接在你的电脑里写代码、跑数据、出图，从"口头指导"变成"手把手带教"
核心理念：你不是在"用软件"，而是在"带一个会编程的实习生"——它动手，你指挥，不懂就问

工具认知——为什么是 Trae？

AI 辅助统计的三次进化

第一代：对话顾问（如早期 ChatGPT）
- 只能"告诉"你怎么做：“你应该做 t 检验”
- 问题：说完你还得自己去操作，步骤多容易出错，遇到报错无处可问
第二代：代码生成器（如 GitHub Copilot）
- 能写代码，但要在编辑器、终端、浏览器间来回切换
- 问题：代码写出来了，运行报错还得自己搜解决方案，对护士不友好
第三代：闭环协作环境（Trae/Cursor）
- 一体化：AI 就在工作区里，左边写代码，右边看结果，报错直接现场修
- 对话式编程：你描述需求 → AI 写代码 → 运行出结果 → 看不懂就问 → AI 解释 → 修改，全程在同一窗口完成
- 护士友好度：像有个统计学助教坐在你旁边，你指哪它打哪，问什么答什么

Trae 的独特优势

工具	AI 调用费用	配置难度	适合人群
Trae	免费	图形界面，简单易上手	护理学生、初学者
Cursor	每月 $10-20	需熟悉编辑器	有预算的专业用户
Claude Code	免费但需 CLI	命令行操作，学习曲线陡	开发者

Trae 的安装与配置方法已在中详细介绍，本讲不再重复。

一句话定位：Trae = 一个永远耐心、不会嫌你问题多、且能直接动手干活的统计助教

人机协作的"评估-执行"分工模型

护理评估与护理操作是护理工作中最经典的分工模式——评估护士负责整体判断和决策，执行护士负责具体操作。人机协作与此高度类似：

护士角色（评估者）	AI 角色（执行者）	协作要点
护理评估：全面了解患者病情、制定护理计划	护理操作：按照医嘱和护理计划执行具体操作	评估者把握方向，执行者高效落实
判断数据异常：收缩压 220 是录入错误还是真实危重症？	执行数据清洗：按指令标记、处理异常值	追问：“这个异常值保留和删除，对结果影响大吗？”
选择统计方法：选协方差分析（控制基线差异）而非简单 t 检验	立即生成代码：按选定方法编写并运行	确认：“ANCOVA 的三个前提假设，我的数据满足吗？”
临床解读：“β=-0.35"意味着"疼痛教育每增加 1 个频次，NRS 评分降低 0.35 分”	提供效应量参照：告诉你在护理研究中这个效应量算大还是小	深挖：“和同类研究的效应量比，这个结果如何？”

“不懂就问"文化（关键原则）

禁止假设：不要假设 AI 知道你的科室特点（如 ICU 的 APACHE 评分特殊性），主动告知并追问
术语必问：当 AI 说"异方差性"“多重共线性"时，立即要求：“请用护士能听懂的话解释，并告诉我怎么解决”
追问模板：
- “我是 [XX 科室] 护士，这个结论在我科临床实践中意味着什么？”
- “如果审稿人质疑这个分析方法，我该怎么辩护？请帮我准备 3 个回应理由”
- “这段代码我看不懂，请逐行注释，并告诉我如果改 XX 参数会怎样”

为什么 Trae 能做到可靠统计？

“所见即所得” vs. “黑箱幻觉”

防幻觉的核心机制：代码透明化

传统风险：AI 直接说"p=0.02”，可能是编的（幻觉）
Trae 保障：AI 生成 Python 代码 → 实际运行 → 返回真实结果。你能看到计算公式、数据来源、每一个中间值
护士的验证权：你可以问：“请把计算 t 值的手工公式步骤也展示出来，我要核对”

与传统工具对比（聚焦可靠性）

维度	SPSS 菜单操作	Trae AI 协作
错误类型	点错菜单（如选成配对 t 检验）、漏看前提条件	AI 自动检查前提（如正态性），不满足时会提醒你并给出替代方案
过程追溯	需手动截图保存每一步	自动生成分析日志（代码+注释+结果），直接贴论文附录
纠错成本	发现错误需从头重新点菜单	改一个参数，AI 自动重新跑全流程，秒级修正
知识获取	翻教材查公式含义	选中代码直接问 AI：“这行在做什么？”即时教学

护士专属可靠性保障

医学逻辑校验：AI 可能建议做复杂回归，你要追问：“根据 CONSORT 声明，RCT 分析应该遵循 ITT 原则，你考虑了吗？”
结果合理性审查：当 AI 给出"干预组死亡率 100%"（明显错误），人因判断立即叫停

数据处理——从原始数据到分析数据

重要原则：虽然 AI 可以辅助数据处理，但你应当了解常规统计数据的处理步骤。AI 是助手，你才是主人。

基础数据处理五步流程：脱敏 → 清洗 → 编码 → 衍生 → 导出。这里强调两个护理场景要点：

脱敏是底线：姓名、床号、住院号、身份证号等直接标识符必须删除或编码；当科室人数很少时，性别+科室等间接标识符组合也可能识别个人
导出格式：首选 CSV（UTF-8 编码），避免 Word 表格、PDF 截图——AI 无法直接读取

AI 操作前最后确认：

“请帮我检查这份数据有没有任何可能识别患者身份的信息”

六步协作流程——每个节点都有"追问点”

核心逻辑：每一步都是对话，不是单向指令。重要原则——背景信息从第一步就注入，让 AI 带着临床语境分析数据。

Step 1：注入背景 + 数据结构认知（同时进行）

背景告知优先：先告诉 AI 你的研究场景，让后续分析都在正确的临床语境下进行

你说（背景）：

“这是 [某科室] 的 [某种研究设计]，主要结局是 [XX]，样本量 [XX]，分组情况是 [XX]，混杂因素我猜测可能包括 [XX]” 举例：“这是骨科病房的前瞻性 RCT，主要结局是第 7 天 NRS 疼痛评分，每组 10 人，预计年龄和基线 NRS 可能是混杂因素”
你说（数据认知）：“这是我的数据，请先做体检”
AI 做：生成数据字典（变量类型、缺失值分布）

必追问（带着背景问）：

“我的研究是 RCT，缺失值主要集中在失访患者，这在 RCT 中属于什么类型的缺失？对结论偏倚方向的影响是什么？”
“基于 RCT 设计，有哪些护理领域常见的统计误区我需要警惕？”
“变量 X 被识别为’连续型’，但在临床上它是 Likert 5 级量表，这会影响分析方法吗？”

Step 2：AI 初步诊断（让 AI 当侦探）

你说：“给出数据质量报告，指出 3 个最可能影响分析质量的问题”
AI 做：列出异常值、分布偏态、样本量不足等
必追问：
- “针对第 2 个问题（基线不均衡），除了统计调整，我在论文里该怎么用文字解释？”
- “如果我想提高检验效能（Power），AI 能帮我做样本量回溯分析吗？”

Step 3：方法论协商（反复打磨）

协作模式：不是"AI 给方案 → 你同意"，而是多轮对话
追问策略：
- “方案 A（简单线性回归）和方案 B（分层回归）各有什么优缺点？用临床意义而不仅是统计学显著性来比较”
- “如果我选择方案 B，结果更难解释，审稿人可能怎么质疑？请帮我预判 3 个风险”
- 确认指令：“请用表格对比各方法的前提假设，并检查我的数据满足哪些”

Step 4：代码执行与透明化学习（边看边问）

AI 做：配置环境（自动装包）、编写代码、运行
你的动作：要求 AI 逐行教学
追问模板：
- “请把这段代码分成’数据准备-分析核心-结果提取’三块，每块用一句话告诉我目的”
- “如果我想把置信区间从 95% 改成 99%，该改哪一行？改了后 p 值门槛要调整吗？”
- “运行报错 ‘ConvergenceWarning’，这是什么意思？对我的结论影响大吗？”

Step 5：报告撰写与临床转化（医学升华）

AI 做：生成统计结果表格、森林图、CONSORT 流程图（RCT）
必追问（体现护士专业价值）：
- “这个统计显著的结果，在 [我的科室] 日常护理工作中可操作化的建议是什么？”
- “请用 SBAR 沟通模式帮我写一段向护士长汇报研究结果的简报”
- “基于这个发现，AI 能帮我设计一个后续研究的选题吗？考虑可行性限制”

常见陷阱与急救包

常见报错与应对

报错信息	含义	护士能理解的解释	如何修正
`SyntaxError`	代码语法错误	“AI 写的句子有错别字，Python 看不懂”	让 AI"检查这段代码的语法"
`KeyError`	找不到变量名	“AI 叫了一个人的名字，但花名册上没有”	核对列名大小写，检查是否有空格
`ValueError: could not convert string to float`	数据类型不匹配	“Excel 里有些格是文字不是数字，Python 算不了”	检查原始数据，可能是"-“或"“而非空值
`ConvergenceWarning`	模型未收敛	“计算转太多圈还没找到答案，放弃了”	通常数据量不足或变量间相关性太强
`MemoryError`	内存不足	“电脑累了，跑不动了”	减少分析变量或分批处理

救命追问模板

当报错时，这样问 AI： “请用最简单的话解释这个报错，并告诉我下一步怎么改。如果涉及统计学概念，请用护理场景类比。”

当结果看起来不对时： “这个结果符合常识吗？（比如死亡率应该在 0-100% 之间）如果不符合，可能是哪一步出问题了？”

当 AI 的建议太复杂时： “我是一个护理研究生，没有统计学基础。能否提供一个更简单的替代方案，同时告诉我这个方案有什么局限性？”

Mini Case——完整协作演示

案例背景

研究问题：比较"递进性疼痛教育"干预组与常规护理对照组在干预 7 天后 NRS 疼痛评分的差异

数据概况：

样本量：20 人（干预组 10 人，对照组 10 人）
变量：编号、组别、性别、年龄、入院时 NRS（基线）、第 7 天 NRS（结局）

模拟数据（CSV 格式）：

编号,组别,性别,年龄,基线NRS,第7天NRS
01,干预组,女,45,7,3
02,对照组,女,48,6,5
03,干预组,男,52,8,4
...

六步协作全程对话

Step 1：注入背景 + 数据结构认知

你（背景）：这是骨科病房的前瞻性 RCT，主要结局是第 7 天 NRS 疼痛评分，每组 10 人，预计年龄和基线 NRS 可能是混杂因素。

你（数据）：这是我的数据，请先做数据质量检查

AI：[生成数据字典，显示 20 行、6 列，无缺失值，变量类型正确]

你（追问）：基于 RCT 设计，有哪些护理领域常见的统计误区我需要警惕？

AI 提醒：

未报告 ITT 分析：RCT 应遵循 ITT 原则（所有随机化患者均纳入分析）

忽视脱落：需报告每组脱落人数及原因

多重比较：如果有多个结局，不要重复做 t 检验导致假阳性增加

你（追问）：基线 NRS 是"连续型”，但我在录入时有些值是整数有些是小数，这会影响分析吗？

AI：不会，连续型变量可以接受任意数值。你的基线 NRS 范围是 5-9，符合 Likert 量表特征。

Step 2：AI 初步诊断

你：给出数据质量报告，指出最影响分析质量的问题

AI：发现 2 个潜在问题：

干预组和对照组基线 NRS 不完全匹配（干预组均值 7.2，对照组 6.4），可能需要统计调整

样本量较小（每组 10 人），检验效能可能不足

你（追问）：针对第 1 个基线不均衡问题，除了统计调整，我在论文里该怎么解释？

AI：可从以下角度解释：

说明随机分配已执行，基线差异为随机变异

报告基线特征比较表（表 1）

采用 ANCOVA 调整基线差异

进行敏感性分析

Step 3：方法论协商

你：我想比较两组第 7 天 NRS 差异，初步想用 t 检验

AI：

方案 A：独立样本 t 检验（简单，但不调整基线）

方案 B：协方差分析 ANCOVA（调整基线 NRS 差异，更准确）

方案 C：非参数检验（Mann-Whitney，当数据不正态时）

你（追问）：用临床意义而非统计学显著性来比较方案 A 和 B

AI：

方案 A 结论：“干预组比对照组低 2 分”

方案 B 结论：“调整基线差异后，干预组比对照组低 2.1 分”

临床意义：两者均显示干预有效，但 B 更准确反映"干预本身的效果"而非"基线差异+干预效果”

你：好，我选择方案 B

Step 4：代码执行

AI：[生成 Python 代码，包含数据读取、ANCOVA 分析、结果输出]

你（追问）：请把这段代码分成三块，每块用一句话告诉我目的

AI：

数据准备：读取 CSV 文件，提取组别和 NRS 变量

分析核心：执行 ANCOVA，调整基线 NRS，比较组间差异

结果提取：输出 F 值、p 值、效应量、估计边际均值

你（追问）：如果我想把置信区间从 95% 改成 99%，改哪一行？

AI：找到 alpha=0.05 那一行，改成 alpha=0.01 即可。p 值门槛也相应变为 0.01。

Step 5：结果解读与论文写作

AI 输出结果：

ANCOVA结果：
F(1,17) = 12.35, p = 0.003
效应量 η² = 0.42
干预组调整后均值 = 3.2 (95%CI: 2.5, 3.9)
对照组调整后均值 = 5.3 (95%CI: 4.6, 6.0)

你：请帮我把结果写成论文表格形式

AI：

指标干预组 (n=10) 对照组 (n=10) 组间差异 (95%CI) p 值

第 7 天 NRS（调整后） 3.2 (2.5-3.9) 5.3 (4.6-6.0) -2.1 (-3.4, -0.8) 0.003

指标	干预组 (n=10)	对照组 (n=10)	组间差异 (95%CI)	p 值
第 7 天 NRS（调整后）	3.2 (2.5-3.9)	5.3 (4.6-6.0)	-2.1 (-3.4, -0.8)	0.003

你（追问）：这个结果如何转化为我们骨科日常护理建议？

AI 建议：

在患者入院时即进行疼痛教育宣教

每日评估 NRS 评分，及时反馈

将"递进性疼痛教育"纳入护理常规流程

结果解读与论文表格写法

统计结果 → 论文表述的转换模板

AI 输出原始结果：

β = -0.35, 95%CI [-0.52, -0.18], p < 0.001

你应该学会写的论文表述：

“多因素线性回归结果显示，在控制年龄、基线 NRS 后，干预组患者第 7 天 NRS 评分平均比对照组低 0.35 分（95%CI: 0.18-0.52），差异具有统计学意义（p<0.001），表明递进性疼痛教育可显著降低患者疼痛程度。”

效应量的临床意义解读

效应量	统计含义	护理实践解读
小效应 (d≈0.2)	组间差异约 1/5 SD	临床意义有限，需权衡实施成本
中效应 (d≈0.5)	组间差异约 1/2 SD	具有临床意义，可考虑推广
大效应 (d≈0.8)	组间差异约 4/5 SD	显著临床价值，值得广泛推广

你的追问：

“这个效应量在护理干预研究中算大还是小？请和同类 RCT 研究做个对比。”

CONSORT Checklist 中与统计相关的核心条目

条目	内容	AI 辅助
7b	样本量计算依据	AI 可帮你回顾计算过程
12	主要和次要结局的统计分析方法	AI 可帮你描述方法
17a	疗效和危害指标的估算	AI 输出效应量和置信区间

结尾与行动清单

带走三句话：

AI 是你的实习生：不会嫌你问得多，只怕你不问（医学背景必须交代清楚）
代码即证据：要求 AI 始终展示"怎么算的"，而不仅是"算出来是什么"
追问公式：看到不懂的术语 → “请用护理场景类比解释”；看到结果 → “这对患者意味着什么”

行动清单：

在自己电脑上安装 Trae（免费，配置见）
准备一份脱敏后的模拟数据（10-20 行即可）
先用本讲第一部分的 9 步工作流跑通一次通用分析
再用本讲第二部分的六步流程走一遍护理协作分析
把 AI 生成的代码保存下来，作为未来分析的模板

Yield Nursing Logic, Optimized.

Harness Research |

Harness Research：AI驱动的科研入门和进阶

系列简介

学习路径

各讲导航

前置要求

如何学习本系列

Harness Research 第1讲：导论与工具配置

系列导览

1. 课程介绍

核心定义

类比理解

关键洞察

2. 为什么选择 Trae

Trae 的选择理由

3. Trae 的能力边界

核心逻辑

为什么需要 Harness

4. Trae 上下文的组成

一个关键前提：AI 没有记忆

这意味着什么

上下文的组成

项目内上下文（IDE 内的信息）

外部上下文（IDE 外的信息）

辅助上下文

5. Trae 功能的扩展

检索渠道

推荐 MCP（科研工具插件）

推荐 Skill（科研技能包）

6. MCP + Skills 的检索和配置

教学目标

课后练习

1. 概念理解

2. 工具检索

3. MCP 实操配置

4. Skill 实操配置

5. 思考题

Harness Research 第2讲：文献检索与综述

系列导览

第一部分：文献检索自动化（入门）

教程简介

为什么要用 AI 辅助检索？

传统方式 vs AI 辅助方式

它的核心原理

准备工作

这里的"清晰问题"指什么？（自然语言描述）

操作流程全解

第1步：明确你的需求

第2步：运行自动化工具

第3步：查看与应用结果

实用技巧

配套视频演示

第二部分：AI 文献综述（进阶）

文献检索：科研活动的基石

文献检索是科研的"导航仪"

文献检索贯穿科研全生命周期

科研选题与文献检索的螺旋关系

从临床经验到研究概念

第一轮文献检索：探索现有方法

确定初步选题

第二轮文献检索：论证选题的科学性与可行性

文献检索驱动选题的完整闭环

AI 工具的演进逻辑：从"孤立的大脑"到"全能助手"

第一层：LLM 的本质 —— 只有算力的"孤立大脑"

第二层：工具调用（Tool Calling）—— 给大脑装上"手脚"

第三层：从"被动执行"到"主动规划"

Agent（智能体）与文献综述的结合

Agent 核心公式拆解

规划与记忆：Agent 的"笔记本”

工具箱的扩展：MCP 和 Skills

从被动到主动：Agent 自主规划流程

入门首选：开箱即用的 AI 综述工具

AMiner：学术文献智能探索

Elicit：专注文献综述的 AI 工具

Gemini Deep Research：Google 的深度研究助手

其他值得关注的工具

如何选择入门工具

实战演练：使用 AI 编程工具自动化完成文献综述

核心组件配置

大脑（LLM 模型）