先确认问题的边界
当 AI 参与资料整理、代码辅助或初步解释时，最重要的不是让输出看起来完整，而是让读者知道哪些部分来自原始材料，哪些部分来自模型推断，哪些部分仍需人工验证。透明的边界比漂亮的结论更能支持后续协作。
研究工作并不是把资料堆得越多越好，而是让每条材料能回答一个明确问题。开始前先写出对象、时间范围、比较条件与暂不讨论的内容，后续的阅读、会议与设备操作才不会偏离目标。
把方法拆成可复核的动作
可以在研究记录中标注模型参与的阶段，例如“用于提取候选主题”“用于生成检索词”“用于整理格式”，并把最终判断保留给可追溯的人类审阅。这样既能使用工具，也不会让责任边界消失。
不确定性可以具体化为样本不足、来源冲突、时间滞后、术语含义不一致或模型未见过的情境。具体说明比一句“仅供参考”更有用，因为它告诉团队下一步需要补什么。
在协作中留下可继续的线索
对于可能影响决策的内容，应回到原始研究、公开数据或可验证文件。模型生成的引用、数字与机构名称尤其需要二次核对，不能因为语气自信就直接放进对外材料。
无论是个人阅读还是团队项目，都应把来源、日期、版本与讨论记录放在同一处。这样新的参与者可以从已有线索继续，而不是仅凭结论猜测前因后果。
技术条件只解释背景，不替代判断
团队协作中，保留提示词、版本和人工修改痕迹并非形式主义。它能让下一位成员判断输出的适用范围，并在设备或访问环境变化后继续复核。
设备、浏览器和网络环境会影响资料抵达的方式，却不能替代原始材料、研究设计和人工判断。把技术条件和研究结论分别记录，既能提高协作效率，也能让后续复核更稳妥。