同样一句“帮我看看这份回归结果”，不同的人可能需要完全不同的回答。刚接触计量方法的学生，需要理解系数和推断条件；正在做论文的博士生，可能在判断识别思路是否成立；熟悉这一领域的研究者，则可能只想尽快找到一个遗漏的条件。回答的正确性同样重要，但解释的深度、提问的时机和交付的形式需要改变。
科研中的 AI Persona，可以理解为对协作角色的约定：AI 在当前任务中承担什么职责，怎样反馈，哪些事情可以直接推进，哪些判断需要留给研究者。选择 Persona 的起点，是当前任务和研究者对任务的掌握程度。 学习新方法、推敲研究设计和执行熟悉的分析，适合不同的协作安排。
学生与资深研究者的区别因此值得讨论，却不能直接变成固定分组。一位资深学者进入陌生领域时，也需要清楚的解释；一名学生熟练掌握某项数据处理工作后，也未必需要每一步都被追问。真正需要调整的是协作方式，而经验只是判断这种需要的线索。
Persona 能改变什么？
“你是一位顶尖教授”给出了身份，却没有说明这次应怎样工作。研究者需要的可能是讲解、质疑、整理证据或完成一项限定任务。如果这些要求没有明确，一个听起来很专业的角色名也无法告诉 AI，应该先问问题还是先给结果、应该解释基础还是检查假设。
Zheng 等（2024）对四类模型、2,410 道事实问题的评测发现，加入 Persona 并未在所测问题范围内带来整体性能提升。这个结果不能代表所有模型和所有科研任务，但说明了一个需要保留的区别：专家身份提示本身，不是答案准确性的保证。
因此，设置科研 Persona 时，更值得写清的是职责和反馈方式。例如“指出识别假设与证据之间的缺口”，比“像一位优秀经济学家”更容易检查；“先给结论，再列出影响判断的条件”，也比“表现得专业”更明确。角色设定的作用应当体现在实际回答中，而不是停留在称呼上。
面向学生：先帮助学会方法
对于正在学习方法的学生，完成眼前任务和掌握方法是两个目标。AI 可以很快给出推导、代码或一段结果解释，但学生还需要知道关键步骤为什么成立，以及条件改变后结论会怎样变化。适合这种任务的 Persona，应当把“帮助形成理解”放进职责中。
以学习双重差分为例，如果学生还不能解释比较对象和识别条件，一份完整程序并不能说明他已经掌握了设计。一个教学助理式的角色，可以先看学生自己的解释，指出具体缺口，再用小例子或提示帮助修正。学生能够独立说明之后，再补充完整推导或代码，讨论才有了学习上的连续性。
Bastani 等（2025）在高中数学实验中发现，普通 AI 辅助下的练习表现改善，并未自动转化为撤去 AI 后的独立表现；结合教师材料、侧重提示的设计减轻了负面影响。这不是大学科研 Persona 的直接实验，但提醒我们：协助完成与帮助学会，需要分别评价。
面向学习任务，可以这样约定角色：
请作为这次方法学习的教学助理。先看我对问题的理解，指出最关键的缺口；我卡住时给提示或小例子，再逐步展开解释。完成后换一个条件，检查我能否独立判断。不要把我表示“看懂了”当作已经掌握，也不要在我已能解释的部分反复追问。
这里的重点是根据理解调整帮助。提示不足时继续讲解，已经熟悉的部分及时推进；不能把教学型 Persona 变成无休止的问答。一次协作是否有效，可以看学生随后能否在没有 AI 帮助时说明条件、解释步骤，或处理一个稍有变化的问题。
面向博士生与早期研究者：帮助检验正在形成的论证
开始独立研究后，困难往往从“这个方法怎么用”转向“这个方法是否适合我的问题”。研究者可能已经会写回归程序，却还在判断变量是否对应概念、比较是否合理、结果是否有其他解释。此时，更合适的起点是方法讨论者或模拟审稿人的角色。
假设一位研究者发现某项政策与企业创新正相关。AI 如果只是顺着这条关系扩写机制，很容易把尚待检验的解释写得越来越完整。更有价值的反馈，是指出目前缺少哪些判断：政策覆盖与企业特征是否有关，样本进入是否变化，现有数据能否区分提出的机制与其他可能性。这些问题需要落到具体设定和证据上。
角色约定可以是：
请作为研究设计的讨论者，检查我的问题、比较方式、关键假设和证据是否一致。先指出最影响结论的缺口，再说明需要什么材料或检验才能判断。区分已发现的问题与尚待排除的可能性；有依据就认可，不为显得严格而制造反对意见。
这种 Persona 的价值在于提高讨论的可检验程度。一句“可能存在内生性”还不够，需要说明是哪种关系影响了判断，以及怎样取得更有区分力的证据。同样，AI 也不应为了表现得苛刻而否定所有方案；如果批评不能对应材料或推理，就应被视为待判断的意见。
研究者也要给讨论留下终点。若眼下的问题已经明确，下一步只是按约定整理结果，就可以切换为执行性的协作要求。持续讨论并不天然优于推进工作，是否继续追问，应由当前的不确定性决定。
面向资深研究者：简洁回答，保留关键异议
对于熟悉当前领域和方法的资深研究者，重复讲解基础概念通常会增加阅读负担。他们可能已经确定研究问题、样本和主要设定，希望 AI 协助整理材料、比较几个结果，或检查代码与要求是否一致。任务型研究助理可以把回答集中到结论、变化和需要决策的地方。
例如，研究者要求比较几个模型设定，合适的交付可以先说明哪些结果变了，再列出对应的样本、变量或推断方法差异，并给出能够核对的材料。解释篇幅可以简洁，但影响结论的条件仍要留下。省略一遍常规方法介绍，与省略关键假设，是两种不同的取舍。
可以这样提出要求：
假定我熟悉本任务的基础方法。请先给结论和最重要的差异，再提供核对所需的材料；只有无法从现有信息确认、且会改变样本、方法或结论的条件需要先问。发现证据不足或设定冲突时直接指出，不因我已有明确预期就顺着解释。
研究经验也不意味着可以省去反对意见。Sharma 等（2024）对当时的 AI 助手研究发现，模型会在所测任务中迎合用户观点，有时牺牲真实性。这个发现提示，Persona 中应当给“有依据地不同意”留下空间，而不是把让使用者满意当作正确的标准。
因此，资深研究者需要的未必是一个总能迅速结束对话的助手。遇到熟悉、明确的任务，可以要求简洁交付；遇到新的理论解释或陌生数据，也可以要求展开理由、提供反例或先讨论关键条件。协作方式应随问题改变。
同一个人，可以在不同任务中切换角色
按资历讨论 Persona，最终仍应落到任务。下表提供的是可调整的起点，并非对不同人群的固定处方，也不是已经通过比较实验验证的最优组合。
| 当前需要 | 可采用的协作角色 | 最值得检查的结果 |
|---|---|---|
| 学会一种陌生方法 | 教学助理 | 离开 AI 后，能否解释和应用 |
| 判断一个研究设计 | 方法讨论者 | 假设、证据和替代解释是否更清楚 |
| 完成已明确的分析或整理 | 任务型研究助理 | 结果是否符合约定，是否容易核对 |
| 审查准备提交的论证 | 模拟审稿人 | 批评是否有依据，是否指出可验证的问题 |
这种切换不需要把整个人定义为“新手”或“专家”。一位有经验的研究者在学习新工具时，可以需要细致解释；在检查自己熟悉的回归结果时，则可以要求直接给出差异。一名学生也可能在某项工作上非常熟练，此时继续使用初学者式的问答反而不合适。
如果希望长期复用一份 Persona，可以保留稳定的协作要求，例如尊重证据、明确缺口和指出重要分歧，再在每次任务中说明自己当前的基础与目的。这样，角色设定提供方向，具体任务决定解释深度和推进方式。
把 Persona 写成可以检查的约定
一个可用的科研 Persona，至少需要交代当前目标、研究者的已有基础、希望得到的帮助，以及输出怎样才算可用。角色名称可以保留，但它应当对应具体行为。
下面是一份可改写的约定示例，不是经过验证的“万能提示词”：
我目前在做【任务】，已经掌握【已有基础】，这次希望【学会方法／检验设计／完成限定工作】。请承担【协作职责】，按【解释深度与交付形式】回答。缺少会改变判断的信息时先指出；事实、推断和建议分开表达。你的不同意见需要给出理由，我的既有判断也需要接受证据检查。
使用后，可以拿一个自己熟悉、能够核对的问题观察实际回答。若解释过多，就缩小需要讲解的范围；若只给结论没有依据，就补充交付要求；若总是附和，就要求比较替代解释。Persona 是否合适，应从这些可观察的行为判断，不能只看措辞是否像某种理想角色。
关于科研 AI Persona 的常见问题
写上“顶尖专家”，答案就会更准确吗？
不能据此保证。角色提示可能改变表达和关注点，但知识、推理与工具能力仍有边界。要检查的是回答的依据与推理，专家称号本身不构成证据。
学生是不是应该一直使用引导式 Persona？
要看本次目标。学习陌生方法时，提示和理解检查有价值；已经熟悉的整理任务可以直接要求完成。对同一个人，也应区分需要练习的能力与可以委托的工作。
资深研究者还需要让 AI 提问吗？
需要，但问题应当集中在真正影响判断的信息上。明确条件可以减少重复确认；无法确认的样本定义、分析目标或证据范围，则不应让 AI 自行补齐。
合适的科研 Persona，要与研究者此刻的任务相配。学习时保留独立思考，讨论时暴露分歧，执行时交付可核对的结果；真正稳定的要求，是无论采用哪种角色，都让事实和判断有清楚的依据。