你可以让 AI 参与很多环节。值得留意的是，每次做完，哪些判断也留在了你自己这里。
把一个任务说具体
例如你正在复现一篇论文，可以先把原文、代码版本、运行条件、想检查的结果放在一起。让 AI 帮你解释入口、拆步骤、查环境、写脚本。
推进时按能检查的小步来：先找到数据如何进入模型，再跑通一小段，最后扩到完整评价。需要长时间运行或花钱的步骤，先弄清成本和停止条件。
这里说的目标、复查、可复用步骤，分别对应“这次完成什么”“如何知道完成了”“下次怎样再用”。可以先用普通文字和记录做到，再选择具体工具功能。
手头已经有阅读笔记时，可以把材料位置和比较目标一起交给它：
阅读 Papers 目录中我指定的三篇论文笔记，比较它们怎样处理同一个问题。每项比较附上对应论文和笔记位置；保留我的批注，把还缺的信息列出来。
irene 的笔记工作流展示了怎样把 Zotero、Obsidian 和本地 AI 工具接起来。
它说做完了，你看什么
代码改了什么，运行用了什么配置，测试覆盖了什么，输出和日志在哪里。把“实验成功”的总结还原成你能检查的东西。
读论文也是一样。让它讲一段，再问原文哪里支持这个解释。如果它给出参考文献，打开对应文章核对。
做完之后，留一点自己的认识
拿模型部署来说，你是否知道为什么选这个指标，测试负载是否像实际使用，哪个 trick 在这里有效，换条件后可能怎样？
可以把一次前后对比讲给别人听。解释卡住的地方，就是值得再查的地方。你不需要每个细节都手工完成，但在长期想做的事情上，理解会影响你下一次怎样使用工具。
AI 也可以是讨论对象
拿一个具体想法请它找反例、提出不同解释、列出还缺的证据。得到建议后，再决定用哪一条、怎样验证。
Lilian Weng 的 Agent 文章和 Anthropic 的 Building effective agents可以帮助理解系统怎样组织任务。想研究 Agent 本身，去方向页。
未公开材料和审稿材料的使用，按团队与会议的实际要求处理；具体规则入口在投稿页。关于“你是否真的学会了”，也可以读大一回忆里的那一节。
让 AI 问你
读完一个方法，先配着图用自己的话解释，再让 AI 根据你的解释追问。这个模块为什么需要？去掉后会发生什么？哪项实验支持刚才的判断？回答卡住时，回到相关段落、公式或图表。
我先解释这张方法图。你每次只问一个问题，等我回答后再继续。重点问输入输出、模块的作用、成立条件与证据。指出我哪一步没有讲清楚，以及应该回看哪里。
这是 irene 使用 Grill Me 的方式。她把精读、半精读和略读的安排写在经验文章里，也分享了论文阅读工具。反复用得顺手的任务，可以把输入要求、步骤和输出格式保存成提示词或 skill，下次带着新材料继续用。
对照自己的 AI 使用习惯
两篇 AI 观察文章讨论学生怎样看待 AI，以及某些互动怎样反过来影响判断。可以把文中的场景和自己的做事过程放在一起看。