Context Is All You Need：用 AI 做深度学习科研的真实经验

Sun, 26 Apr 2026 00:00:00 +0800

![[Gemini_Generated_Image_f8ybwaf8ybwaf8yb.png]]

起因

前几天在 Linux.do 上看到一篇帖子，作者是 Top10 CS PhD 在读，发过 CVPR、ICCV、ICML、NeurIPS 等顶会，分享了自己用 AI 做深度学习科研的真实经验。标题叫《AI科研不完全指北》，副标题是：Context Is All You Need。

这篇文章让我印象深刻，不是因为它给出了什么"终极指南"，恰恰相反——它最有价值的地方在于，把那些网上"AI 科研教程"里被漂亮流程图抹平的脏活、累活、坑，原原本本地写了出来。

我结合自己的理解，把文章里最核心的认知梳理一下。

文章的核心观点可以用一句话概括：

被污染的上下文会崩溃式地影响模型的能力。

AI 一直修不好一个 bug，不一定是它没有这个能力，而是它的上下文已经被彻底带偏了。整篇文章在讲的所有设计、所有踩坑、所有最终选择的方案，背后都只在做一件事：管住每一个 session 的上下文。

这个认知其实可以推广到所有使用大模型的场景——不只是科研。

文章一开始就划了一条清楚的线：

做不到这些，你用 AI 产出的就不是科研成果，而是学术垃圾。而且是带着 AI 高精滤镜、看起来更精致、但污染性更强的垃圾。

作者试过把所有 MCP 都接上、用 Zotero 当知识库，最后都放弃了。最终方案：

关键洞察：文献调研不是可选项，而是在为大模型构建"领域专家级别的上下文"。上下文的质量直接决定后续 idea 的质量。