从0到1：浩哥的AI实操记录

引子：三个场景，同一个问题

2023年3月。 我坐在办公室里，面前是一份科研标书——准备申报一个骨科临床研究的省部级课题。文献综述写了5000字，120篇参考文献，标注方式一片混乱：有的用数字上标，有的用作者-年份，最后一页的参考文献格式五花八门。我花了整整一个下午手动整理格式，眼睛看花了，腰也坐僵了。旁边的年轻同事递过来一杯咖啡：

「主任，听说ChatGPT可以帮忙的。」我说：「那玩意儿就是个聊天机器人吧？能帮什么正事？」

2024年1月。 我第一次认真使用ChatGPT。一个简单的Prompt：「帮我总结这篇文献的核心发现。」

——AI用30秒给出了500字的精炼摘要。我盯着屏幕愣了三秒，然后对自己说了一句话：「这东西，和我想的完全不一样。」

2025年6月。 我的AI辅助工作流已经运转了18个月。科研标书从初稿到定稿缩短了70%，每天上午的文献追踪由AI自动推送，科室会议纪要由AI从录音转录为结构化纪要，还在搭建一套骨科学术知识库。一位来交流的同仁看着我电脑上同时运行的多个AI工具，叹气说：「我也知道AI有用，就是不知道从哪儿开始。」

从「AI是什么都不太清楚」到「搭建一套完整的AI辅助工作流」

——这是我亲身走过的一条路。这一章不是什么「AI专家教程」，而是一个普通医学管理者的真实记录：

怎么开始的、踩了哪些坑、学到了什么。

我是张浩，NCRC的一名医学管理者。以下是我的AI实操记录。

57.1 我的AI时间线

成长期 每天使用AI，开始摸索Prompt技巧发现「提问方式」决定了输出质量2024年7-12月工具期从「用一个AI」到「用多个AI各司其职」

建立了多工具组合的工作流2025年至今系统期搭建知识库、自动化工作流、多工具联动AI不再是外部工具，而是嵌入日常工作这七个阶段走了大约两年半。回顾全程，最大的感受是：最难的不是学AI，而是打破自己脑子里那堵「这东西和我无关」的墙。

57.2 我走过的四个坑

坑1：以为AI就是升级版搜索引擎错误认知：AI = 能聊天的百度。

实际经历：我最初用ChatGPT的方式是——输入一个关键词，期望它返回一堆链接或资料列表。比如：「给我看看骨质疏松的最新指南。」

结果ChatGPT没有返回链接，而是直接生成了一段文字，列出了「指南要点」。我当时觉得这不如搜索引擎靠谱——「连原文链接都不给我，怎么知道你说的对不对？」

醒悟时刻：后来我才明白，AI不是「找信息」的工具，是「处理信息」的工具。它的核心能力不是检索，而是理解、推理、重组、生成。你想验证骨质疏松指南的内容，不是用AI替代查阅文献，而是把文献给AI读，让它帮你提炼和对比。

教训：把AI当搜索引擎用，就像把手术刀当螺丝刀用。工具没错，用法错了。

坑2：寄望于「一键生成完美结果」

错误认知：给AI一个模糊的需求 → AI吐出一份可以直接交付的成果。

实际经历：我尝试让AI写一份课题申报书的「研究背景」部分。Prompt是：「帮我写一篇骨科临床研究的背景介绍，关于骨质疏松骨折的。」AI输出了三段话——措辞流畅、语法正确，但内容太泛、缺乏深度，而且参考文献是虚构的。

我当时心想：「果然还是不行。」

醒悟时刻：直到有一次，我把Prompt改成了：

「我正在撰写一份课题申报书的研究背景部分。研究主题是骨水泥强化椎弓根螺钉在骨质疏松椎体骨折中的应用。请帮我从以下四个方面组织背景介绍：（1）

流行病学现状——OPVF的发生率及临床负担；（2）现有治疗方案的局限性——传统椎弓根螺钉在高龄OP患者中的失败率及原因；（3）骨水泥强化技术的原理及已有证据；（4）本研究的创新点——比如比较不同类型骨水泥的疗效差异。

每个方面200-300字，引用格式要求[作者,年份]。请在你的回答中标注哪些内容是已有研究的结论，哪些是逻辑推演。」

结果天差地别。AI输出的背景介绍结构清晰、层次分明，我可以直接在此基础上修改和补充。

根本原因不是AI不行，是我的指令不行。

教训：AI不是「魔法棒」，是「放大器」

——你给它多少思考，它就给你多少产出。越是想要高质量的结果，越需要高质量的输入。

坑3：忽略Prompt的重要性错误认知：Prompt就是「把问题说清楚」就行了，没什么技术含量。

实际经历：我在2023年下半年使用AI时，有一个典型场景——让AI帮我整理文献综述。两个Prompt的效果天差地别：

糟糕的Prompt 改进后的Prompt内容「帮我整理骨折相关的文献」

「请根据以下15篇文献的摘要，按研究类型（RCT/队列/病例对照/综述）分类，并为每一类提取3个核心发现。输出为表格。」

结果 泛泛而谈，不可用结构化的文献综述表，可直接导入标书原因没有定义边界、格式、判断依据 边界明确、格式指定、分类标准清晰醒悟时刻：Prompt不是「问题」，是「设计」。它包含了对输出格式的定义、对判断标准的说明、对背景信息的注入。一个好的Prompt = 清晰的上下文 + 明确的输出格式 + 可验证的判断标准。

教训：学AI的第一门课不是「AI能做什么」，而是「我怎么告诉它我要什么」。

详见第59章Prompt工程实战。

坑4：过度依赖AI，忘记自己的专业判断错误认知：AI回答看起来很专业 → 应该是对的。

实际经历：有一次，我让AI分析一组患者随访数据，它用了一个统计学方法来推断疗效差异。结论看起来有理有据。我差点直接把结果写进文章——直到团队里一位统计学背景的同事看了一眼，发现AI用的方法根本不适配这套数据的分布特征。

如果不是多看了一眼——这就是一篇会被撤稿的论文。

醒悟时刻：AI在某些领域（语言、逻辑、常见知识）表现得极其可靠，但在专业深度领域（特定统计学方法选择、骨科亚专科的细微鉴别诊断），它提供的答案看起来专业但不一定正确。AI的输出应该被视为「初步建议」，而不是「最终判断」。

教训：AI是你的研究助理，不是你的主任医师。你才是那个签字负责的人。

57.3 我的五条实操心得

心得1：先找一个「小场景」深度使用，再扩展不要试图「把AI融入所有工作」。那样会让自己手足无措。

我的经验是从 文献整理 这一个场景开始。连续两周，每天花30分钟，把所有需要整理的文献都给AI处理。两周后，这个场景的AI效率已经完全融入我的工作习惯。然后再扩展到下一个场景——标书撰写。

一句话：一个场景跑通、跑顺、跑得离不开，再开第二个。

心得2：「迭代对话」比「一次提问」效率高得多很多人以为AI是一问一答的工具。但实际上，最有效的方式是「对话」：

第一轮：让AI给一个大纲第二轮：针对大纲中的某一部分，深入展开第三轮：修正细节、补充数据第四轮：调整语言风格这个过程中，每一轮都在「校准」AI的理解。四轮下来，产出质量远超任何一次性的「一次提问」。

心得3：建立你的「Prompt模板库」

我现在有一个文档，收录了20多个高频使用场景的标准Prompt模板。例如：

文献摘要提取模板标书撰写模板会议纪要整理模板数据解读模板每次用的时候复制粘贴、微调参数——效率是「从零写Prompt」的5倍以上。

一句话：好Prompt不应该是临时起意，而应该是一项可以复用的资产。

心得4：组合多个AI，各取所长单一AI工具无法覆盖所有场景。我现在的工作流是这样的：

任务场景 主力工具 备选工具 理由深度文献分析 Claude ChatGPT长文本理解能力强快速问答 ChatGPT Kimi 响应快、通用性好

任务场景 主力工具 备选工具 理由英文论文写作 DeepL Write + ChatGPTClaude英文润色专项优化数据分析 ChatGPT Code Interpreter÷ 零代码，上传即分析中文内容创作 Kimi / 文心一言÷ 中文语感更好心得5：AI用得越多，越清楚它的边界一年半以前，我看AI就像一个「万能工具箱」

——好像什么都能做。

现在我知道了： - ✅ AI擅长的：文献分析、总结提炼、格式整理、语言润色、初步数

据分析：

• ,w AI一般般的：深度医学推理、罕见病鉴别诊断、复杂的多变量统计
• ❌ AI

做不了的：专业判断、伦理决策、为临床结果负责知道AI的边界，比知道AI的能力更重要。

57.4 对同行的建议：从今天开始，不要等

建议一：不要等「更有空了」

我听到最多的理由是「等忙完这一阵就学」。但这一阵永远不会忙完——医学科研管理者永远是忙的。

你不需要拿出大块时间来「学AI」。你只需要在你已经要做的事情中，拿出一件来试试用AI做。

比如：今天下午要整理文献——不自己整理了，花10分钟写个Prompt，让AI帮你做第一版。

建议二：不要等「更好的版本出来了」

GPT-4出来了等GPT-5，Claude出了等下一个。这个逻辑走下去，你永远不会开始。

GPT-4的能力已经远超你的实际使用水平。 问题不在AI不够好，而在你还没用好它。

建议三：不要一个人闷头学加入AI学习社群、关注优秀的AI科普号、和同事组建AI学习小组。一个人学AI很容易「浅尝辄止」，一群人学AI能互相分享Prompt、互相纠错、互相激励。

建议四：动手比看书快10倍我踩过的坑告诉我的最大教训：你花三天读一本书学AI理论，不如花三十分钟实际用一次。 AI是「用中学」的技能，不是「学中用」的技能。

建议五：记录你的效率变化开始用AI后，每周简单记录一下：哪些任务用AI辅助了？节省了多少时间？产出质量有没有变化？

三个月后回头看这份记录，你会对自己说：「我不应该再等三个月。」

57.5 对医生的启示

启示一：你也有一条AI学习曲线

我的时间线不是特例。几乎每一个从零开始学AI的医生，都会经历「旁观 → 好奇 → 试探
→ 转折 → 成长 → 工具 → 系统」这些阶段。你现在在哪里，不重要；重要的是，你有没有

跨出第一步。

启示二：犯错是进步最快的路

我踩的四个坑——把AI当搜索、期望一键生成、忽略Prompt、过度依赖——几乎每个AI初学者都会踩。踩坑不是失败，是学习的正常路径。 区别在于，有的人踩完坑就放弃了，有的人踩完坑就学乖了。

启示三： 你不是在「学AI」，你是在「升级你的工作方式」

最终，AI不是一个需要你花额外时间去「学」的外挂技能。它是嵌入你日常工作流程的能力——就像你当年学会用Word、学会用EndNote、学会用SPSS一样。一个工具，当你不再觉得它是「额外的负担」时，你才真正掌握了它。

启示四： 管理者的AI素养，决定了科室的AI天花板

作为一个医学管理者，我不只是自己用AI。我还能推动科室引入AI病历质控、论证AI手术分析的可行性、在伦理层面推动数据共享。我的AI认知水平，直接决定了我的科室能不能跟上这个时代。

57.6 本章小结

主题 核心内容 浩哥的一句话AI探索时间线旁观 → 好奇 → 试探 → 转折 → 成长 → 工具 → 系统（两年半）

最难的不是学AI，是打破心里的那堵墙坑1 把AI当搜索引擎 工具没错，用法错了坑2 寄望一键生成完美结果 AI是放大器，你给多少它产多少坑3 忽略Prompt重要性 学AI的第一门课是「怎么告诉它你要什么」

坑4 过度依赖，忘掉专业判断 AI是助理，不是主任；你才是签字的人五条心得 小场景开始 → 迭代对话 → Prompt模板 → 多工具组合 → 认清边界知道AI的边界比知道AI的能力更重要

五条建议 不等有空 → 不等新版本 → 不闷头学 → 动手优先
→ 记录变化 从今天开始，不要等

57.7 延伸思考

你现在处于AI学习曲线的哪个阶段？如果你还没有开始，是什么在挡住你？

回顾你自己的工作流程，哪个环节最耗时、最重复？为什么不能试试让AI来做第一版？

作为一个医生或医学管理者，你觉得「会用AI」在你的职业发展中会占据多大的权重？你愿意为此投入多少时间？

本章初稿，待浩哥审阅。