在科研里，实验设计往往决定了你后面 80% 的效率。
设计得好，实验会少走很多弯路：
- 变量更清楚
- 对照更合理
- 数据更干净
- 结果更容易解释
- 后续写论文更顺畅
设计得不好，即使实验做了很多，最后也可能出现：
- 数据没法回答核心问题
- 对照组不成立
- 变量混杂
- 重复性差
- 结果不具备说服力
- 论文写到一半发现研究问题没被真正验证
这也是为什么，实验设计能力不是"前期准备"，而是科研能力的核心部分。
而 AI 的出现，让实验设计的方式发生了变化。
过去，我们做实验设计更多依赖：
- 导师经验
- 自己读文献
- 课题组既有范式
- 反复试错
现在，我们可以让 AI 参与到实验设计的多个环节中：
- 研究问题拆解
- 变量列表梳理
- 对照组设计
- 备选路径比较
- 风险点预警
- 方案清单生成
- 实验记录结构化
但前提是：你要有一套标准工作流。
否则，AI 只会变成"看起来很忙，实际上不稳"的工具。
一、AI 辅助实验设计，真正要解决的是什么？
先说结论：
AI 不是替你"拍脑袋定方案"，而是帮助你把实验设计从经验驱动，升级为结构化决策。
实验设计最常见的难点，其实不是不会做，而是会出现下面这些问题：
1. 问题定义不清
很多实验一开始就跳到方法，而没有真正明确：
- 我要验证什么？
- 我要比较什么？
- 我想排除什么干扰？
- 我的结论边界在哪里？
如果问题定义不清，后续设计再漂亮也可能偏题。
2. 变量太多，关系太乱
实验设计最怕变量混杂。
比如你想研究一个因素对结果的影响，但实际中还有很多变量同时变化，最后根本无法判断到底是谁起作用。
3. 对照组设置不合理
没有对照，就没有解释力。
对照组设计不清楚，很多实验即使做出来，也很难说服审稿人。
4. 方案太理想化
很多设计看起来很完整，但实际上：
- 数据拿不到
- 仪器不支持
- 时间不够
- 成本太高
- 重复性差
5. 结果无法写成论文
有些实验设计虽然"能做"，但做完之后很难组织成清晰的科研叙事。
所以，实验设计真正需要的是一套系统思维，而不是一个漂亮答案。
AI 的价值，就在于它能帮你把这些问题结构化地展开。
二、AI 在实验设计中的 6 个高价值角色
如果你想把 AI 用在实验设计里，建议不要把它看成"自动设计器"，而要把它看成这 6 个角色：
角色 1：问题拆解器
把一个大问题拆成可验证的小问题。
例如：
- 这个研究问题的核心变量是什么？
- 哪些变量是自变量、因变量、控制变量？
- 研究目标能拆成几个实验步骤？
角色 2：变量梳理器
帮助你列出可能影响结果的变量。
例如：
- 材料参数
- 环境条件
- 样本特征
- 操作流程
- 测量方法
- 数据预处理方式
角色 3：方案比较器
让 AI 比较不同实验路线的优劣。
例如：
- 实验路线 A 和路线 B 哪个更稳妥？
- 哪种方案更省时间？
- 哪种方案更容易得到可发表结果？
角色 4：对照设计助手
帮助你思考：
- 需要什么对照组？
- 阴性对照和阳性对照怎么设？
- 是否需要基线组、空白组、标准组？
角色 5：风险预警器
提醒你哪些地方可能出问题：
- 样本量不足
- 变量混杂
- 方法不匹配
- 统计设计不完整
- 重复性不足
- 结论强度超出证据
角色 6：实验记录与复盘助手
帮助你把实验过程记录结构化，方便后续迭代和写论文。
三、AI 辅助实验设计的标准工作流
下面这套工作流，建议你直接收藏。
它不是"问一句、答一句"的临时对话，而是一套可以嵌入科研日常的流程。
Step 1：先定义研究问题，不要先问方法
这是最重要的一步。
很多人一上来就问：
帮我设计一个实验
但如果没有明确问题，实验设计很容易跑偏。
你应该先准备这些信息：
- 研究主题
- 想验证的核心假设
- 已知文献基础
- 当前资源条件
- 可用样本 / 数据 / 仪器
- 时间周期
- 预期投稿方向
推荐 Prompt
请作为一名严谨的科研导师，先帮我梳理研究问题，而不是直接给出实验方案。
请根据以下背景信息，帮我明确：
1. 核心研究问题是什么；
2. 可能的自变量、因变量和控制变量有哪些；
3. 这个问题可以拆成哪些可验证的子问题；
4. 哪些部分目前还不清晰，需要我进一步补充。
研究背景如下：
[填写你的研究方向、已有基础、资源条件、目标期刊]这一步的目标不是设计实验，而是把问题定义清楚。
Step 2：让 AI 帮你生成"变量地图"
实验设计的核心不是"做什么"，而是"控制什么"。
你可以让 AI 先帮你列出变量清单，再做分类。
推荐 Prompt
请帮我基于以下研究问题，列出可能影响实验结果的变量，并按以下类别整理：
1. 自变量；
2. 因变量；
3. 控制变量；
4. 潜在混杂变量；
5. 需要重点监测但不一定直接操控的变量。
请尽量全面，并指出哪些变量在实验中最容易被忽略。
研究问题：
[填写]这个环节非常适合用来避免"实验做完才发现漏了关键变量"的问题。
Step 3：生成多个实验路线，而不是一个"标准答案"
很多人用 AI 时，希望它一步给出唯一方案。
但在科研里，标准做法不是直接选一个答案，而是先生成多个候选路径，再比较。
推荐 Prompt
请针对以下研究问题，提供 3 种不同的实验设计路线。
每种路线请分别说明：
1. 设计思路；
2. 适用场景；
3. 优点；
4. 局限；
5. 对样本、设备、时间和成本的要求；
6. 适合回答什么问题，不适合回答什么问题。
研究问题：
[填写]这样做的好处是，你不会被单一路径锁死。
很多时候，真正好的方案不是"最强的那个"，而是"最适合当前条件的那个"。
Step 4：设计对照组和边界条件
实验设计是否成立，很大程度上取决于对照组是否合理。
你可以让 AI 先帮你检查：
- 是否缺少基线组
- 是否需要空白对照
- 是否需要阳性对照
- 是否需要多层级梯度
- 是否需要边界条件实验
推荐 Prompt
请基于以下实验方案，帮我检查对照组设计是否完整。
请回答：
1. 当前方案中有哪些对照组设置；
2. 是否存在缺失的关键对照；
3. 是否需要增加基线、空白、阳性或标准对照；
4. 是否存在边界条件未被覆盖；
5. 你建议如何补充以提高实验解释力。
实验方案：
[填写]这一步非常适合科研新人，也非常适合写论文前的实验复核。
Step 5：检查可行性，而不是只看"理论上完美"
实验设计最常见的问题是：
理论上很好，现实中做不到。
所以要让 AI 从现实角度帮你做一次"落地检查"。
推荐 Prompt
请从科研可行性的角度，评估以下实验方案。
请重点分析：
1. 是否存在执行成本过高的问题；
2. 是否对仪器、样本或数据有特殊依赖；
3. 是否存在实验周期过长的问题；
4. 是否存在重复性或稳定性风险；
5. 是否有更省资源但仍能回答核心问题的替代方案。
实验方案：
[填写]这一步很重要，因为很多失败实验并不是方法错了，而是资源不匹配。
Step 6：让 AI 帮你做"风险清单"
科研实验不是只设计"怎么做"，还要设计"哪里可能出错"。
推荐 Prompt
请作为一名严格的科研实验审阅者，帮我检查以下方案的潜在风险。
请按以下维度输出：
1. 变量混杂风险；
2. 对照不足风险；
3. 样本量或重复次数不足风险；
4. 方法不稳定风险；
5. 统计分析不足风险；
6. 结论外推过度风险；
7. 数据解释歧义风险。
请针对每个风险给出具体建议。
实验方案：
[填写]这一步可以显著提高实验方案的成熟度。
Step 7：把方案转成实验执行清单
设计完成后，不要停在"文字方案"层面。
应该进一步落地成清单。
推荐输出格式
- 实验目标
- 假设
- 变量定义
- 实验组设置
- 对照组设置
- 样本量 / 重复次数
- 操作步骤
- 数据记录方式
- 统计方法
- 风险预案
四、AI 不直接设计实验，而是参与"实验设计迭代"
真正专业的实验设计，不是一次性完成的，而是迭代的。
你可以把 AI 作为每轮迭代中的辅助角色。
迭代 1：概念版
目标是确认研究问题和核心变量。
迭代 2：结构版
目标是设计实验组、对照组和基本流程。
迭代 3：可行性版
目标是检查资源、时间、成本与稳定性。
迭代 4：论文版
目标是让实验设计与后续写作、图表、结论对齐。
这个迭代过程，才是真正意义上的 AI 赋能科研。
五、AI 辅助实验设计的 toolkit
Toolkit 1：研究问题输入模板
# Research Question Input
- 研究主题：
- 核心问题：
- 已有假设：
- 研究对象：
- 可用资源：
- 时间周期：
- 目标期刊：
- 期望的研究类型：机制 / 应用 / 方法 / 对比 / 验证Toolkit 2：变量清单模板
# Variable Map
- 自变量：
- 因变量：
- 控制变量：
- 混杂变量：
- 需要监测的辅助变量：
- 可能被忽略的变量：Toolkit 3：实验方案比较表
# Experiment Design Comparison
| 方案 | 核心思路 | 优点 | 局限 | 成本 | 周期 | 风险 |
|------|----------|------|------|------|------|------|
| A | | | | | | |
| B | | | | | | |
| C | | | | | | |Toolkit 4：风险检查表
# Risk Checklist
- 是否存在变量混杂？
- 是否有完整对照组？
- 是否有足够重复？
- 是否存在样本偏差？
- 是否存在方法稳定性问题？
- 是否存在统计不足？
- 是否存在过度解释风险？六、可直接复用的 experiment_skill.md
如果你想把实验设计能力沉淀成长期可复用的技能文件，可以建立一个 experiment_skill.md。
# Skill: AI-Assisted Experimental Design
## 目标
帮助科研作者在不替代学术判断的前提下，完成研究问题拆解、变量梳理、方案比较、对照设计、风险预警和执行清单整理。
## 输入
- 研究主题
- 核心假设
- 实验资源
- 时间周期
- 目标期刊
- 研究类型
## 输出
- 研究问题拆解
- 变量地图
- 多方案比较
- 对照组建议
- 风险清单
- 实验执行清单
## 工作原则
1. 问题优先，方法随后
2. 先发散，再收敛
3. 不替代作者判断
4. 优先保证可行性和可重复性
5. 保证设计与论文叙事一致七、哪些实验环节最适合用 AI，哪些必须谨慎？
这是非常重要的一部分。
不是所有实验设计环节都适合让 AI 大幅参与。
最适合 AI 辅助的环节
1. 问题拆解
把大问题拆成小问题。
2. 变量梳理
列出可能影响结果的变量和混杂因素。
3. 多方案比较
比较不同实验路径。
4. 风险预警
提前识别常见问题。
5. 文档整理
把实验流程、记录和清单结构化。
必须谨慎的环节
1. 核心学术判断
AI 不能替代你判断"这个问题是否值得做"。
2. 专业方法细节
涉及具体实验参数、临界条件、专业操作时，必须依赖领域知识和文献。
3. 统计设计
AI 可以辅助提示，但最终统计策略必须由研究者确认。
4. 结论边界
AI 往往倾向于表达得更强，你必须控制结论不要超出证据范围。
八、实验设计中最容易踩的 5 个坑
1. 先设计方法，后定义问题
这会导致"做了很多，但没真正回答问题"。
2. 对照组不完整
没有对照，就很难建立解释框架。
3. 变量控制不严
混杂变量会直接削弱研究结论。
4. 可行性评估不足
再好的方案，如果做不出来，也只是纸面方案。
5. 实验和论文叙事脱节
实验做完之后，发现不能自然组织成论文逻辑，这是很常见的问题。
九、把 AI 放进实验设计的"前---中---后"三阶段
你可以把 AI 融入实验设计的整个生命周期。
前期：设计前
- 研究问题定义
- 变量梳理
- 方案生成
- 风险识别
中期：执行中
- 记录模板整理
- 异常情况归因
- 实验中途复盘
- 方案微调建议
后期：总结后
- 结果结构化
- 图表说明优化
- 论文实验部分草拟
- 审稿意见回复辅助
这样，AI 就不只是"设计工具"，而是成为实验全过程的协作助手。
附：可直接复制的 Prompt / Workflow / skill.md
1. 实验设计总 Prompt
请作为一名严谨的科研导师，协助我设计实验，但请不要直接给出单一方案。
请先帮我梳理研究问题、变量、可行路径、对照组和潜在风险，再给出 3 种可选实验设计路线，并比较它们的优缺点。
研究背景如下：
[填写]2. 变量梳理 Prompt
请针对以下研究问题，列出可能影响实验结果的变量，并按自变量、因变量、控制变量、混杂变量分类。
同时指出最容易被忽略的变量。3. 风险检查 Prompt
请从变量控制、对照组、样本量、可重复性、统计分析和结论边界六个方面，评估以下实验方案的风险，并给出改进建议。4. workflow.md
# Workflow: AI-Assisted Experimental Design
1. 定义研究问题
2. 梳理变量地图
3. 生成多种实验路线
4. 检查对照组设计
5. 评估可行性
6. 风险预警
7. 转换为执行清单
8. 人工复核与迭代5. skill.md
# Skill: Experimental Design with AI
## 核心原则
- 问题优先，方法其次
- 发散后必须收敛
- 设计必须兼顾可行性
- 风险识别与对照设计同等重要
- AI 只做辅助，不替代学术判断