How to 入门科研

可以先理解成三件事：找值得问的问题，提出解释或解法，再把得到的新知识、做法和产品交给社区。课程和比赛通常已经给定了比较明确的任务，研究还需要你判断该问什么、怎样知道答案可靠。

科研不用上那么重的滤镜。它是你可以尝试的一种事情，做过之后再形成自己的判断。

读论文、写代码，和学长学姐讨论，关注前沿的研究、report 和 blog，做规划、分析结果、写作和汇报。有时一天都在查一个错误，也有时讨论后发现原来的问题需要换一种问法。

日常做事可以从科研工作几页里找到具体例子，做事之外也有正常的生活。

当然可以。好奇、想解决一个问题、保研、留学、工作，或者单纯想试试，都可以成为起点。动机以后也可能变。

如果是为了升学或工作，可以再具体一点：想申请什么项目、什么岗位，希望在那里学到什么、做什么？研究经历能让别人看到你怎样理解问题、做实验、分析结果和与人合作，对申请一些研究相关的项目和岗位会有帮助。偏开发和应用的工作，也值得通过项目、实习去了解实际需求。

如果眼下想的是保研，也可以问问自己：读研之后呢？想继续研究，还是希望学得更深入、换一个环境、获得更好的工作机会？这些想法会影响你怎样选择方向、导师，以及现在要尝试什么。

对我来说，最初做 CV demo、接触 YOLO 时的兴奋很重要。我觉得这件事很好玩，愿意继续探索。后来做 LLM 和 Agent，接触前沿的工作，与合作者相遇、讨论、一起推进问题，又让我看到更广阔的世界。能给 community 带来一点新的知识和做法，也是我想继续做下去的理由。

科研的价值也在这些具体经历里：把一个问题想清楚，亲手验证想法，学会判断结果，找到愿意一起做事的人。经历过这些，你会更清楚自己是否喜欢这样的工作，以及想继续往哪里走。

兴趣也可以在尝试中长出来。先找一个让你好奇的东西做做看，留意什么让你愿意继续。如果只是看到别人进组了就焦虑，可以先了解他们每天在做什么，再决定自己要投入多少时间。找得到自己的理由，才更容易保持热情。

从打基础、调研、确定 idea，到具体 solid 地推进，再到最后组织写作和 presentation，都需要你亲自经历一遍，体验其中的摩擦和困难。

即使有了 AI，科研也可能比你想的难。你作为 human，能不能提供有价值的干预和指导，能不能用好 Agent 加速研究，能不能真正给 community 带来新的知识和 insight，都不是想起来那么简单的。

可以。我在复现一些 CV 小 demo、接触 YOLO 时感到很兴奋，虽然后来做了 LLM 和 Agent，但当时已经知道自己喜欢探索这些东西。

一个原本只在视频里见过的效果，变成了自己能运行、能修改的东西，就有了继续探索的入口。你可以留意：自己更喜欢把应用做出来，还是会追问模型为什么能做到、为什么有时失败，想继续设计实验弄清楚？

挑一个MNIST 或 YOLO 小项目试试，再拿结果和问题找人聊。把东西做出来之后的感受，会帮助你决定下一步想深入哪里。

这个问题值得认真说一说。AI 时代给我们的一个 gift，是可以 top-down 地做事情：不必先学数学，再学编程、LaTeX、机器学习和深度学习，等到大三才被允许做大创，到研究生才开始探索科研方向。

没有什么固定的范式，也不需要谁来批准“你可以做科研了”。你想做、对这件事有强烈的 motivation 和热情，并愿意沿着问题把需要的基础扎实补上，就可以开始。

早开始，意味着有更多尝试和调整的时间，有机会在更年轻的时候做成更多事情。同时也要明确自己的定位：不建议因为年龄去 sell 自己是一个 rising star，或因为一点先手优势就沾沾自喜。晚一点也不代表落后，研究和前沿是 lifelong 的事情，不必在意一时的成败。

还没决定从哪里动手，可以看第一条小项目路线。

从一个现在能接触到的问题开始。英语、数学和编程都能在做中提升；遇到它们实际影响推进的地方，就认真补。

学校与资源会影响机会，可以通过校内老师、学长、开源项目和公开交流慢慢找入口。你现在的条件，用来决定下一步怎么做，不必直接拿来判定自己有没有资格。

学习的价值，是让你能够上手研究，知道自己要做什么。不需要把 Python、数学、机器学习和深度学习全部学完，才有资格联系老师。

如果基础暂时不够，但你已经认真了解一个领域，知道大家在做什么，也想清楚了下一步怎么学、怎么补，就可以大大方方地联系。带着问题回来学，理解也会更深。

只是请教一个具体问题，准备可以轻一些；如果希望加入项目，就认真介绍自己的理解、已有尝试和基本干活能力。让对方知道你能从哪里开始，也知道你还需要什么指导。

联系身边的师兄和任课老师，也可以先在 AI 的帮助下做一些论文复现、vibe 一个小 demo。选一个具体问题，尽量把相关论文读充分，弄清楚已有工作做了什么、还想做什么，再把自己的尝试放进去看。

简历暂时空，不妨先留下别人能看到的东西：一篇 blog、一份能跑的代码、一段对问题的分析，都有价值。让自己被看到，也让对方知道你在认真做事。怎么介绍，见联系与合作。

先选一个能看见结果的小项目。图像分类、一个简单工具调用 Agent，或者读一段机器人示范数据，都可以。做完留下代码、结果和几个自己的问题，再找人交流。

这里有几个入门项目，你可以直接挑一个。

小红书、知乎、B 站、新智元等媒体，GitHub 的 awesome 系列，都可以成为入口。关注身边的 AI 热点和前沿方向，也用好 AI 工具，让它帮你解释陌生概念、找相关资料。

看到感兴趣的演示或介绍，再顺着它去找原论文、代码和作者。想把这些名字放在一起认识，去方向总览；想知道平时怎么跟进，去 Lookout。

从它想完成的事情开始。它怎样进入实际生活？做得不好的地方是什么？还没落地，又卡在了哪一步？

再回论文，看作者提出什么问题，为什么出现，怎样解决，结果怎么样。每多读一篇，试着给你对这个领域的认识加一点具体内容。

做一做就会更清楚。先知道 demo 怎么实现，再看做成它的过程中有什么困难，有没有哪一部分让你好奇、想继续探索。

如果看完发现它只在很窄的条件下成立，let them be demo。这个发现也能帮你认识真实问题。

在 AI 时代，我觉得可以把自由的发展放在第一位。兴趣让你保持热情，好的导师和合作伙伴让你共事愉快，资源则是润滑剂，能让一些尝试更容易落地。

难度可能意味着门槛高；热点可能很快被解决，也可能很快被戳破泡沫。未来会怎样很难一次选准，至少要给自己保留调整的机动性，以及终身学习的能力。

这些条件很难一开始就全部满足，可以先看眼下能找到怎样的问题、支持和合作。很多兴趣也是做进去、探索过之后才发现的。

眼界放宽，才能逐渐对一个领域有整体认识：大家有什么 belief 和思潮，前沿热点是什么，卡点在哪里，还有哪些 gap，你又能给 community 带来什么。保持开放地学习，才不容易闭门造车，困在一个小圈子的信息里。

读文章、看项目和报告，都是在建立一张研究的关系网。留意范式怎样演变、change point 出现在哪里，一个需求或 gap 被什么做法解决，又留下了什么问题。具体入口放在 Lookout。

可以，包括跨学院、跨学校和海外。先确定自己为什么想联系，至少了解一点对方的工作，再看看有没有共同认识的人可以牵线。社群、小红书、cold email 都是可以尝试的办法。

不要为了认识而认识。一次有共鸣的交流、共同的朋友和研究话题，都很有价值；把想聊和想做的事情放在前面，不必本末倒置，专门研究“怎么认识人”。

小红书等社交媒体、科研交流群、学校和实验室官网，以及你感兴趣的论文作者，都可以找。作者主页通常有 email；沿主页和 Google Scholar 看研究与合作者，也能逐渐认识这个圈子。

可以留意作者和组员中有没有本科生或刚入门的 junior，这能提供一些线索；再看是否有学生项目、公开招募，或直接问是否愿意指导本科生。

在我接触的学长学姐里，保持礼貌、真心发问，通常能得到一些指导和解答。对方有没有时间带项目、眼下有没有合适任务，可以在认识之后具体聊。

我们一般会先约一次交流，了解彼此的规划、安排和想做的事情。第一次联系可以是请教论文里的一个问题，也可以询问有没有适合本科生参与的任务。

如果目标是进组，就直接说明兴趣、时间和目前能做的事，让对方知道这次交流需要讨论什么。

介绍你是谁、来意是什么，对什么研究感兴趣，想针对什么问题做些什么，或者希望参与什么任务。简历有就附上，经历少也不用硬凑。

不需要一开始就有漂亮履历，具备基本的干活能力、能说清自己的尝试，也很有价值。在我们接触的学长师兄师姐里，大家通常会正常交流，后续有没有面试或试做，再具体讨论。

“看了您的某项工作，我对这里的问题感兴趣，自己尝试了什么，希望了解有没有可以参与的任务”，已经是清楚的来意。可以参考一封简短邮件。

可能没有回复，或者婉拒；也可能正常回复、加微信交流。在我们接触的合作里，和学长学姐的初次交流通常没有想象中那么可怕，也不一定是很难的考核。很多时候聊的是：你过来之后，我们怎么带你，你怎么帮助我们，你希望得到什么。

有的组会让你先读论文、试做，或安排正式面试，具体再看对方的要求。没有回复，可以隔一段时间礼貌跟进一次；被拒绝了，也可以从反馈里获取一些信号，再联系其他合适的人。不需要把一次回复当作对自己能力的总评。

准备一个简短自我介绍、一两个做过或看过的东西，以及想问的问题。一般会看你对领域的基本了解、做法和认知，也有一些交流会问基础知识。

更多时候，双方是在了解：我们怎么带你，你能帮助我们做什么，你自己希望得到什么。尽量想清楚自己想做什么，把任务、指导方式和时间安排聊明白。

不会的地方照实说；如果知道怎么继续查、准备怎么补，也可以一起讲。

可以先问对方希望你侧重读懂、汇报还是复现，什么时候再讨论。

第一遍把问题、方法、证据和没懂的地方讲清楚。再往下，要看这篇论文在整个研究方向里处于什么位置，你怎么理解这个方法，如果分析或改进，可以做些什么，后续工作又是怎么做的。

还可以往外联想：其他领域是不是也有类似的 insight，它们面对的问题和这里有什么相通之处？这些联系也是阅读能带给你的东西。具体读法见论文阅读。

可以先问有没有旁听、短期试做或阶段任务。把工作内容、反馈方式、时间、资源和预期贡献说清楚，再判断是否适合。

涉及正式加入、成果使用和署名，开始合作时就谈，比快投稿时再补容易。

直接问：平时具体和谁讨论，多久同步一次，卡住了找谁，数据和算力如何使用，这段任务预期投入多少时间。

有的组主要由博士生或硕士生带，有的老师参与更多。按对方实际安排确认，也讲清楚你的课业和时间。

先看这段合作是否适合自己：有没有必要的反馈，安排是否合理，自己能不能学到东西。觉得不合适，可以先和直接带你的学长聊聊，看有没有调整的空间。

说实际一点，有些比较松散的合作，也确实存在心照不宣的处理：联系和任务慢慢减少，彼此大致明白这段合作没有继续往前走。你可以在这个过程中了解其他机会，等想清楚、时机合适时，再和直系学长把后续安排聊明白，不一定要把关系弄得很僵。

如果手上还有大家等着的任务，就把进展、代码和需要交接的事情说清楚，别让对方一直等。离开一个项目也不意味着关系结束，之后仍然可能保持交流和合作。

线性代数、概率论、信息论，以及 infra，都是值得逐渐建立的基础。它们能让你更深入地理解技术的原理、理论和细节，也能为你正在做的事情提供指导。微积分、优化、编程和计算机基础，也会在实际问题里反复用到。

比如预训练的超参数、后训练的数据配比、RL scaling、CV 和 DDPM，背后都有值得继续追问的东西。做 RL，理解 policy gradient 会经常用到概率与期望；看 CNN、Transformer 的架构，会碰到线性代数、张量运算和优化；真正把模型训练、部署起来，又离不开 infra。

现在还不认识这些名字也没关系。遇到具体问题时，再去基础页找对应材料，逐渐把它们和自己的工作联系起来。

让项目给你问题，让课程和书帮你把问题连成体系。记下这次卡在哪里，用什么方法解决，哪里又引起了好奇。

如果已经准备很久，不妨今天就挑一个足够小的例子开始。做起来以后，会更清楚下一节课为什么值得看。

先看它是否妨碍你理解当前步骤或判断结果。妨碍了就停下来补；暂时只影响深入推导，可以记下，先把整体走一遍。

之后再回来补时，用现在的任务检验自己的理解。别让“以后再学”永远停在笔记里。

我们相比 Pre-AI 时代的人，最大的优势和劣势都是：学习成本非常低。Agent 可以同时作为 teacher 和 executor，顺着你的需求和请教，耐心地解释、替你执行。

看起来，困难的知识、理论和代码，与其上四十个小时的网课、对着文档绞尽脑汁，不如让 AI 用顺滑的语言讲给你。实验也交给它跑个 demo，看到 loss 降了、手写数字识别跑通了，皆大欢喜。这是一个甜蜜的牢房：你很容易站在愚者之峰，觉得自己学会了、理解了、掌握了。

学习不可以掉信息量。 这也不代表你要以“我不能手撕、不懂八股，所以不 solid、不配做 research”来道德批判自己——这些同样可以被 overfit。多想、多问、多交流，dive into，多发表自己的想法。

比如学 TRPO、PPO、GRPO，AI 可以把它们讲成几句很顺的概括：“TRPO 有 KL 约束，PPO 用 clip，GRPO 不用单独的 critic、会对一组采样结果作比较。”听过这些，和亲自追问为什么这样做，得到的信息量相差很大。继续往下，你会碰到 sₜ、sₜ₊₁，policy 怎样采样，目标 J 和优势 A 怎样估计，约束怎样起作用；还会想看，稳定性和 scaling 到底呈现什么性质。

真的去复现，知道它怎么 work、又会怎么崩，你才会长出自己的 observation。Attention 也是一样：听过 AI 咀嚼后的解释、看过 paper，再去推数学、拆架构、读实现，你会发现超参数、初始化和架构选择里还有很多奥妙和理论。

你能解释一次实际运行，预判一个变化，再用结果修正判断，就在逐渐学深。这个过程里留下的经验，会影响你下一次怎么看问题。

的确，很多机械的技能逐渐不需要再专门掌握。但你要培养的也不止 research taste：带人、组织、表达，你怎么想问题、怎么看事情，都很重要。数学、模型、计算机和实验方法，也会影响你能理解什么、能发现什么。

我自己也要多站出去，讲讲东西，为自己这个人创造更多 signal，不要让自己成为一个可以被 generate 的人。做过什么，怎么判断，能不能把事情讲明白，怎样和人合作，这些都会让别人逐渐认识你。

多问 AI，多聊 AI；更要多问人类，多聊人类。你自己的经验和理解，也不是把执行交给 AI 就能一起交出去的。别人问你一个判断、一处细节，你不可能每次都先去问 AI 才能接着聊。自己的 solidness 和靠谱，是最基本的。

第一次读论文，取决于你这次想获得什么：是迅速了解一个领域，还是先明白论文是个什么东西？经典论文能让你认识领域里的重要工作，也看到一项研究怎样呈现；想进入一个方向，可以先找综述，让 AI 帮你梳理线索，再回原文看；已有任务，就先读最相关或老师指定的文章。

比如 Agent，可以沿一条线索去读：从 LLM 本身的能力，到 CoT 和 prompt engineering，再到姚顺雨等人的 ReAct，看推理怎样和行动、工具、环境反馈结合起来。接着再看多 Agent、多模态 Agent、Agent RL，以及 harness 和 skill 如何组织执行、loop 和 self-evolve 怎样利用反馈。对 RSI 感兴趣，也可以继续查它具体讨论的自我改进是什么。

这些路线会交叉，不是一代替掉一代。真正值得串起来的是：各自遇到了什么问题，为什么提出这个做法，它和已有工作有什么联系？带着这些问题读，你才会逐渐有一个领域的 overview。论文入口和 Agent 方向页可以接着往下找。

阅读时怎样选深度，可以看这篇论文值得读多深。

可以参考李沐的论文精读。先看摘要、引言、关键图和结论，弄清做了什么、为什么做、怎么做，再检查实验怎样支持这些话。

顺着这个过程，你也会认识任务、数据、baseline 和指标。

怎样逐项找证据，见把主张与图表对应起来。

先把主要句子与概念读通。让 AI 解释术语，对照原文，也可以找作者讲解、视频和别人的笔记。

公式可以分层读：先知道各个量代表什么、这一步要完成什么，再看推导。某个公式正好是你要复现或改动的核心时，就值得认真拆开。

第一遍能讲清问题、方法与主要证据，就已经有收获。若要复现或改进，还需要进入数据、实现、推导和评价细节。

你为了什么读，就决定这一遍需要读到哪里。遇到关键疑问，留着回头验证。

想试着把方法讲明白，可以用让 AI 问你里的追问方式。

飞书、Notion、Zotero、Obsidian 都可以。工具选顺手的，笔记里留下自己的疑问和联系。

几篇文章之间，可以按同一个问题整理：它们分别改了什么，比较条件有什么不同，一篇的结论如何影响另一篇。读完再写几句自己的理解，比只收藏摘要更有用。

irene 在《搭建自己的科研工作流》中分享了 Zotero、Obsidian 的具体分工，以及怎样用笔记和 AI 继续比较、追问。

不必先独立想出一个漂亮 idea 才能参与。跟着做已有课题，可以学一项工作怎样推进，实验怎样检查，文章怎样组织，人怎样合作。

在阅读、使用和讨论里留意自己好奇的现象，想法常常从那里长出来。

研究方向是一片领域，比如 Agent、具身或 World Model。

研究问题是其中一个具体疑问，比如 Agent 做长任务为什么容易出错。idea 是你对原因或解法的猜测；方法是把猜测落实成可以运行、可以检查的做法。

先把问题说明白，后面的模块和实验才有共同指向。

这里面有经验，也有对领域背景的熟悉。可以和更有经验的人读同一篇文章，比较你们注意到了什么。

你自己觉得好奇的地方，也可以先查一查、跑一跑。能提出一个具体疑问，再验证它，比逼自己立刻批判整篇文章更容易开始。

是否有人做过，最基本的就是调研。看相近工作的 setting、motivation 和做法细节，不能只靠关键词判断是不是重复。

你也是 community 的一部分，你感兴趣，就有探索的意义。如果还能带来一些更 general 的知识，让别人也对问题多一层理解，就更有价值。

能不能做，取决于你的 motivation，也取决于资源：验证这个问题需要哪些数据、工具、算力、时间和合作？可以先挑一个小实验摸清条件。

从疑问继续查文献，可以参考irene 的定向检索过程。

领域里已经公认踩过的坑，可以先了解别人为什么没走通，不一定要硬刚。如果自己的初步尝试没 work，先分清是实现的问题，还是想法在当前条件下没有效果，再探索为什么。

没 work 也是信息。如果继续分析之后，发现这一层也没有得到期待中的结果，这仍然是你在这些条件下观测到的结论。把条件、过程和观察留下来，它本身也可能是发现。

从这个意义上说，没有简单的“放弃”之说：停下这条尝试，不会让已经得到的信息消失。接下来可以缩小问题、换一种解释，或把精力放到别处。

从想回答的问题往回拆：你想说明什么，需要什么证据，哪些实验能提供这些证据，还缺什么数据和 baseline。

第一阶段通常可以先读最相关的几篇文章、跑通参照、弄清评价，然后选一个小问题验证。每天的任务写到能实际动手的程度。

你需要知道改动相对什么产生了作用。复现也会让数据、指标和实现细节变得具体。

跑通后，对照论文的设置与结果，检查数据划分、评测、随机性和是否泄漏。打开实际输出看一看，有些错误不会从一个总分里显出来。

先写清验证的问题、预期结果，以及不同结果会怎样改变你对问题的理解。先用小规模检查流程，再决定投入更大实验。

想判断一个因素的作用时，尽量控制其他条件；如果研究的是多个因素之间的关系，就按目的设计组合实验。每次改动都要能追溯。

先查实现、数据划分和评价过程，再查比较是否公平，包括资源、配置和调参投入。

多次运行，报告波动。提升小于单次波动时，当前证据可能还不够稳，不能直接断言没效果或有效。再用合适的消融和样本分析，检查你提出的解释是否站得住。

缩小问题范围，从数据、实现、环境和评测逐步检查。把已经试过的东西整理出来，找学长或原作者请教。

确实复现不出来的情况会遇到。把条件与差异记清楚，再决定继续排查还是换参照；也提醒自己将来留下足够完整的复现信息。

比如自己试了半天到一天，已经没有新思路，就可以问。问之前先搜过、问过 AI、看过报错和文档，把自己试过什么、现象是什么整理好。

你耗一周解决的事，学长可能一句话就能点破；耗着的这一周，项目也可能停着，这其实更麻烦别人。时间只是一个参照，不必等满一天才开口。影响合作或耗费大量资源的问题，更应该及时同步。

讲清四件事：我想做什么，试了什么，现在看到了什么，我猜哪里出了问题。附上必要的环境、关键日志或结果。

尽量把问题缩到别人能看懂的一小段。具体消息例子在联系与合作。

讲这段时间做了什么、得到什么认识、接下来准备做什么。没有正结果，也可以讲排除了哪些可能、现在卡在哪里、需要什么帮助。

把一两个关键结果和原始记录带上。同步得清楚，比等到有漂亮数字再出现更利于合作。

可以当场问，也可以记下来会后问。“这个词我还没理解，能用这里的例子解释一下吗”很正常。

觉得结论不对时，说清自己的理解和证据：“按这个解释，我预期会看到 A，但实验是 B，我们能一起看看吗？”

开始合作时先谈：谁负责什么、各自投入多少、目标是什么、署名怎样按贡献讨论。中途任务和贡献变了，再同步更新。

有分歧先和当事人聊，必要时找共同的指导者协调。尽量留下清楚的书面约定。

读论文时，让它解释概念、公式和背景，再回原文看依据。写代码时，让它搭脚本、查报错，核心计算和评测要理解。做实验时，让它整理记录、作图、帮助分析。

找 idea 可以拿自己的问题与它讨论，查可能的相关工作、挑解释里的漏洞。写作则用来理顺结构和句子，同时确认每个论断对应自己的证据。完整例子见和 AI 一起做事。

要原始记录。它说实验成功了，就看配置、日志、输出和统计；它说文章支持某个结论，就回到文章对应的位置。

一个方案听起来有道理，还要设计能区分它对不对的尝试。遇到不符预期的地方，保留疑问，不急着让 AI 再给一个圆满解释。

你能把事情讲给别人，能回答为什么这样选、指标在测什么、哪里可能出问题，也更容易在条件变化后调整方案。

这件事并不 trivial。即使执行交给 AI，经验仍需要通过你对过程和反馈的理解留下来。

做完后回看一次：原来怎么想，实际发生了什么，哪个判断错了，下次会先查哪里。保留一个具体例子，过段时间再看。

第一次借助 AI 写论文仍然很痛苦，但如果因此更明白实验、写作和组织推进，下次你就有了自己的参照。

公开论文、开源代码和自己的笔记，通常比较容易处理；组里没发表的 idea、数据和草稿，别人的代码，以及涉及隐私或保密约定的材料，需要先确认使用权限、团队约定和所用服务的数据政策。

帮人审稿，要单独查会议当年的规定。例如 ICML 2026区分两种审稿政策，按分配给你的政策执行；其中允许的辅助也不等于把判断和评价交给 AI。

论文写作同样先看目标会议或期刊的要求。作者要对内容负责，不能把 AI 列为承担作者责任的人；是否需要声明、哪些用法允许，按具体规定办。参考文献要逐条核对，尤其留意幻觉引用。规则入口见投稿页。

所谓 solid，就是你想传达的观点和做法，有足够的、与主张相匹配的实验和分析支撑，能够组织成一篇文章。写作承担的是把这些观点、证据和做法传达给读者的作用，也包括 presentation。

不必等所有实验结束才动笔。早期就可以写问题、图和结果记录，帮助自己看清还缺什么。一段讲不清，可能是句子的问题，也可能是研究本身还有东西没想清。接写作与表达。

好的研究能带来新的 insight 和知识，给 community 提供新的见解，甚至改变大家对问题的理解。

新方法是一种形式，涨点是一个 signal。至于好的会议，很可惜，我觉得在你们的时代，这件事正在逐渐变得不那么重要。这里说的是判断一项研究本身好不好：最终还是要看它带来了什么知识、解决了什么问题。具体到学校认定和升学要求，仍要了解你所在环境的规则。

SCI/SCIE 是文献索引体系，常说的“SCI 期刊”与它的收录有关；期刊分区是另一层评价，别把索引和分区混成同一个东西。

CCF A 类来自中国计算机学会的推荐目录，会议和期刊有 A、B、C 分类。国内保研、评奖可能参照它，具体看学校和项目的认定。

顶会是领域内对重要会议的习惯称呼。比如 NeurIPS、ICML、ICLR、CVPR、ACL，是 AI 不同方向里经常见到的会议名字。领域评价和 CCF 目录不完全是同一件事。

Workshop 是专题研讨和交流场合。是否正式归档、能否扩展后再投、接收什么类型的工作，要看具体规定。选题合适时，也可以借这样的机会交流和获得反馈。

预印本用于较早地公开和传播研究，arXiv 是常见入口。上传 arXiv 本身不等于通过同行评审；一篇预印本之后也可能正式发表，要看它的具体版本与发表信息。投稿页放了官方入口。

把这份清单从头再看一遍。很多你当初想问的问题，现在已经自己经历过了，这就是进步。

具体可以看：一篇新论文，你能不能较快看出它做了什么、哪里可能有问题；一个报错，你是不是知道从哪里查；组会上别人讲的东西，你能听懂多少；对这个领域，你有没有自己的看法和想做的问题。

这些变化都发生在你身上，不会因为暂时没有论文就消失。可以读读我的大一回忆，其中也有第一次拒稿。

这件事没有标准答案，最终要听自己的。可以问问：抛开论文和保研，我还想知道这个问题的答案吗？我累，是因为最近不顺，还是因为这件事本身就不喜欢？是任务、合作和资源的问题，还是方向本身不合适？

如果只是不顺，可以换个题目、调整合作，或者休息一阵再看。如果是不喜欢，换方向或停下来都是正当的选择，不算半途而废。

发生冲突的时候，健康排第一。身体和情绪出了问题，其他事情也很难谈。成绩、朋友、爱好和科研怎么安排，取决于你想要什么样的生活，别人替你排不了。科研只是大学里可以做的事情之一，不管最后怎么选，是自己想清楚后选的就好。

关于生活，回到写给刚进大学的你和生活栏目。