研究员

AI驱动的研究员专业人员用例。

1. AI学术研究文献综合器

在教育领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：学术研究文献综合器面临的挑战

在教育领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于研究需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心研究分析

请为[组织/项目名称]执行全面的研究分析。

背景信息：
- 行业：[教育]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]研究活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们研究数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的研究绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[教育]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

2. AI临床试验方案审查器

在医疗健康领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：临床试验方案审查器面临的挑战

在医疗健康领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于研究需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心研究分析

请为[组织/项目名称]执行全面的研究分析。

背景信息：
- 行业：[医疗健康]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]研究活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们研究数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的研究绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[医疗健康]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

3. AI专利格局分析器

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：专利格局分析器面临的挑战

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于IP分析需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心IP分析分析

请为[组织/项目名称]执行全面的ip分析分析。

背景信息：
- 行业：[SaaS]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]ip分析活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们ip分析数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的ip分析绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[SaaS]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

4. AI农业土壤健康分析器

在农业领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：农业土壤健康分析器面临的挑战

在农业领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于土壤分析需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心土壤分析分析

请为[组织/项目名称]执行全面的土壤分析分析。

背景信息：
- 行业：[农业]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]土壤分析活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们土壤分析数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的土壤分析绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[农业]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

5. AI政府政策影响分析器

在政府领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：政府政策影响分析器面临的挑战

在政府领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于数据分析需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心数据分析分析

请为[组织/项目名称]执行全面的数据分析分析。

背景信息：
- 行业：[政府]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]数据分析活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们数据分析数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的数据分析绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[政府]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

6. AI调研设计与分析优化器

在教育领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：调研设计与分析优化器面临的挑战

在教育领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于调研设计需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心调研设计分析

请为[组织/项目名称]执行全面的调研设计分析。

背景信息：
- 行业：[教育]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]调研设计活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们调研设计数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的调研设计绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[教育]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

7. AI农业病虫害检测顾问

在农业领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：农业病虫害检测顾问面临的挑战

在农业领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于病虫害检测需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心病虫害检测分析

请为[组织/项目名称]执行全面的病虫害检测分析。

背景信息：
- 行业：[农业]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]病虫害检测活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们病虫害检测数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的病虫害检测绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[农业]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

8. AI非营利项目评估报告生成器

在非营利组织领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：非营利项目评估报告生成器面临的挑战

在非营利组织领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于影响力报告需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心影响力报告分析

请为[组织/项目名称]执行全面的影响力报告分析。

背景信息：
- 行业：[非营利组织]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]影响力报告活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们影响力报告数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的影响力报告绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[非营利组织]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

9. AI系统性文献综述助手

在医疗健康领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：系统性文献综述助手面临的挑战

在医疗健康领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于研究需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

1. 智能数据摄取与结构化：COCO连接相关数据源并规范化输入：

   • 同时摄取文档、电子表格、数据库和非结构化文本
   • 识别不同数据源中的关键实体、指标和关系
   • 应用领域专属的数据模式，将原始输入转化为可分析的格式
   • 在分析开始前标记数据质量问题、缺失字段和不一致之处
   • 维护将每个输出追溯至源数据的审计跟踪

2. 规律识别与异常检测：COCO发现人工审查遗漏的洞察：

   • 应用统计模型识别趋势、异常值和新兴规律
   • 将当前绩效与历史基线和行业标准进行基准对比
   • 在早期预警信号升级为关键问题前及时检测
   • 跨多个数据维度交叉参考，揭示非显而易见的关联
   • 按潜在业务影响和紧迫性对发现进行优先级排序

3. 自动化报告与文档生成：COCO消除手动文档生产：

   • 按照组织专属的模板和标准生成结构化报告
   • 针对合适的受众和细节层级制作执行摘要
   • 自动创建支撑性可视化图表、数据表格和附件
   • 在所有输出中保持一致的术语、格式和引用标准
   • 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）

4. 工作流自动化与任务编排：COCO简化多步骤流程：

   • 将复杂工作流拆解为具有明确责任人的可追踪步骤
   • 以适当的上下文和说明自动完成团队成员之间的交接
   • 追踪完成状态，在截止日期错过之前发现阻碍
   • 在关键检查点生成检查清单、提醒和升级触发器
   • 与现有工具（Slack、邮件、项目管理）集成，减少情境切换

5. 质量保证与合规检查：COCO将质量内嵌到流程中：

   • 对照监管要求和内部政策标准验证输出
   • 在输出最终定稿前检查完整性、一致性和准确性
   • 记录关键建议背后的推理，用于审查和审计
   • 标记潜在合规风险或政策违规，附具体规则引用
   • 维护所有输出的版本历史，用于监管和审计目的

6. 持续改进与学习：COCO随时间改善结果：

   • 追踪哪些建议被采纳并与下游结果关联
   • 识别当前流程中的系统性偏差或缺口
   • 基于工作流瓶颈分析推荐流程改进
   • 将团队绩效与前期和最佳实践标准进行基准对比
   • 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

• 每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
• 输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
• 吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
• 错误率与返工：需要返工的下游错误从18%降至3%以下
• 决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

• 研究员：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
• 运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
• 合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
• 高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心研究分析

请为[组织/项目名称]执行全面的研究分析。

背景信息：
- 行业：[医疗健康]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]研究活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们研究数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的研究绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[医疗健康]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

10. AI科研基金申请评审器

在生物技术领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：科研经费申请书审核

在生物技术领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。争取科研经费是研究团队最耗时且风险最高的工作之一，然而申请书的起草与提交之间的反馈循环既零散又缓慢。首席研究员和经费管理员花费数周迭代申请书，却没有关于评审专家实际评分标准的系统性指导。缺乏结构化审核流程，常见缺陷——模糊的具体目标、缺乏依据的预算说明、薄弱的重要性章节——往往到很晚才被发现，甚至根本没有被发现。

核心挑战在于申请书质量需要对数十个相互依存的要素进行评估：科学价值、创新性、研究方法、研究者资质和环境条件。每个资助机构——NIH、NSF、DOE、私人基金会——都有不同的评审标准和评分规则。研究人员必须同时预判评审意见、将表述与资助方优先事项对齐，并确保格式符合要求。随着各大机构的资助率降至20%以下，获资与未获资申请书之间的差距往往在于写作细节质量，而非科学价值本身。

若无AI辅助审核系统，机构将在那些因可避免原因而失败的申请书上浪费大量研究者时间。经验丰富的经费管理员在多个实验室竞争截止日期的情况下不堪重负。缺乏导师网络的早期职业研究者在提交前几乎得不到有建设性的反馈。行业基准显示，具备系统性申请书审核流程的机构比仅依赖非正式同行评审的机构高出15-25%的资助率。

COCO 如何解决

1. 评分标准对齐：COCO 将申请书章节与资助方专项评审标准进行映射：

   • 从 NIH、NSF、DOE 及基金会指南中提取已发布的评分规则
   • 按相关标准对每个申请书章节进行1-9分制评分
   • 标记低于竞争阈值的章节并附上具体改进建议
   • 追踪当前草稿与优秀申请书之间每项标准的差距
   • 生成按分数影响排序的优先修改清单

2. 重要性与创新性分析：COCO 评估科学合理性：

   • 检查重要性陈述是否引用了支持知识空白的最新文献
   • 验证创新性主张与此前研究的区分度是否清晰
   • 识别评审者可能质疑的无依据断言
   • 参考成功获资的类比申请书，提供更有力的表述框架
   • 确认拟议工作是否将该领域推进至增量改进之上

3. 研究方法可行性审查：COCO 对研究计划进行压力测试：

   • 评估时间线是否符合团队规模和资源限制的现实情况
   • 识别缺乏对照设计、统计检验力说明或备选方案的实验
   • 标记可能引发评审者质疑的方法选择
   • 检查高风险目标是否提供了备选研究方法
   • 验证预实验数据是否直接支持拟议方法论

4. 预算说明检查：COCO 对财务叙述进行审计：

   • 对照研究计划交叉核查每个预算细项的对应关系
   • 标记相对于研究范围明显不足或过度说明的费用
   • 检查是否符合机构专项预算上限和允许的费用类别
   • 识别人员工作量说明语言缺失的情况
   • 为常见预算细项提供标准说明语言建议

5. 合规与格式验证：COCO 确保申请书达到提交就绪状态：

   • 验证页面限制、字体大小、页边距要求和章节顺序
   • 检查所有必需附件和表格是否在正文中被引用
   • 在需要时确认人类受试者、脊椎动物和生物安全章节的完整性
   • 标记缺失的个人履历、设施说明或关键资源鉴定书
   • 生成最终提交检查清单，并列出每项要求的通过/失败状态

6. 评审者视角模拟：COCO 生成预判性批评意见：

   • 根据申请书最薄弱之处，针对每个目标起草可能的评审意见
   • 建议在正文中提前回应预期反对意见的语言
   • 识别可能使主要专业领域之外的评审者困惑的术语
   • 检查申请书是否自成体系，不假设评审者熟悉此前工作
   • 生成模拟总结声明，帮助研究人员了解其申请书的阅读效果

量化结果与受益角色

可量化成果

• 单份申请书审核时长：从每份3-4天缩短至 4-6小时（压缩80%）
• 提交前修订轮次：从5-7轮减少至 2-3轮（减少55%）
• 提交前捕获的合规错误：检出率从40%提升至 95%（提升138%）
• 科研经费资助率：基准18%提升至 26%获资（两个申请周期内提升44%）
• 研究人员用于申请书写作的时间：每份从200小时减少至 110小时（减少45%）

受益角色

• 首席研究员：在起草初期获得结构化、标准对齐的反馈，减少最后时刻的大幅改写，在提交前提升申请书质量。
• 经费管理员：在不牺牲审查深度或合规准确性的前提下，扩展其跨多个实验室和截止日期的审核能力。
• 早期职业研究者：获得此前只有人脉广泛的教职人员才能享有的同等质量申请书反馈，为首次申请者创造公平竞争的环境。
• 科研处领导层：获得全机构申请书质量趋势的可见性，以便有针对性地进行培训投资，并对标经费资助成功率进行基准比较。

💡 实用提示词

提示词1：全面审核申请书是否符合 NIH 评审标准

你是一位熟悉 NIH [PA/RFA 编号] 申请要求的科研经费专家。

请对以下 [R01 / R21 / K 系列 / 其他] 申请书草稿进行全面审核，重点评估以下五个核心标准：重要性（Significance）、研究者（Investigators）、创新性（Innovation）、研究方法（Approach）、环境（Environment）。

申请书草稿（粘贴或描述）：[粘贴研究摘要、具体目标页及方法章节]

研究领域：[BIOMEDICAL / BEHAVIORAL / CLINICAL 等]
申请者职业阶段：[EARLY STAGE INVESTIGATOR / ESTABLISHED INVESTIGATOR]

请逐一评分（1=弱，9=出色），并说明每项的主要优势与不足，最后提供优先修改建议清单。

提示词2：具体目标页压力测试

请对以下具体目标页进行批判性审查，模拟评审专家的视角。

具体目标页内容：[粘贴全文]

请识别：
1. 总体假设是否清晰且有依据？
2. 每个目标是否独立可行，还是存在级联失败风险？
3. 目标 1-3 之间的逻辑推进是否合理？
4. 结语是否令人信服地阐明了整体意义？
5. 列出评审者最可能提出的3条反对意见，并建议如何在正文中预先回应。

提示词3：预算说明审核

请审核以下科研经费申请的预算说明是否充分。

资助机构：[NIH / NSF / DOE / 其他]
项目期限：[DURATION] 年，预算总额：$[TOTAL AMOUNT]

预算细项摘要（逐一粘贴或描述）：
[列出主要预算类别及金额：人员、设备、消耗品、差旅、间接费用等]

研究计划摘要：[简述研究范围与计划活动]

请逐项评估：
1. 说明是否充分（1-5分）
2. 金额是否与研究范围相符
3. 需要补充或修改的具体说明语言建议

11. AI文献计量与引用图谱分析器

在社会科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：文献计量分析与引文网络映射

在社会科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。理解一个研究领域的知识版图，需要梳理数以千计的出版物、引文与作者网络——这项工作内容丰富，但手动完成时极为耗时。研究人员需花费数周时间整理出版物数据库、追踪引用次数，并试图识别有影响力的作品与新兴研究集群。若缺乏系统性的文献计量分析，文献综述便会遗漏关键基础文献、忽视崛起中的子领域，并无法将新研究准确定位于评审者和编辑所关注的引文生态之中。

核心挑战在于，文献计量分析需要将定量数据处理与定性解读相结合。来自 Scopus、Web of Science 或 Google Scholar 的原始引用数据，在可分析之前须先经过清洗、去重和规范化处理。共引网络、关键词共现图谱和 h 指数计算，各需不同的方法论路径。社会科学研究者往往缺乏在大规模数据上执行这些分析所需的计算工具或训练，而具备技术能力者则将更多时间花在数据整理而非解读上。

缺乏 AI 辅助，文献计量洞察往往到得太晚，无法有效指导研究策略。当研究者手动绘制完引文网络时，资助格局可能已经转变，竞争者早已在识别出的空白领域发表成果。依赖全面文献计量检索的系统综述和元分析，通常需要12-18个月才能完成，而此时证据基础又已演进。行业基准显示，AI 辅助的文献计量工具可将系统综述周期缩短40-60%，同时提升相关研究的召回率。

COCO 如何解决

1. 引文数据库整合：COCO 规范化并合并文献计量数据源：

   • 导入并去重来自 Scopus、Web of Science、PubMed 和 Google Scholar 的导出记录
   • 跨数据库规范化作者姓名、机构归属和期刊名称
   • 标记已撤稿论文、预印本和灰色文献以便妥善处理
   • 在论文、作者和期刊层面追踪引用数量和 h 指数
   • 生成具有标准化元数据字段的清洁可分析数据集

2. 共引与文献耦合分析：COCO 映射知识关系：

   • 计算共引矩阵，识别频繁被同时引用的论文集群
   • 执行文献耦合分析，发现共享相似参考文献列表的论文
   • 将引文网络可视化为带有标注研究社区标签的交互式集群图
   • 识别连接原本独立研究集群的"桥接"论文
   • 追踪随时间推移引文关系如何演变（子领域涌现或合并）

3. 关键词与主题趋势检测：COCO 发现新兴研究主题：

   • 提取并规范化全语料库的关键词和 MeSH 主题词
   • 计算关键词共现网络，映射概念关系
   • 识别过去3-5年发表频率持续加速的关键词
   • 标记研究产出萎缩的衰退主题领域
   • 将关键词趋势与资助机构优先领域对齐，用于战略定位

4. 影响力论文与作者识别：COCO 量化学术影响力：

   • 计算按研究领域和发表年份调整后的规范化引用影响分数
   • 识别具有未来高影响力引用轨迹的论文
   • 映射作者合作网络，发现关键连接者和孤立集群
   • 按研究方向追踪机构出版产出和引用影响
   • 为任何定义的子领域生成必读论文排名列表

5. 系统综述检索策略构建：COCO 构建全面检索框架：

   • 为临床和社会科学综述生成 PICO 格式检索式
   • 跨数据库专属语法（PubMed、EMBASE、PsycINFO）转换检索策略
   • 在执行前估算拟议检索式的召回率和精确率
   • 识别否则将遗漏相关记录的同义词和变体拼写
   • 以符合 PRISMA 规范的格式记录检索策略，用于方法部分

6. 研究空白可视化：COCO 发现文献中的空白地带：

   • 将引用密度图谱与资助投入叠加，发现资源不足的领域
   • 识别发表数量少但引用需求高的主题组合
   • 标记在相邻领域已有应用但目标领域尚未采用的方法论路径
   • 追踪已有定论但近期未被重复验证的时间性研究空白
   • 生成按空白规模和可行性排序的研究机会矩阵

量化结果与受益角色

可量化成果

• 文献版图绘制时长：从手动6-8周缩短至 3-5天（缩短75%）
• 系统综述中识别的相关论文：召回率从78%提升至 96%（提升23%）
• 每项目引文网络分析耗时：从40小时降至 4小时（减少90%）
• 每次分析周期识别的研究空白：从2-3个增加至 8-12个（增加300%）
• 完成系统综述检索阶段的时间：从8周缩短至 3周（缩短63%）

受益角色

• 社会科学研究者：在数天内而非数月内获取全面的领域版图，从而在现有文献中更具战略性地定位新研究贡献。
• 系统综述团队：借助 AI 辅助的去重与召回优化，更快完成检索策略制定和文献筛选，将时间释放用于数据提取和综合。
• 学术图书馆员：在不牺牲检索质量或文档标准的前提下，扩展其同时支持多项系统综述的能力。
• 系主任与科研总监：获取机构层面的出版分析数据，以数据驱动的方式为招聘、合作及战略研究重点决策提供依据。

💡 实用提示词

提示词1：研究领域版图绘制

你是一位专注于 [FIELD/DISCIPLINE] 的文献计量分析专家。

我已从 [DATABASE(S)] 导出了 [NUMBER] 条记录，涵盖 [START YEAR] 至 [END YEAR] 年间关于 [RESEARCH TOPIC] 的出版物。

数据（粘贴 CSV 导出或摘要元数据）：[PASTE CSV EXPORT OR SUMMARIZED METADATA]

请：
1. 识别被引次数最多的前10篇论文，并解释每篇的影响力来源
2. 根据共享关键词与引文识别3-5个独立研究集群
3. 列出发文量最高的前5位作者及其主要研究子领域
4. 描述时间维度的发表趋势：增长、稳定还是下降？
5. 识别该领域版图中可见的2-3个研究空白

输出格式为适合文献综述引言的结构化版图报告。

提示词2：系统综述检索式开发

请帮我构建一套全面的系统综述检索策略。

综述主题：[RESEARCH QUESTION IN PICO FORMAT IF APPLICABLE]
研究对象/背景：[TARGET POPULATION OR SETTING]
干预/暴露因素：[INTERVENTION OR VARIABLE OF INTEREST]
对照组：[COMPARISON GROUP IF APPLICABLE]
结局指标：[PRIMARY OUTCOME]
目标数据库：[PubMed / EMBASE / PsycINFO / Scopus / Web of Science]
时间范围：[START YEAR] 至今
语言限制：[ENGLISH ONLY / ALL LANGUAGES]

请生成：
1. 每个数据库使用相应语法的布尔检索式
2. 我可能遗漏的同义词和变体词列表
3. 预估检索规模（每个数据库的大致结果数量）
4. 基于 PICO 框架的纳入/排除标准建议
5. 预填入我的检索参数的 PRISMA 流程图模板

提示词3：引文网络解读

我已对 [FIELD] 领域的 [NUMBER] 篇论文进行了共引分析，共产生 [NUMBER] 个集群。以下是每个集群中顶级论文的摘要：

集群1：[LIST TOP 3-5 PAPERS WITH TITLES AND YEARS]
集群2：[LIST TOP 3-5 PAPERS]
集群3：[LIST TOP 3-5 PAPERS]
[如需补充其他集群请继续添加]

对于每个集群，请：
1. 提出描述其知识主题的解读性标签
2. 概括共同的理论或方法论路径
3. 识别奠基性论文（最早发表且被引最多）
4. 描述该集群与相邻集群的关联关系
5. 评估该集群是处于增长、成熟还是衰退阶段

最后请指出：哪些集群最可能在未来5年内合并？合并后将催生哪些新的跨界研究方向？

12. AI定性数据编码助手

在公共卫生领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：定性数据编码

在公共卫生领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。定性研究——访谈、焦点小组、开放性问卷、田野笔记——能捕捉定量方法无法呈现的丰富数据，但分析过程极为耗时费力。研究人员需花费数百小时阅读访谈记录、制定编码手册、应用编码并解决编码员间的分歧。一项包含30-40份访谈记录的单一定性研究，在主题分析开始前可能就需要300-500小时的编码时间，造成严重的工作瓶颈，限制了公共卫生研究者能够纳入研究的定性证据总量。

核心挑战在于，定性编码需要兼顾系统性的一致性与解读性的判断。编码需在所有访谈记录中可靠应用以识别规律，但一段内容的含义往往取决于上下文、语气和受访者的整体叙事。编码手册本身是迭代演进的——早期编码随着规律的涌现而被精炼、合并、拆分或放弃。在多位编码员之间管理这一过程、确保编码手册的版本控制，以及计算编码员间信度（IRR）指标（如 Cohen's Kappa），都是随数据量增长而不断叠加的耗时任务。

缺乏 AI 辅助，公共卫生领域的定性研究在规模上往往力不从心——研究者不得不将样本量限制在可操作编码的范围内，而非研究问题本身的需求。可强化理论主张的重要反例和偏差案例，因穷尽编码不切实际而被忽略。备忘录撰写和反思性记录是方法论严谨性的核心，却因分析员被机械编码任务压垮而被边缘化。行业基准显示，AI 辅助编码工具可将初始编码时间缩短50-70%，同时维持乃至提升编码员间信度。

COCO 如何解决

1. 编码手册开发支持：COCO 构建编码框架：

   • 阅读样本访谈记录，提出包含定义的初始归纳编码列表
   • 基于数据规律，建议具有上级编码和子编码的层级结构
   • 为每个编码起草纳入与排除标准，以指导一致性应用
   • 标记可能导致编码员间信度问题的概念重叠
   • 生成与 NVivo、ATLAS.ti 和 Dedoose 兼容的格式化编码手册模板

2. 访谈记录切分与初步编码：COCO 加速第一轮分析：

   • 在话轮或段落层面将访谈记录切分为有意义的分析单元
   • 对每个单元应用现有编码手册中的编码，并附可信度分数和理由
   • 标记可适用多个编码的模糊段落，供人工裁决
   • 追踪编码频率及其在受访者和访谈章节中的分布情况
   • 生成可导入定性分析软件的编码记录输出文件

3. 编码员间信度计算：COCO 衡量编码一致性：

   • 对比多位分析员的编码记录，计算 Cohen's Kappa 或 Krippendorff's Alpha
   • 识别编码员存在分歧的具体段落，并概括分歧性质
   • 生成格式化的分歧日志，供共识讨论会议使用
   • 追踪随编码手册精炼，各轮次编码员间信度的改善情况
   • 生成适用于发表论文方法部分报告的 IRR 报告

4. 主题规律分析：COCO 支持解读性综合：

   • 识别在同一访谈段落中持续共现的编码
   • 梳理编码间的关联，发现候选主题和子主题
   • 检索某一特定编码或编码组合下的所有段落，供对比审阅
   • 标记反例——即受访者回应与新兴主题相悖的情况
   • 生成将主题与受访者特征交叉制表的主题矩阵

5. 备忘录与分析笔记整合：COCO 支持反思性研究实践：

   • 在编码过程的关键决策节点提示分析员撰写解读性备忘录
   • 将备忘录与特定编码段落关联，形成可溯源的审计痕迹
   • 汇总分析团队的备忘录内容，发现解读性分歧
   • 根据研究者提供的背景信息，起草反思性陈述
   • 按时间顺序整理备忘录，记录分析解读的演变过程

6. 报告与论文写作支持：COCO 将发现转化为书面成果：

   • 根据典型性、丰富性和受访者多样性，为每个主题筛选代表性引文
   • 起草将引文与分析解读融合的发现部分叙事
   • 检查发现是否有数据依据，并对过度解读发出警告
   • 以发表就绪格式格式化对编码记录和行号的引用
   • 生成供同行评审投稿使用的编码过程方法部分描述

量化结果与受益角色

可量化成果

• 每份访谈记录的初始编码时长：从8-12小时降至 2-3小时（减少73%）
• 最终编码手册的开发周期：从4-6周缩短至 1-2周（缩短67%）
• 编码员间信度（Cohen's Kappa）：从平均0.62提升至 平均0.81（提升31%）
• 项目周期内可操作的样本量：从20-25份访谈扩大至 50-60份（增加140%）
• 从数据收集到论文投稿的周期：从14个月缩短至 8个月（缩短43%）

受益角色

• 定性研究者：在经费周期内扩大可开展研究的规模，在不牺牲分析严谨性的前提下，产出更稳健、更具普遍性的定性证据。
• 研究生与科研助理：获得结构化的编码手册指导和一致性检查，加快学习曲线，减少早期职业定性研究工作中的错误。
• 混合方法研究团队：更快速地将定性发现整合进混合方法研究，缩短定量与定性分析阶段之间的时间差。
• 公共卫生项目评估人员：以此前无法实现的规模分析社区反馈、焦点小组数据和实施访谈，推动更具响应性的项目设计。

💡 实用提示词

提示词1：从访谈记录归纳构建编码手册

你是一位专注于 [METHODOLOGY: 扎根理论 / 主题分析 / 框架分析 / IPA] 的定性研究方法专家。

我正在分析关于 [RESEARCH TOPIC] 的访谈数据。
研究对象：[PARTICIPANT DESCRIPTION]
研究问题：[PRIMARY RESEARCH QUESTION]

以下是3份样本访谈记录（或摘录）：
[PASTE TRANSCRIPT EXCERPTS — aim for 1,000-2,000 words total]

请：
1. 提出初始归纳编码列表（目标15-25个编码）
2. 对每个编码提供：编码名称、定义和一个示例段落
3. 建议将相关编码归入上级主题的层级结构
4. 标记在现有编码中分析意义重要但难以归类的段落
5. 识别值得持续追踪的2-3处跨段落张力或矛盾

输出格式为编码手册表格：编码 | 定义 | 示例 | 上级主题

提示词2：将编码手册应用于新访谈记录

请使用以下编码手册，对下方访谈记录进行编码。

编码手册：
[PASTE CODEBOOK — code names and definitions]

访谈记录：
受访者编号：[ID]
访谈日期：[DATE]
[PASTE FULL TRANSCRIPT]

操作说明：
- 在自然分析单元处（主题转换或段落断点）切分记录
- 对每个单元应用所有相关编码（允许一个单元对应多个编码）
- 对每个编码段落提供：段落原文 | 所用编码 | 简要理由
- 标记在两个编码之间难以判断的段落
- 注明分析意义重要但无现有编码对应的段落
- 最后总结：本份访谈记录中哪些编码出现最为突出？

提示词3：跨编码数据的主题综合

我已完成 [NUMBER] 份访谈的编码工作。以下是每个编码的频率摘要和关键段落。

编码摘要数据：
[PASTE CODE FREQUENCY TABLE OR KEY QUOTES PER CODE]

研究问题：[RESEARCH QUESTION]
研究方法论：[THEMATIC ANALYSIS / GROUNDED THEORY / OTHER]

请协助我：
1. 识别能够捕捉编码数据规律的4-6个候选主题
2. 对每个主题：提出描述性命名、两句话定义，以及构成该主题的编码
3. 识别与主要主题相悖的反例或受访者子群体
4. 建议展示主题间关系的主题图谱
5. 为发现部分推荐每个主题的2-3条代表性引文

请标出任何在最终确定前需要回溯原始数据核实的解读性跨越。

13. AI实验室实验方案优化器

在生命科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：实验室实验方案优化

在生命科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。设计和优化实验室实验方案是生命科学研究中知识密度最高的工作之一，需要同时具备实验设计、试剂化学、仪器校准和统计功效方面的专业知识。设计不当的实验方案会浪费昂贵试剂，消耗研究人员宝贵时间在本可避免的失败实验上，并产生统计功效不足、无法支撑有意义结论的数据。细胞生物学或生物化学领域一次失败的实验循环，光材料成本就可能高达5,000至20,000美元，还不计入研究人员时间。

核心挑战在于，实验方案设计需要同时整合多个领域的知识：研究体系的生物学机制、试剂化学性质、仪器物理特性和实验设计统计学。资深研究员通常以内隐知识的形式掌握这些要素，但初级研究人员和新成员缺乏这种积累性专业经验。实验故障排查——判断实验为何失败及如何修正——依赖对数十种潜在故障模式的系统性推理，这一过程难以形式化和转移传授。当实验室扩大规模或攻克新的实验系统时，机构知识盲区便成为关键瓶颈。

缺乏 AI 辅助，实验方案优化主要通过试错来完成——这是一个代价高昂且进展缓慢的过程。文献检索优化实验方案变体耗时长且鲜能做到全面。复杂实验设计的统计功效计算需要大多数实验科学家所不具备的专业知识。实验失败时，故障排查往往是临时性的而非系统性的，同类故障模式在不同实验室成员间反复出现。行业基准显示，结构化的实验方案优化可将实验失败率降低30-50%，并将检测方法开发周期加速40-60%。

COCO 如何解决

1. 实验方案设计审查：COCO 在执行前评估实验计划：

   • 检查实验设计中所有关键变量是否得到控制或随机化处理
   • 标记每种检测类型缺失的对照（阳性对照、阴性对照、载体对照、同型对照）
   • 识别可能导致检测失败的试剂不相容性或缓冲液冲突
   • 验证仪器设置是否符合检测要求（如荧光检测的激发/发射参数）
   • 基于文献中的常见优化策略，提出方案改进建议

2. 统计功效与样本量计算：COCO 确保实验具备充分功效：

   • 根据指定效应量、显著性水平和功效，计算常见实验设计所需样本量
   • 基于实验设计和数据类型，推荐适当的统计检验方法
   • 标记拟议样本量不足以检测预期效应的实验
   • 推荐与研究问题匹配的重复策略（技术重复与生物学重复）
   • 生成包含前瞻性记录统计分析计划的预注册模板

3. 试剂与耗材优化：COCO 减少材料浪费：

   • 根据方案参数计算每次实验所需的精确试剂用量
   • 识别通过微型化检测（从96孔板到384孔板）减少试剂消耗的机会
   • 追踪试剂批次间差异风险，并建议过渡实验设计方案
   • 标记临近过期日期、可能影响数据质量的试剂
   • 在主要试剂不可获得或价格过高时，推荐同等效果的替代品

4. 故障排查决策树：COCO 系统化失败分析：

   • 为每种检测类型（ELISA、Western blot、PCR、流式细胞术等）生成结构化故障排查指南
   • 将报告的故障症状映射至按可能性排序的根本原因
   • 建议逐步诊断实验以定位故障节点
   • 追踪跨实验的故障排查历史，识别反复出现的故障模式
   • 生成可在实验室成员间共享并供日后参考的格式化故障排查日志

5. 实验方案版本控制与文档化：COCO 维护可重现性标准：

   • 创建带有记录每次修改变更日志的版本化方案文档
   • 按社区标准（如 protocols.io）格式化方案，以便发表和共享
   • 为不同仪器配置的实验室生成特定设备的 SOP 变体
   • 标记可能影响实验室间可重现性的、偏离已发表方案的做法
   • 生成记录优化实验和依据的方案验证摘要

6. 跨实验室方案基准比较：COCO 借鉴已发表的最佳实践：

   • 检索已发表文献中目标检测的优化方案变体
   • 将当前实验室方案与已发表标准进行对比，突出关键差异
   • 识别在故障排查报告中最频繁被修改的方案要素
   • 总结该领域领先实验室使用的优化策略
   • 生成包含可用性能数据的方案变体对比表

量化结果与受益角色

可量化成果

• 实验失败率：35%的实验无法产生可用数据，优化后降至 12%（减少66%）
• 新检测方案开发周期：从8-12周缩短至 3-5周（缩短58%）
• 每个实验循环的试剂浪费：平均从4,200美元降至 2,100美元（减少50%）
• 初级研究人员用于故障排查的工作台时间：从60%降至 35%（减少42%）
• 已完成实验的统计功效充分性：从65%提升至 91%（提升40%）

受益角色

• 实验科学家与科研助理：无需等待资深研究员，即可获得专家级的方案指导和故障排查支持，减少实验循环间的停工时间。
• 首席研究员：获得所有实验室项目方案质量和统计严谨性的可见性，降低在功效不足或设计不当实验上浪费资源的风险。
• 核心设施负责人：在用户群体间标准化和优化共享方案，减少仪器相关故障排查，提升所有设施用户的数据质量。
• 研究生：通过结构化 AI 指导更快建立方案设计和故障排查能力，加速从有监督工作过渡至独立实验工作的进程。

💡 实用提示词

提示词1：方案审查与优化

你是一位专注于 [ASSAY TYPE: ELISA / Western blot / qPCR / 流式细胞术 / 细胞活力检测 / 其他] 的生命科学实验设计专家。

请审查以下实验方案并识别优化机会：

方案名称：[PROTOCOL NAME]
应用目的：[WHAT BIOLOGICAL QUESTION THIS ADDRESSES]
样本类型：[CELL LINE / PRIMARY CELLS / TISSUE / SERUM / OTHER]
当前方案步骤：
[PASTE PROTOCOL STEPS]

请评估：
1. 是否包含所有必要对照？列出缺失的对照。
2. 缓冲液组成和 pH 值是否适合该检测？
3. 孵育时间和温度是否针对此应用进行了优化？
4. 是否有需要在使用前进行梯度优化的试剂浓度？
5. 该检测类型最常见的3个故障节点是什么？

提供带有每次修改及其依据的修订版方案。

提示词2：实验设计的统计功效计算

请帮我确定以下实验的适当样本量。

实验类型：[IN VITRO / IN VIVO / CLINICAL COHORT / OTHER]
主要结局指标：[MEASUREMENT TYPE AND UNITS]
预期效应量：[DESCRIBE EXPECTED DIFFERENCE OR PROVIDE COHEN'S D IF KNOWN]
实验分组：[NUMBER OF GROUPS AND DESCRIPTION]
实验设计：[INDEPENDENT GROUPS / REPEATED MEASURES / FACTORIAL]
目标功效：[0.80 / 0.90]
显著性水平：[0.05 / 0.01]
预期变异系数（CV%）：[IF KNOWN]
每个生物学重复的技术重复数：[NUMBER]

请计算：
1. 每组所需的生物学重复数
2. 包含技术重复在内的实验总 n
3. 在拟议样本量下的最小可检测效应量
4. 推荐的统计分析方法
5. 任何在不增加 n 的情况下提升功效的设计改进建议

输出适用于经费申请方法部分的功效分析摘要。

提示词3：失败实验的系统化故障排查

我的实验产生了意外结果，需要系统化的故障排查帮助。

检测类型：[ASSAY NAME]
预期结果：[DESCRIBE WHAT SHOULD HAVE HAPPENED]
实际结果：[DESCRIBE WHAT ACTUALLY HAPPENED — be specific about values, images, etc.]

实验条件：
- 细胞系/样本：[DESCRIPTION]
- 使用的试剂批号：[LOT NUMBERS IF AVAILABLE]
- 使用的设备：[INSTRUMENT MODEL]
- 偏离标准方案的情况：[LIST ANY CHANGES MADE]
- 往期实验历史：[DID THIS ASSAY WORK BEFORE? WHEN DID IT STOP WORKING?]

请：
1. 生成按可能性排序的根本原因列表（从最可能到最不可能）
2. 对每种根本原因，建议1-2步诊断实验以确认或排除
3. 提供本周可执行的逐步故障排查计划
4. 列出下次实验中应添加的对照以定位问题
5. 建议在实验记录本中应记录哪些内容以防止复发

14. AI研究伦理与IRB合规检查器

在临床试验领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：研究伦理与 IRB 合规审查

在临床试验领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。研究伦理与机构审查委员会（IRB）合规是临床和社会科学研究中风险最高的行政职能之一。提交不完整、前后矛盾或未能解决必要伦理考量的 IRB 申请，可能导致研究启动延迟数月，乃至申请被全盘否决。研究团队与 IRB 协调员之间为解决缺陷而来回周转，浪费了大量时间，而这些问题本可在内部审查阶段及时发现。在涉及人类受试者的研究受到更高程度审视的当下，合规失败带来的代价——声誉损失、法律责任和监管后果——从未如此高昂。

核心挑战在于，IRB 合规横跨极为广泛的监管要求：联邦法规（45 CFR 46、21 CFR 50 和 56 条款）、机构政策、国际框架（《赫尔辛基宣言》、ICH GCP）、特定疾病领域的隐私法规（HIPAA、GDPR），以及因受试者群体而异的知情同意标准（弱势群体、未成年人、囚犯、孕妇、认知障碍人士）。研究团队必须同时兼顾科学和伦理考量，且符合加急审查与全委会审查的标准并非总是清晰可辨。风险-获益分析或弱势人群保护中的一处遗漏，即可能导致申请被要求全面修订。

缺乏 AI 辅助，IRB 准备工作完全落在研究协调员和首席研究员肩上，而他们已在同时应对多项相互竞争的优先事项。模板化方法有助于格式化，但无法捕捉实质性伦理漏洞。由科学人员撰写的知情同意书，对于普通受试者群体往往过于专业，引发可读性审查进而推迟审批。知情同意过程本身必须以能证明自愿性和理解程度的方式记录，而这一标准因 IRB 和受试群体不同而存在差异。行业基准显示，使用系统性伦理审查工具准备的 IRB 申请，首轮审批通过率比未使用结构化指导的高出30-40%。

COCO 如何解决

1. IRB 申请完整性检查：COCO 验证申请材料包：

   • 对照特定 IRB 的要求清单，交叉核查已提交文件
   • 在提交前标记缺失的章节、附件或表格
   • 验证申请书、知情同意书和招募材料中的研究方案描述是否前后一致
   • 检查申请书中列出的研究人员是否与存档的培训认证记录一致
   • 生成带有每项要求通过/失败状态的提交前检查清单

2. 风险-获益分析审查：COCO 评估伦理合理性：

   • 评估受试者风险是否在合理研究设计的前提下得到了最小化处理
   • 评估预期获益是否能在给定受试群体的情况下证明所述风险的合理性
   • 标记在方案中已描述但在风险-获益部分未予回应的风险
   • 识别特定群体专属的风险（如创伤研究中的二次创伤、HIV研究中的隐私泄露风险），这些风险可能被忽视
   • 建议用于强化超出最低风险程度研究合理性的表述语言

3. 知情同意书审计：COCO 确保易读性与完整性：

   • 检查知情同意的八项必要要素（45 CFR 46.116）是否全部具备
   • 计算 Flesch-Kincaid 可读性分级，标记超过八年级水平的文本
   • 识别需要替换为通俗语言的专业术语
   • 验证补偿细节、自愿参与声明和退出权利是否表述清晰
   • 为不同研究群体建议文化适应性语言修订

4. 弱势人群保护检查：COCO 识别特殊考量：

   • 识别需要额外保护的研究群体（儿童、囚犯、孕妇、认知障碍人士、雇员、学生）
   • 验证每类弱势群体所需的额外保护措施是否已予以描述
   • 检查儿科研究中是否按要求纳入了赞同程序
   • 标记招募或补偿策略中的强迫性因素
   • 确认豁免知情同意或豁免知情同意文档的申请是否有充分理由

5. 隐私与数据安全审查：COCO 审计数据保护措施：

   • 验证在涉及受保护健康信息的情况下，HIPAA 授权或豁免是否已纳入
   • 检查数据去识别化、编码和安全存储程序是否已描述清楚
   • 审查数据保留和销毁计划是否符合联邦和机构要求
   • 为涉及跨境数据传输的研究标记 GDPR 及国际合规注意事项
   • 确保针对敏感数据的保密证书申请资格和申请程序已得到处理

6. 审查类别确定：COCO 对申请进行适当分类：

   • 评估研究是否符合豁免审查、加速审查或全委会审查的联邦标准
   • 标记明显被归入了更高风险类别的申请
   • 以法规引用的形式解释支持建议审查类别的标准
   • 识别在不影响科学有效性的前提下，可通过修改申报低风险审查路径的要素
   • 生成随申请提交的审查类别说明备忘录

量化结果与受益角色

可量化成果

• IRB 首轮审批通过率：从52%提升至 78%（提升50%）
• 从提交到获批的平均时间：从11周缩短至 6周（缩短45%）
• 知情同意书可读性合规率：符合八年级标准的比例从40%提升至 95%（提升138%）
• 因文件缺失导致的 IRB 再提交率：从38%的申请降至 8%（减少79%）
• 研究协调员每份方案 IRB 准备耗时：从60小时降至 28小时（减少53%）

受益角色

• 研究协调员：借助结构化检查清单和自动化缺口识别，更高效地完成 IRB 申请，减少在格式调整和重新提交周期上耗费的时间。
• 首席研究员：以更高的伦理严谨性和监管合规信心提交方案，减少 IRB 审查过程中的焦虑，保护研究项目免受可避免的延误。
• IRB 管理员：收到准备更充分的申请材料，减少澄清请求，提升审查吞吐量，使委员会能够专注于实质性伦理审查而非行政纠错。
• 临床试验申办方：通过减少 IRB 相关延误加快研究启动时间，提升研究现场激活效率，改善整体试验时间线管理。

💡 实用提示词

提示词1：IRB 申请完整性审查

你是一位熟悉联邦人类受试者法规（45 CFR 46、21 CFR 50 和 56 条款）及 ICH 临床实践规范的 IRB 合规专家。

请对以下 IRB 申请进行完整性和合规性审查。

研究类型：[INTERVENTIONAL / OBSERVATIONAL / SURVEY / QUALITATIVE INTERVIEWS / OTHER]
研究群体：[DESCRIPTION INCLUDING ANY VULNERABLE POPULATIONS]
预计风险等级：[MINIMAL / GREATER THAN MINIMAL]
IRB 类型：[INSTITUTIONAL / CENTRAL / FDA-REGULATED]

已提交的申请章节：
[PASTE APPLICATION SECTIONS OR DESCRIBE WHAT IS INCLUDED]

请检查：
1. 对于该研究类型和风险等级，所有必要章节是否齐全？
2. 风险-获益分析是否完整且有充分论证？
3. 知情同意的所有必要要素是否完整且表述清晰？
4. 是否对所有弱势群体描述了适当的保护措施？
5. 拟议审查类别（豁免/加速/全委会）是否有充分理由？

输出格式：缺陷表——章节 | 问题 | 引用法规 | 修改建议。

提示词2：知情同意书通俗语言修订

请将以下知情同意书章节修订为符合通俗语言标准，以供研究受试者阅读。

目标阅读水平：6-8年级（Flesch-Kincaid）
研究群体：[GENERAL PUBLIC / LOW HEALTH LITERACY POPULATION / PEDIATRIC ASSENT / OTHER]
语言：[ENGLISH / SPECIFY IF TRANSLATION IS NEEDED]

原始文本：
[PASTE CONSENT FORM SECTION — up to 500 words]

请：
1. 在保留所有必要法律要素的前提下，按目标阅读水平改写
2. 将所有专业术语替换为通俗语言替代表达（提供词汇对照表）
3. 将句子长度缩短至平均15-20个词
4. 全文使用主动语态
5. 计算并报告修订版文本的 Flesch-Kincaid 年级水平
6. 标记原文中缺失的任何必要知情同意要素

以并排格式呈现原版与修订版，便于对比。

提示词3：弱势人群保护评估

我正在开展涉及以下弱势群体的研究：[DESCRIBE VULNERABLE POPULATION: 儿童 / 囚犯 / 孕妇 / 认知障碍成人 / 研究机构雇员 / 学生 / 其他]。

研究内容描述：[BRIEF DESCRIPTION OF STUDY ACTIVITIES]
收集数据：[TYPE OF DATA — surveys, interviews, biospecimens, medical records]
提供的补偿：[DESCRIPTION AND AMOUNT]
招募方式：[HOW PARTICIPANTS WILL BE IDENTIFIED AND APPROACHED]

请评估：
1. 哪些具体联邦法规适用于该群体？
2. 超出标准知情同意之外的额外保护措施有哪些？
3. 补偿金额是否适当——既不具强迫性，也不会产生不当诱导？
4. 招募方式是否考虑到了权力差异是否适当？
5. 是否存在赞同要求？如有，赞同书须包含哪些内容？
6. 针对该群体，知情同意书中应补充哪些语言？

请为每项建议引用具体的法规章节。

15. AI跨学科研究空白识别器

在环境科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：跨学科研究空白识别

在环境科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。环境科学本质上是跨学科的——应对气候变化、生物多样性丧失和污染等挑战，需要同时整合生态学、大气化学、水文学、经济学、社会学和政策科学的知识。然而，各学科的文献彼此孤立，拥有不同的期刊、会议和引文网络。每个学科内部的研究者对自己的领域知之甚深，却系统性地忽视相邻领域中可能从根本上改变其研究路径的工作。环境科学中最重大的机会，往往存在于学科交叉之处，但这些空白对于任何在单一学科框架内工作的研究者来说，几乎都是隐形的。

核心挑战在于，识别跨学科研究空白需要同时阅读多个领域的文献——这种智识要求超出了任何个人的时间和注意力上限。在一个数据库中进行的关键词检索，返回的是来自某一学科的论文，却会遗漏在相邻领域以不同术语发表的同等重要的工作。同一现象在不同名称下被研究：生态学家所称的"营养级联"，可能与经济学家研究的"生态系统服务"有所重叠，又与社会学家研究的"自然-人类关系"有所交叉。缺乏系统性的跨学科视角，研究者只能偶然发现这些联系——在一次学术会议上，通过某位合作者，或在研究项目进入多年之后，这些被遗漏的工作才在同行评审中浮出水面。

缺乏 AI 辅助，环境科学中的跨学科综合主要依赖代价高昂、耗时漫长的机制：大型跨学科研究中心、长期资助项目，或偶发的合作机缘。资助机构越来越多地要求跨学科方法，却几乎没有提供帮助研究者识别相关专业知识和证据实际所在位置的基础设施。早期职业研究者尤为不利——他们缺乏资深科学家用于跨越学科边界的广泛人脉网络。行业基准显示，AI 辅助的跨学科空白分析所产生的可行性研究机会，是传统单学科文献综述的3-5倍。

COCO 如何解决

1. 多学科文献聚合：COCO 跨越学科边界：

   • 同时在环境科学、社会科学、经济学、工程学和政策数据库中检索
   • 跨学科映射等效术语，识别研究同一现象的平行文献
   • 识别在某一领域被高度引用，但在相邻相关领域鲜被引用的论文
   • 追踪跨学科引文流动，揭示各学科开始融合的迹象
   • 生成展示哪些研究社区彼此了解对方工作的跨学科文献版图

2. 术语转换引擎：COCO 弥合学科语言障碍：

   • 构建将学科专属术语与同一概念相关联的同义词映射
   • 识别同一方法在不同领域使用不同名称的情况（如结构方程模型与路径分析）
   • 建议能够捕捉一个概念所有学科变体的检索式扩展
   • 标记相似术语在不同学科中含义不同的情况
   • 为跨学科经费申请和论文生成跨学科术语词汇表

3. 空白矩阵构建：COCO 识别未被探索的交叉领域：

   • 创建以学科为轴的矩阵，并映射每个交叉点的已发表研究密度
   • 识别发表密度低但理论相关性高的矩阵空白单元
   • 评估低密度单元是代表真实空白，还是以不同框架被研究
   • 按科学重要性、可行性和与当前资助优先事项的对齐程度优先排序空白
   • 生成包含每个空白值得追求的证据的空白机会报告

4. 方法论转移分析：COCO 识别跨领域移植机会：

   • 识别在某一学科中已成熟的方法，但尚未被应用于环境科学中类似问题的情况
   • 评估在可用数据和资源条件下应用新方法的技术可行性
   • 寻找方法论转移带来重大突破的案例研究
   • 建议执行每项方法论转移所需的合作者背景类型
   • 生成概括转移机会和实施路径的方法创新简报

5. 资助格局交叉映射：COCO 将空白与机构优先事项对齐：

   • 将已识别的研究空白与 NSF、EPA、DOE 和 NIH 当前优先领域进行交叉参照
   • 识别同时契合多个资助方的空白，以发掘联合资助机会
   • 标记近期项目公告或机构战略计划中明确点名的空白领域
   • 追踪新兴资助优先事项，在其被广泛认知前预判未来空白区域
   • 根据资源可用性，生成用于优先追求空白的资助对齐矩阵

6. 合作网络构建：COCO 识别潜在的跨学科伙伴：

   • 识别在已识别空白方面具备相关专业知识的相邻学科研究者
   • 映射共同作者网络，发现已在跨学科线上工作的研究者
   • 建议适用于已识别空白规模的机构合作结构
   • 根据潜在合作者的已发表工作生成外联信息简介
   • 生成针对已识别空白和合作学科量身定制的合作提案模板

量化结果与受益角色

可量化成果

• 每次审查周期识别的跨学科研究机会：从3-4个增加至 12-18个（增加300%）
• 完成跨学科文献扫描的时间：从8-10周缩短至 2-3周（缩短73%）
• 每个研究组每年提交的跨学科经费申请：从1-2份增加至 4-6份（增加200%）
• 单学科检索中遗漏的相关论文：从遗漏45%降至 遗漏12%（召回率提升73%）
• 从空白识别到首份经费申请的时间：从14个月缩短至 7个月（缩短50%）

受益角色

• 环境科学研究者：系统性地发现与其研究问题最相关的相邻学科工作，推动更具整合性和影响力的论文发表与项目申请。
• 跨学科研究中心：加速识别附属教职人员间的高价值合作机会，最大化跨学科基础设施的投资回报。
• 项目官员与资助机构：获得关于学科孤岛阻碍高优先级环境挑战进展的结构化情报，为有针对性的项目设计提供信息。
• 早期职业研究者：获得资深科学家经过数十年人脉建设才逐渐形成的广泛跨学科视野，从职业起步阶段便能构建更具战略定位的研究项目。

💡 实用提示词

提示词1：跨学科空白绘图

你是一位专注于环境科学的跨学科研究战略顾问。

我的研究方向：[SPECIFIC ENVIRONMENTAL TOPIC OR PROBLEM]
我的主要学科：[ECOLOGY / ATMOSPHERIC SCIENCE / HYDROLOGY / ENVIRONMENTAL CHEMISTRY / OTHER]
我已关注的次要学科：[LIST ANY ADJACENT FIELDS YOU ALREADY MONITOR]
地理范围：[GLOBAL / REGIONAL SPECIFICATION]
研究时间跨度：[SHORT-TERM APPLIED / LONG-TERM BASIC RESEARCH]

请：
1. 识别4-6个与我的课题最相关、但在我目前阅读中代表性不足的相邻学科
2. 对每个相邻学科，列出2-3个我应了解的核心概念或方法
3. 识别3-4个具体的跨学科空白，即我所在领域与某相邻领域的交叉处研究不足
4. 对每个空白，解释：为何重要、需要哪些学科专业知识，以及当前资助优先事项是否支持这一方向
5. 建议3个我应运行以发现相邻文献的具体检索查询

以跨学科机会矩阵形式输出。

提示词2：术语转换与检索扩展

我正在检索关于 [RESEARCH CONCEPT/PHENOMENON] 的文献，背景是 [ENVIRONMENTAL SCIENCE SUBDISCIPLINE]。

我目前的检索词：[LIST YOUR CURRENT KEYWORDS]
已检索的数据库：[LIST DATABASES]
结果数量：[NUMBER]——感觉 [TOO LOW / TOO NARROW]

请帮我：
1. 识别相邻学科（经济学、社会学、工程学、公共卫生、政策科学）如何描述这一概念
2. 生成跨学科的同义词与相关词汇综合列表
3. 构建涵盖所有学科变体的扩展布尔检索式
4. 识别该主题可能发表的我所在领域之外的主要期刊
5. 标记任何术语陷阱——即相似词汇在不同学科语境中含义不同的情况

输出：扩展检索式 + 学科-术语对应表。

提示词3：跨学科经费申请空白论证

我正在准备一份跨学科研究项目的经费申请，需要阐明其所解决的跨学科空白。

资助机构与项目：[AGENCY AND PROGRAM ANNOUNCEMENT]
项目聚焦：[2-3 SENTENCE DESCRIPTION OF PROPOSED RESEARCH]
整合的学科：[LIST ALL DISCIPLINES INVOLVED]
支持空白存在的关键文献：[CITE 3-5 PAPERS IF AVAILABLE]

请帮我：
1. 起草一段3段式的空白陈述，将这项工作定位于所列学科的交叉之处（适用于重要性章节）
2. 识别我应承认并与之区分的竞争性或重叠性工作
3. 阐明为何单一学科方法不足以解决这一空白
4. 建议向评审者展示跨学科创新的具体措辞
5. 识别我应引用以强化跨学科框架的相邻学科补充文献

空白陈述目标字数：400-500词。

16. AI数据集质量审计器

在基因组学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：数据集质量审计

在基因组学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。基因组学数据集是现代研究中体量最大、结构最复杂、也最容易出错的数据类型之一。一次全基因组测序运行可生成数 TB 的原始数据，在开展任何生物学分析之前，必须先经过多个质量控制步骤的处理。任何环节引入的错误——样本标注失误、批次效应、测序伪像、比对错误或变异识别偏差——都可能在整个分析流程中悄无声息地传播，最终导致错误的生物学结论。基因组学研究中的高关注度撤稿事件，已被追溯至本可通过全面审计发现的基础性数据质量问题。

核心挑战在于，基因组学数据质量评估需要横跨分子生物学、统计学、生物信息学和被研究生物系统的领域特异性知识。不同数据类型的质量指标各不相同：bulk RNA-seq 有其独特的失败模式，与单细胞 RNA-seq 不同，也与 ATAC-seq、ChIP-seq、全基因组测序和靶向测序有所区别。每种数据类型都有一套独特的质量指标、可接受范围和解读框架，对于刚接触该技术的研究者来说并不容易掌握。生成质量指标的生物信息学工具（FastQC、MultiQC、STAR、GATK、Seurat）产出的是密集型报告，解读和采取行动均需要专业知识。

缺乏 AI 辅助，基因组学数据质量审计要么资源不足——研究者依赖默认工具输出而不做深入调查——要么在具备解读专业知识的资深生物信息学家处形成瓶颈。批次效应是基因组学中最常见、危害最大的伪阳性发现来源之一，却常常在分析完成后才被发现，需要全流程重新分析。样本标注错误可使整项研究失效，有时直到同行评审阶段才被发现。行业基准显示，在分析开始前进行系统性数据质量审计，可将发表阶段出现数据质量问题的概率降低60%以上。

COCO 如何解决

1. 单样本质量指标评估：COCO 评估单个样本质量：

   • 解读 FastQC 和 MultiQC 报告中的每碱基质量分数、接头含量和重复率
   • 对照数据类型专属阈值评估比对统计（比对率、唯一比对读数、rRNA 污染）
   • 标记超出可接受质量范围的样本，并注明具体指标值和可能原因
   • 将单个样本指标与所有样本的分布进行比较，识别离群值
   • 生成以通过/警告/失败评级标注每项指标的样本级质量评分卡

2. 批次效应检测与可视化：COCO 识别系统性技术变异：

   • 对质量指标进行 PCA 和聚类分析，检测按技术变量分组的情况
   • 识别与表达量或变异规律相关联的批次变量（测序批次、文库制备日期、操作人员、试剂批号）
   • 量化批次因素相对于生物学因素解释的方差比例
   • 根据研究设计推荐适当的批次校正方法（ComBat、limma removeBatchEffect、Harmony）
   • 标记批次效应混淆生物学比较且无法充分校正的研究

3. 样本身份与错换检测：COCO 验证样本来源：

   • 交叉核查基因指纹数据（SNP 一致性），确认样本在流程步骤间的身份
   • 通过比较预期与观测到的性染色体基因型，识别潜在的样本错换
   • 基于杂合率和等位基因频率规律检测样本间的交叉污染
   • 验证配对样本（如肿瘤/正常或纵向时间点）是否具有预期的遗传一致性
   • 生成包含每对样本可信度评分的样本身份验证报告

4. 覆盖度与测序深度分析：COCO 评估测序完整性：

   • 计算目标基因组或感兴趣区域的平均覆盖度及均一性
   • 识别深度不足以进行可信变异识别或表达量化的区域
   • 评估测序深度是否满足研究统计目标的需求
   • 标记影响数据完整性的 GC 偏差、可比对性问题和重复区域覆盖问题
   • 根据覆盖度分析建议是否需要补充测序

5. 参考基因组与注释一致性检查：COCO 确保分析兼容性：

   • 验证所有样本是否比对到同一参考基因组版本
   • 检查所有分析步骤中使用的基因注释版本是否一致
   • 标记不同流程阶段参考版本不匹配的情况
   • 确认用于注释的变异数据库是否为最新版本且适用于研究群体
   • 生成记录所有工具版本和参考文件的流程元数据报告，以支持可重现性

6. 下游分析就绪性评估：COCO 认证数据分析可用性：

   • 判断数据集是否满足目标分析的最低质量阈值
   • 识别哪些样本或特征应被排除于下游分析之外，并附带理由说明
   • 建议与数据集特征匹配的预处理参数（规范化方法、过滤阈值、最低计数）
   • 生成记录纳入/排除决策的质量控制后数据集清单
   • 生成描述所有 QC 步骤的数据质量方法部分，用于论文投稿

量化结果与受益角色

可量化成果

• 分析前检测的数据质量问题：检出率从35%提升至 91%（提升160%）
• 分析后数据质量调查耗时：从每项目40小时降至 8小时（减少80%）
• 样本错换与标注错误检出率：从检出22%提升至 检出98%（提升345%）
• 因质量问题需要全流程重跑的分析：从30%的项目降至 6%（减少80%）
• 从原始数据接收到可分析数据集的时间：从3-4周缩短至 1周（缩短70%）

受益角色

• 生物信息学家：将数据质量审查中最耗时、最重复的工作自动化，释放能力用于复杂项目的更高层次分析和解读工作。
• 基因组学核心设施负责人：更快地向研究人员交付附有质量认证文档的分析就绪数据集，提升用户满意度和核心设施声誉。
• 首席研究员：在投入下游湿实验室验证实验之前，获得结果不受数据质量伪像驱动的信心，减少在错误线索上浪费资源。
• 期刊编辑与同行评审专家：受益于标准化的数据质量报告，从而更快评估提交的基因组学研究是否达到严谨性和可重现性的社区标准。

💡 实用提示词

提示词1：FastQC/MultiQC 报告解读

你是一位专注于 [RNA-seq / WGS / WES / ChIP-seq / ATAC-seq / 单细胞 RNA-seq / 其他] 的资深生物信息学家。

我已完成一个项目的测序并运行了 FastQC/MultiQC。请解读以下质量指标，并建议是继续进行比对还是采取纠正措施。

数据类型：[SPECIFY]
样本数量：[NUMBER]
测序平台：[ILLUMINA NOVASEQ / NEXTSEQ / OTHER]
预期测序深度：[TARGET COVERAGE OR READS PER SAMPLE]

质量指标摘要：
[PASTE MULTIQC SUMMARY TABLE OR KEY METRICS PER SAMPLE]

请对每个样本评估：
1. 整体质量：通过/警告/失败，并说明主要原因
2. 需关注的具体指标及其可能的生物学或技术原因
3. 是否建议在比对前进行修剪或过滤
4. 是否有样本应在继续处理前重新测序
5. 是否存在跨样本系统性批次效应的规律

输出：样本质量控制表 + 建议的下一步操作。

提示词2：批次效应评估

我已完成多样本基因组学研究的比对和表达量/变异量化，担心存在批次效应。

研究设计：
- 样本总数：[NUMBER]
- 生物学分组：[DESCRIBE COMPARISON GROUPS]
- 技术批次：[DESCRIBE BATCHES — sequencing runs, library prep dates, etc.]
- 数据类型：[RNA-seq counts / methylation beta values / variant calls / other]

PCA 结果：
[DESCRIBE OR PASTE PCA PLOT DESCRIPTION — which PCs explain batch vs. biology?]

样本元数据：
[PASTE SAMPLE SHEET WITH BIOLOGICAL AND TECHNICAL VARIABLES]

请：
1. 评估批次效应是否可能混淆生物学比较
2. 推荐适当的批次校正方法并说明理由
3. 识别哪些生物学比较受观测批次影响最大
4. 建议量化批次与生物学方差的额外诊断图表
5. 建议批次校正是否足够，或研究设计是否需要修改（如跨批次重新平衡样本）

提示词3：发表用数据质量方法部分撰写

我需要为一篇基因组学论文撰写数据质量控制方法部分。请根据以下信息起草该部分内容。

数据类型：[SPECIFY]
分析的样本数量：[NUMBER]（原始数量：[NUMBER BEFORE QC]）
QC 后排除的样本：[NUMBER AND BRIEF REASON]
QC 使用的工具：[LIST TOOLS AND VERSIONS]
应用的质量阈值：
- [METRIC 1]：阈值 [VALUE]，排除 [NUMBER] 个样本
- [METRIC 2]：阈值 [VALUE]，排除 [NUMBER] 个样本
- [如需补充请添加更多指标]
是否进行批次校正：[YES/NO — if yes, describe method]
参考基因组：[GENOME BUILD]
基因注释：[ANNOTATION VERSION]

请起草：
1. 适用于方法部分的 QC 方法段落（150-200词）
2. 含适当列标题的补充 QC 汇总表模板
3. 引用 QC 通过数据的数据可用性声明建议文本
4. 所用 QC 工具的标准引用建议

17. AI研究可重复性验证器

在心理学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：研究可重现性验证

在心理学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。心理学领域的重现危机揭示了一个严峻现实：据大规模重现项目估计，约有50-60%的已发表研究结论无法被独立研究者可靠地重现。其根源已有充分记录：检验功效不足、在无预注册的情况下灵活运用分析方法、选择性报告结局，以及方法论细节不足以支撑重现。然而，尽管这些问题已广为人知，在提交前系统性检查新研究是否符合可重现性标准的基础设施，依然零散且难以一致应用。

核心挑战在于，可重现性评估需要同时对照一套复杂且持续演进的标准进行评估：统计报告规范、开放数据与材料实践、预注册合规性、效应量报告、置信区间解读，以及对报告指南（APA、CONSORT、STROBE、PRISMA 等）的遵从。即便有意开展严谨研究的研究者，其报告中也可能存在盲区——这不是出于蓄意不当行为，而是源于对当前标准的不熟悉，或是检查完整论文中每个要素的工作量过于庞大。同行评审和编辑能发现部分问题，但审查过程的一致性参差不齐，且等到发现时已太晚，无法避免需要重做的分析工作带来的浪费。

缺乏 AI 辅助，可重现性检查要么被完全跳过，要么依赖非正式的同行反馈，要么局限于仅能解决部分可重现性问题的统计审查服务。预注册越来越多地被期刊要求，但在投稿前几乎从不被核验是否与已发表论文一致。开放科学实践——共享数据、材料和分析代码——受到鼓励，但研究者缺乏明确指导，不知道哪些共享标准适用于其研究类型，导致采用率参差不齐。行业基准显示，通过提交前系统性可重现性验证的研究，在同行评审中因统计或方法论问题被标记为重大修改的概率低40%。

COCO 如何解决

1. 统计报告审计：COCO 验证数值准确性与完整性：

   • 检查所有报告的统计量是否包含效应量、置信区间和精确 p 值
   • 使用 statcheck 等效逻辑识别与所述检验统计量不一致的报告 p 值
   • 验证正文、表格和方法部分中报告的样本量是否一致
   • 标记混合模型、贝叶斯分析或机器学习指标的不完整报告
   • 检查多重比较校正是否按分析计划适当应用

2. 预注册合规检查：COCO 验证与已注册计划的一致性：

   • 将预注册分析计划与已发表的方法和结果进行对比
   • 识别论文中报告但预注册中未列出的分析
   • 标记已注册但未报告的分析，要求说明或确认
   • 区分验证性分析与探索性分析，并核实是否有相应标注
   • 生成用于论文透明报告的预注册合规对照表

3. 开放科学检查清单：COCO 评估透明度实践：

   • 检查数据、材料和分析脚本是否共享于适当的资料库
   • 验证资料库链接是否有效，以及文件是否为第三方使用者提供了清晰组织
   • 评估共享材料是否足以支撑独立重现
   • 标记解读共享数据所需的缺失编码手册、数据字典或说明文档
   • 评估是否符合期刊专项或资助方强制的开放科学要求

4. 报告指南合规审查：COCO 检查对标准的遵从：

   • 识别适用于该研究类型的报告指南（CONSORT、STROBE、PRISMA、JARS 等）
   • 对照论文逐项检查每条指南条目的合规情况
   • 生成填写完整的报告检查清单，并附每条条目的页码引用
   • 标记缺失、不完整或需要澄清的条目
   • 建议该领域常被错误报告条目的标准表述语言

5. 方法论细节充分性检查：COCO 确保可重现性：

   • 验证方法部分是否包含足以支撑独立重现的细节
   • 识别缺失的操作细节（刺激呈现参数、时间、给受试者的指导语）
   • 检查测量工具和仪器的描述是否足够具体，以便定位或重现
   • 标记重现者可能产生不同理解的模糊操作定义
   • 建议将过于冗长、无法纳入主体方法部分的细节安排到补充材料中

6. 效应量与功效回溯分析：COCO 评估统计严谨性：

   • 根据报告的效应量和样本量计算观测功效
   • 识别即使统计显著，也很可能功效不足的研究
   • 标记在该领域实证基础上显得过大的效应量
   • 评估敏感性分析和稳健性检验的完整程度
   • 建议可强化结论的补充分析（等效性检验、贝叶斯因子）

量化结果与受益角色

可量化成果

• 投稿前检测的统计报告错误：检出率从28%提升至 87%（提升211%）
• 投稿前发现的预注册合规问题：从捕获15%提升至 捕获92%（提升513%）
• 因统计报告问题被要求重大修改：从42%的投稿降至 14%（减少67%）
• 完成可重现性自我审计的时间：从8-10小时降至 1-2小时（减少85%）
• 投稿时的开放科学合规率：从38%合规提升至 84%合规（提升121%）

受益角色

• 心理学研究者：以更高的统计严谨性和报告完整性信心投稿，减少与重大修改和发表后勘误相关的时间和压力。
• 研究生：在论文准备过程中通过结构化反馈学习可重现性标准，养成将贯穿其整个研究生涯的研究习惯。
• 期刊编辑：收到经过初步统计筛选的更充分准备的投稿，提升编辑效率，减轻统计审查专家的负担。
• 研究方法导师：将验证框架用作教学工具，帮助学生理解每项可重现性标准存在的意义，以及如何在自身研究中加以应用。

💡 实用提示词

提示词1：全文可重现性审计

你是一位专注于 [PSYCHOLOGY / BEHAVIORAL SCIENCE / SOCIAL SCIENCE] 开放科学与可重现性标准的研究方法专家。

请在投稿前对以下论文进行可重现性审计。

研究类型：[EXPERIMENTAL / OBSERVATIONAL / SURVEY / META-ANALYSIS / OTHER]
是否预注册：[YES — link: URL / NO / REGISTERED REPORT]
是否开放数据：[YES — repository: URL / NO / AVAILABLE ON REQUEST]
是否开放材料：[YES / NO]
分析代码是否共享：[YES / NO]
目标期刊：[JOURNAL NAME AND REPRODUCIBILITY POLICY IF KNOWN]

论文摘要与方法：
[PASTE ABSTRACT AND METHODS SECTION]

结果部分（统计数据）：
[PASTE RESULTS SECTION]

请检查：
1. 所有统计检验是否报告了完整统计量（检验统计量、自由度、p 值、效应量、置信区间）？
2. 是否存在与所报告检验统计量不一致的 p 值？
3. 分析是否与预注册内容一致（如适用）？
4. 是否满足该研究类型的报告指南要求？
5. 方法论细节是否足以支撑独立重现？

输出：可重现性审计表——问题 | 章节 | 严重程度 | 需要修改的内容。

提示词2：预注册与已发表分析对比

我在数据收集前进行了预注册，现已完成分析。请将我的预注册与已发表分析计划进行对比。

预注册（粘贴或概括）：
[PASTE PRE-REGISTRATION KEY SECTIONS: hypotheses, primary outcomes, analysis plan]

已发表方法与结果（粘贴或概括）：
[PASTE RELEVANT SECTIONS FROM MANUSCRIPT]

请识别：
1. 论文中包含但预注册未列出的分析
   （标注为探索性——这些需要相应标注）
2. 预注册中列出但论文未报告的分析
   （需要说明：零结果、有据可查的排除，还是遗漏）
3. 预注册与论文之间发生变化的结局指标
4. 任何看起来依赖数据做出的分析决策（研究者自由度）
5. 针对每处偏差，建议方法部分的披露语言

输出：合规对照表 + 方法部分建议披露段落。

提示词3：开放科学合规准备

我正在准备论文投稿，需要满足开放科学要求。

目标期刊：[JOURNAL NAME]
期刊开放科学政策：[DESCRIBE POLICY OR PASTE URL]
资助方要求：[LIST ANY FUNDER DATA SHARING MANDATES]

当前共享状态：
- 数据：[WHAT DATA EXISTS, WHAT CAN BE SHARED, ANY RESTRICTIONS]
- 材料（刺激材料、问卷、代码）：[WHAT EXISTS AND CURRENT LOCATION]
- 分析脚本：[LANGUAGE USED, CURRENT LOCATION, DOCUMENTATION STATUS]

请：
1. 识别适用于本次投稿的开放科学要求
2. 为每种数据/材料类型推荐适当的资料库
   （OSF、GitHub、Zenodo、机构资料库等）
3. 描述每种共享资源支撑独立使用所需的最低文档
4. 为论文起草数据可用性声明
5. 标注共享方面的合理限制（受试者隐私、专有工具）
   并建议如何在论文中透明处理

18. AI竞争研究情报监控器

在制药领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：竞争性研究情报监测

在制药领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。在药物研究中，竞争情报不是一项边缘性商业职能，而是核心科学和战略能力。决定候选药物是否推进、追求哪些靶点，以及将研发资源聚焦于何处，都受到竞争对手动态的深刻影响。然而，情报相关信号的体量已急剧膨胀：临床试验注册、专利申请、预印本、学术会议展示、监管申请、合作公告和出版活动，均携带竞争信号。没有任何研究团队能以所需的频率和广度，手动监控所有相关来源并保持领先。

核心挑战在于，制药领域的竞争情报需要将结构化数据（临床试验数据库、专利申请、监管数据库）与非结构化文本（出版物、会议摘要、新闻稿、分析师报告）同时整合，且需跨越多个竞争对手、靶点和治疗领域。最有价值的情报往往是隐性的——需要从一系列看似无关的招聘、专利和出版物中推断竞争对手的管线优先级，而非来自任何单一公告。手动构建这幅综合图景，需要同时具备科学专长和情报技艺的专职分析师——这种组合不仅昂贵，而且稀缺。与此同时，分析师因精力有限无法持续监控低优先级来源，重要信号因此被常态性地遗漏。

缺乏 AI 辅助，制药领域的竞争情报职能长期处于被动响应状态，而非主动出击。研究团队往往通过投资者电话会议才得知竞争对手的里程碑事件，而非通过对科学文献的系统监控。专利版图的评估不连续——通常只在关键决策节点进行——而非持续进行。学术会议情报的收集依赖于临时出席者，而非系统汇总。行业基准显示，拥有系统性竞争情报能力的制药企业，在靶点选择和临床定位方面的决策时间比依赖被动监控的企业早18-24个月，在先发优势上显著领先。

COCO 如何解决

1. 出版物与预印本监控：COCO 实时追踪科学产出：

   • 监控 PubMed、bioRxiv、medRxiv 及临床期刊，追踪指定竞争机构和研究人员的出版动态
   • 标记披露与所定义靶点领域相关的新机制、生物标志物或临床疗效数据的出版物
   • 摘要监控出版物的关键发现并突出标注竞争影响
   • 追踪出版速度和主题转变，作为竞争对手新兴关注领域的信号
   • 按治疗领域和竞争对手分类整理生成每周出版情报摘要

2. 临床试验版图监控：COCO 追踪开发活动：

   • 监控 ClinicalTrials.gov、EU CTR 和 ISRCTN，追踪新注册、方案修订和完成更新
   • 标记进入与本机构管线相关适应症的竞争对手新试验
   • 追踪高优先级竞争对手试验的入组进展和预计完成日期
   • 识别具有竞争影响的试验设计特征（终点指标、患者筛选标准、给药方案）
   • 按既定周期更新并生成竞争试验版图表格

3. 专利情报引擎：COCO 分析知识产权活动：

   • 监控 USPTO、EPO 和 WIPO 数据库，追踪竞争机构在定义技术领域内的新申请
   • 识别暗示未披露研究项目的专利集群
   • 标记可能影响内部项目实施自由的新授权专利
   • 追踪与仿制药进入和生命周期管理相关的专利到期日期
   • 生成针对高优先级申请的含权利要求级别分析的专利版图摘要

4. 学术会议与演示情报：COCO 捕捉实时科学披露：

   • 监控摘要提交系统和主要科学会议的已发布议程
   • 摘要竞争对手演讲和海报展示的关键数据点
   • 识别具有即时竞争相关性的晚破临床试验数据展示
   • 追踪竞争对手优先出席的会议，作为地理和临床关注重点的信号
   • 生成会议前准备简报和会议后情报摘要

5. 监管申请追踪：COCO 监控审批活动：

   • 追踪 FDA、EMA 和 PMDA 的申请、审批和咨询委员会会议日期
   • 监控已批准竞争产品的 REMS 要求、标签扩展和上市后承诺更新
   • 识别竞争对手获批所形成的、与内部项目开发相关的监管先例
   • 标记具有竞争影响的加速审批和突破性疗法认定
   • 为高优先级竞争产品生成监管里程碑日历

6. 战略信号综合：COCO 将信号整合为可操作情报：

   • 关联出版、专利、临床试验和招聘信号，推断未披露的竞争对手优先事项
   • 识别竞争对手正在推进或降低特定项目优先级的规律性信号
   • 生成假设驱动的情报报告，将分散信号关联成连贯的战略叙事
   • 标记多个竞争对手同时加强活动的新兴治疗领域
   • 生成包含管线决策战略建议的季度竞争格局报告

量化结果与受益角色

可量化成果

• 每个监控周期检测到的竞争信号：从手动15-20个增加至 AI辅助的60-80个（增加300%）
• 生成竞争情报报告的时间：从3-4天缩短至 4-6小时（缩短83%）
• 从竞争对手里程碑到内部获知的平均滞后时间：从6-8周缩短至 3-5天（缩短90%）
• 每季度识别出的与内部项目相关的专利申请：从8-12件增加至 35-50件（增加300%）
• 受竞争情报影响的战略决策：从25%的管线决策提升至 65%（提升160%）

受益角色

• 研究与发现团队：及时获取竞争对手靶点验证和机制数据方面的情报，为哪些早期项目应推进或降级提供更充分的决策依据。
• 业务发展领导层：在合作、许可和收购谈判前获取全面的竞争格局评估，提升谈判地位和尽职调查质量。
• 临床开发团队：监控竞争对手的试验设计和终点选择，为本机构临床项目的方案设计和患者筛选策略提供参考。
• 管线战略与研发领导层：获取跨多个治疗领域的持续综合竞争环境视图，支撑更有把握的资本配置决策。

💡 实用提示词

提示词1：靶点或适应症竞争格局摘要

你是一位制药竞争情报分析师。请对以下领域提供全面的竞争格局评估。

治疗领域：[DISEASE AREA OR INDICATION]
目标靶点：[MOLECULAR TARGET(S) IF APPLICABLE]
模式聚焦：[SMALL MOLECULE / BIOLOGIC / GENE THERAPY / CELL THERAPY / ALL]
目标市场：[US / EU / GLOBAL]
开发阶段聚焦：[PRECLINICAL / PHASE 1-3 / APPROVED / ALL]

请汇总：
1. 所有已知临床阶段项目（包括公司、资产名称/编号、机制、阶段、试验状态和关键数据读出日期）
2. 关键已批准产品及其当前市场地位
3. 通过出版物或专利披露的值得关注的临床前项目
4. 该领域近期的合作、许可或并购活动
5. 你的评估：哪些竞争项目对新进入者威胁最大？以及需要何种差异化才能具备竞争力？

参考来源：ClinicalTrials.gov、公司管线、近期出版物。

提示词2：实施自由专利版图分析

我需要一份专利版图评估，以支撑内部项目的实施自由（FTO）分析。

靶点/机制：[DESCRIBE MOLECULAR TARGET AND MECHANISM OF ACTION]
化合物类别：[CHEMICAL CLASS OR MODALITY]
治疗适应症：[DISEASE AREA]
内部项目阶段：[DISCOVERY / PRECLINICAL / IND-ENABLING]
需分析的关键竞争对手：[LIST COMPANIES IF KNOWN]

请：
1. 识别覆盖该靶点、机制或化合物类别的关键专利族
2. 描述每个关键专利族中最宽泛权利要求的范围
3. 识别未来5年内到期、可能开放实施自由的专利
4. 标记可能封堵预期机制或化合物类别的专利族
5. 识别白色空间——现有专利未覆盖的机制或化合物类别方面，可供追求或保护
6. 建议与专利律师进行正式 FTO 分析的下一步行动

注：本评估仅为初步情报——正式法律 FTO 须由专利律师审查确认。

提示词3：学术会议情报简报

我参加了 [CONFERENCE NAME]，需要为我们的研究领导团队汇总竞争情报简报。

会议：[FULL NAME AND DATE]
涵盖的治疗领域：[LIST RELEVANT AREAS]
观察到的关键竞争对手演示：

公司1（[COMPANY NAME]）：
- 演示标题：[TITLE]
- 展示的关键数据：[SUMMARIZE KEY RESULTS]
- 竞争影响：[YOUR INITIAL ASSESSMENT]

公司2：
[重复上述格式]

[如需补充其他公司请继续添加]

会议整体主题：
[您对全场趋势的观察]

请帮我：
1. 起草面向研究领导层的执行摘要（300词）
2. 识别最具战略意义的3项披露并说明原因
3. 标注应立即触发内部项目审查的数据
4. 建议后续行动（文献检索、业务发展讨论、方案审查）
5. 格式化为适合分发的专业竞争情报简报备忘录

19. AI学位论文结构顾问

在高等教育领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：学位论文结构指导

在高等教育领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。完成博士论文或硕士学位论文，是学术生涯中最具智识挑战性、也最具心理压力的任务之一。然而，研究生获得的有关写作和组织层面的结构化支持却少得可怜——大多数导师的反馈聚焦于研究内容本身，而非论证如何构建、章节如何衔接，或文本是否符合该领域对结构的期待。结果是，才华横溢的研究者写出了科学上严谨但结构上支离破碎的论文，不得不进行大量修改，导致毕业延期，而反复移动"目标线"令学生深感沮丧。

核心挑战在于，论文结构既受学科制约，也因项目而异——没有适用于所有领域、方法论和机构要求的通用模板。定量社会科学论文与人文解释性研究的形式不同，后者又与三篇论文式临床科学论文不同，再与工程学硕士论文不同。学生必须同时管理宏观结构（章节组织、论证流程、贡献框架）和微观结构（段落逻辑、过渡、路标语言），同时还要开展原创性研究。缺乏评估自身写作的结构化框架，学生无法可靠判断自己的结构选择是在服务论证还是遮蔽论证。

缺乏 AI 辅助，结构性指导来得迟、且分配不均——主要来自委员会在正式审查时的意见，而彼时整个章节可能已需要重新组织。研究生写作中心提供一般性学术写作支持，但鲜有具备领域专业知识以提供学科专属结构反馈的能力。同伴反馈有价值但质量参差不齐。缺乏多位导师渠道或所在机构写作支持有限的学生尤为不利，往往直到答辩阶段才发现结构性问题。行业基准显示，获得系统性论文结构指导的研究生，其完成学位的时间比未获此类支持的学生快8-14个月。

COCO 如何解决

1. 论文架构规划：COCO 构建结构性框架：

   • 分析研究问题、方法论和贡献主张，推荐适当的章节结构
   • 映射学科专属的论文组织惯例（传统五章式、三篇论文式、论文集式）
   • 生成详细的章节大纲，包含各部分的章节标题、预期内容和目标篇幅
   • 识别章节间的结构性依赖关系，并按逻辑推进论证的顺序排列
   • 生成展示每个章节如何服务于核心贡献主张的论文路线图文档

2. 论证流程与逻辑检查：COCO 追踪智识主线：

   • 评估引言是否清晰确立问题、空白和贡献主张
   • 检查文献综述是否将研究定位于该领域并为方法论提供合理性
   • 验证每个章节是否推进了核心论证并在逻辑上与相邻章节衔接
   • 识别论证停滞、绕圈或在没有明确目的的情况下引入材料的章节或部分
   • 为内容完整但逻辑流失的章节提供重构策略建议

3. 章节级结构审查：COCO 审计各节内容：

   • 评估每个章节是否具有清晰的开篇、主体和结尾，并附有明确的路标语言
   • 检查章节目的和贡献是否在开篇陈明并在结尾重申
   • 识别本应分析之处却流于描述，或本应描述之处却过度分析的章节
   • 标记缺乏清晰主题句或与前一段落逻辑衔接不畅的段落
   • 为密集却表意不清的章节提供段落级重组策略建议

4. 文献综述架构：COCO 构建学术定位框架：

   • 评估文献综述是否按主题、时间或方法论顺序进行了恰当的组织
   • 检查与研究问题相关的所有主要理论框架是否已得到处理
   • 识别文献综述中的空白——学术定位中缺失的重要文献体系
   • 验证综述是否朝向论文所解决的具体空白逐步推进
   • 标注以罗列来源而非综合成分析性论证为主的文献综述

5. 引言与结论的对应一致性：COCO 确保首尾呼应：

   • 检查论文引言是否铺垫了主体章节最终所呈现的全部内容
   • 验证结论是否回应了引言中作出的所有承诺
   • 识别引言中作出、但结果或讨论章节未能证实的贡献主张
   • 评估结论是否适当综合了研究发现，而非逐章复述结果
   • 建议论文理论与实践贡献框架的具体表述语言

6. 委员会与答辩准备：COCO 支持答辩就绪：

   • 根据论文论证和潜在薄弱点，生成委员会可能提问的问题列表
   • 识别论证中最脆弱、最需要自信应对的方面
   • 对预期的方法论批评和研究范围局限提供应对建议
   • 生成与论文核心论证结构对齐的答辩演示提纲
   • 创建用于系统落实答辩后修改意见的修改追踪模板

量化结果与受益角色

可量化成果

• 从第一稿完成到委员会通过的时间：从14个月缩短至 7个月（缩短50%）
• 论文答辩时被要求的重大结构修改次数：从每位学生3-4处降至 1-2处（减少50%）
• 研究生自评写作信心：有较高信心的比例从32%提升至 71%（提升122%）
• 导师在结构性反馈与内容反馈上的时间分配：从60%结构/40%内容调整为 25%结构/75%内容（释放导师用于更高价值指导的精力）
• 7年内的论文完成率：从57%提升至 74%（提升30%）

受益角色

• 博士生：在整个写作过程中而非只在正式审查节点，获得结构化的学科专属论文架构指导，减轻焦虑、加快完成进程。
• 硕士生：获得此前只有与深度投入导师合作的学生才能享有的论文结构支持，均衡了不同机构层次间的指导质量。
• 导师：将委员会反馈时间用于研究的智识内涵，而非本可更早解决的组织性问题，深化了导师-学生的指导关系。
• 研究生项目主任：提升项目完成率和学位完成时间等关键指标——这些是机构排名、评估认证和研究生招募的重要衡量维度——同时无需增加人员编制。

💡 实用提示词

提示词1：论文章节结构规划

你是一位专注于 [DISCIPLINE/FIELD] 的资深论文写作顾问。

我目前处于论文的 [EARLY PLANNING / MID-WRITING / REVISION] 阶段。

研究问题：[STATE YOUR PRIMARY RESEARCH QUESTION]
研究方法：[QUANTITATIVE / QUALITATIVE / MIXED METHODS / THEORETICAL / PRACTICE-BASED]
数据/证据：[DESCRIBE YOUR DATA SOURCES OR PRIMARY EVIDENCE]
核心贡献主张：[WHAT YOUR DISSERTATION WILL ADD TO THE FIELD]
机构要求格式：[TRADITIONAL CHAPTERS / THREE-PAPER / MANUSCRIPT-BASED / OTHER]

请：
1. 为该论文推荐适当的章节结构
2. 对每个章节描述：目的、主要内容、预期篇幅，以及如何推进论证
3. 识别章节间的逻辑依赖关系——什么必须先于什么建立？
4. 标注该研究方法常见的结构性陷阱，提示我提前规避
5. 生成可用于指导我写作计划的单页论文路线图

如需要请先向我提出澄清性问题，再生成计划。

提示词2：章节论证流程审查

请对以下论文章节草稿的论证结构与流程进行审查。

章节编号与标题：[CHAPTER NUMBER AND TITLE]
该章节在论文中的目的：[WHAT THIS CHAPTER IS SUPPOSED TO ACCOMPLISH]
上一章节结尾的内容：[BRIEF DESCRIPTION OF PREVIOUS CHAPTER'S CONCLUSION]
本章节应引导至：[BRIEF DESCRIPTION OF WHAT THE NEXT CHAPTER COVERS]

章节草稿：
[PASTE CHAPTER DRAFT OR EXTENDED EXCERPT — up to 3,000 words recommended]

请评估：
1. 章节开篇是否清晰陈明了其目的和与论文论证的关联？
2. 章节间的逻辑流程是否清晰？识别任何跳跃或断层。
3. 是否有本应进行分析论证的地方流于描述？
4. 章节结尾是否推进了论证，而非仅仅总结内容？
5. 最能提升本章结构的两处修改是什么？

提供具体可操作的修改建议，必要时附上示例语言。

提示词3：答辩准备与预判提问

我将在 [TIME UNTIL DEFENSE] 后参加论文答辩。

论文标题：[FULL TITLE]
研究问题：[PRIMARY RESEARCH QUESTION]
研究方法：[BRIEF DESCRIPTION]
主要发现：[SUMMARIZE 3-4 MAIN FINDINGS]
已知局限性：[LIST THE LIMITATIONS YOU HAVE IDENTIFIED]
委员会组成：[DESCRIBE MEMBERS' BACKGROUNDS AND AREAS OF EXPERTISE]

请协助我准备：
1. 生成10个可能的委员会问题，从澄清性到挑战性均有涵盖
2. 对每个问题，建议3-4句话的回应策略
3. 识别论文中最脆弱的3处，需要我自信应对
4. 建议如何以建设性而非防御性的方式框架局限性
5. 推荐一个20分钟的答辩演示结构，既能展示论文最有力的论证，又能主动回应可能的质疑

另请说明：论文答辩导致重大修改的最常见原因是什么？我如何在演示中提前化解这些风险？

20. AI研究合作网络分析器

在材料科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：科研合作网络分析

在材料科学领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。材料科学越来越依赖团队协作——在电池技术、半导体、生物材料和先进制造等领域取得突破，需要整合合成、表征、计算和应用工程方面的专业知识，而这些是任何单一实验室都难以独立具备的。然而，识别合适的合作者、建立富有成效的合作关系，以及维护在前沿领域保持竞争力所需的研究网络，都极为困难。研究者主要依赖在学术会议和研究生学习期间建立的个人人脉——这种网络本质上受到地域、职业阶段和既往机构隶属关系的制约，系统性地将本可成为理想合作者的研究人员排除在外。

核心挑战在于，有效的科研合作不仅要找到具备互补专长的研究者，还要找到工作风格、资源可用性、机构约束和职业激励相互兼容的研究者。两位研究者之间完美的技术互补，若其中一位是迫于压力要在每篇论文上担任第一作者的青年教职人员，而另一位是拥有不同发表模式的国家实验室资深研究员，则毫无实际价值。发现这些兼容性信号，需要同时了解已发表的科学记录和未公开的机构实情——这些信息散布于简历、经费数据库、合作历史和非正式口碑网络之中。缺乏系统性分析，合作决策便建立在不完整的信息之上。

缺乏 AI 辅助，材料科学领域的合作网络发展是机会性的而非战略性的。研究者因为检索不同数据库、参加不同会议或在研究者通常阅读范围之外的期刊发表，而错失理想合作伙伴。具备互补能力的国家实验室、产业研究机构和国际合作团队，对于没有既有联系的学术研究者来说始终不可见。随着资助机构越来越多地要求团队科学和跨学科合作，战略性地构建和分析合作网络的能力，正成为经费竞争中的差异化优势。行业基准显示，具备系统管理合作网络能力的研究团队，其获得的合作资助比依赖非正式网络的团队高出30-40%。

COCO 如何解决

1. 合作者发现引擎：COCO 识别最优研究伙伴：

   • 在出版数据库中检索与定义能力空白相互补的研究者
   • 分析共同作者历史，识别具有富有成效合作经验的研究者
   • 按职业阶段、机构性质（学术界、国家实验室、产业界）和地理区域进行筛选
   • 识别具有特定合作模式经验的研究者（子合同、谅解备忘录、CRADA）
   • 生成附有专业知识摘要、近期代表性出版物和联系信息的排名合作者档案

2. 合作网络绘图：COCO 可视化关系结构：

   • 为定义的研究社区构建共同作者和共同主研究员网络图
   • 识别连接原本孤立社区的枢纽型研究者
   • 绘制某研究团队当前合作网络的结构性空白分布图
   • 识别处于网络边缘、可充当通往新社区桥梁的研究者
   • 追踪网络随新合作形成和旧合作结束而随时间演变的动态

3. 机构合作伙伴情报：COCO 支持战略联盟构建：

   • 识别在该领域具有互补能力和合作历史记录的机构
   • 分析 DOE 国家实验室、NIST、NASA 和 NIH 院内研究与定义需求相关的能力
   • 追踪产业界研发投资规律，识别有意与学术界开展合作的企业
   • 识别在活跃双边协议国家中具备互补专长的国际研究团队
   • 生成包含机构文化、知识产权政策和合作历史的合作伙伴档案，用于尽职调查

4. 经费团队组建顾问：COCO 优化合作团队的资助成功率：

   • 分析资助机会对团队构成、跨学科范围和机构多样性的要求
   • 推荐将研究者专长与具体目标和预算类别对应的团队配置方案
   • 对照成功获资申请书中识别出的评审者偏好，检查团队构成
   • 识别团队是否需要补充专业知识、机构代表性或人员多样性
   • 根据合作者简历和学术记录，生成经费申请的团队资质叙述

5. 合作健康度监测：COCO 追踪合作生产力：

   • 监控现有合作的联合出版产出、引用影响力和专利申请
   • 追踪合作协议是否按原定目标产出成果
   • 识别生产力停滞的合作并建议诊断性问题
   • 将合作生产力与类似研究配置的基准数据进行比较
   • 生成适用于咨询委员会展示的年度合作审查报告

6. 研究社区影响力分析：COCO 映射学术声望：

   • 计算该领域关键研究者的影响力指标（特征向量中心度、介数中心度）
   • 识别网络地位快速上升的新兴研究者
   • 映射哪些研究团队通过引文引导着该领域的发展方向
   • 追踪随资助优先事项转变、突破性出版物涌现和重大科研基金重定向，影响力格局如何演变
   • 生成用于研究项目战略定位的领域影响力全景报告

量化结果与受益角色

可量化成果

• 每个项目识别合格潜在合作者的时间：从4-6周缩短至 3-5天（缩短85%）
• 每年提交的合作经费申请：从2-3份增加至 6-8份（增加167%）
• 每个研究团队每年获得的合作资助：从120万美元增加至 平均280万美元（增加133%）
• 在既有网络之外形成的合作伙伴关系：从占新合作的15%提升至 48%（增加220%）
• 从概念到意向书阶段组建完整合格团队的时间：从8周缩短至 2周（缩短75%）

受益角色

• 材料科学教职人员：系统性地将合作网络拓展至会议联系人和校友网络之外，获取前沿研究和复杂联邦经费申请所需的多元化专业知识。
• 科研副校长与研究部门副院长：获得机构层面合作网络健康状况的可见性，并识别能够强化机构研究组合的战略合作机会。
• 早期职业研究者：通过识别愿意与青年教职合作的资深研究者，更快速地构建合作网络，克服职业起步阶段个人人脉规模较小带来的结构性劣势。
• 技术转移与产学合作办公室：识别对机构能力具有真实研究兴趣的产业合作伙伴，提升产业合作拓展的精准性和转化成功率。

💡 实用提示词

提示词1：针对特定研究需求的合作者发现

你是一位专注于材料科学及相关物理科学的科研合作战略顾问。

我是 [CAREER STAGE: 助理教授 / 副教授 / 资深研究员]，供职于 [INSTITUTION TYPE: R1大学 / 文理学院 / 国家实验室]。

我的当前专长：[DESCRIBE YOUR RESEARCH SPECIALIZATION IN 2-3 SENTENCES]
合作需求：[DESCRIBE THE SPECIFIC EXPERTISE OR CAPABILITY YOU NEED]
项目背景：[BRIEF DESCRIPTION OF THE PROJECT REQUIRING COLLABORATION]
目标资助方：[NSF / DOE / DARPA / NIH / INDUSTRY / OTHER]
时间节点：[WHEN COLLABORATION IS NEEDED]
偏好的合作模式：[CO-PI / SUBCONTRACT / INFORMAL / STUDENT EXCHANGE]

请：
1. 描述理想合作者的画像——专业知识、职业阶段和机构匹配度
2. 建议5-7种识别符合该画像研究者的检索策略
   （数据库、学术会议、期刊编委会等）
3. 识别最可能拥有该专业知识的机构（学术界、国家实验室、产业界）
4. 建议如何有效地向潜在合作者发出冷联系
5. 为该具体需求起草一封150词的合作意向邮件模板

提示词2：合作申请书的团队组建

我正在为一份合作经费申请组建研究团队。

资助机会：[FOA NUMBER, TITLE, AND AGENCY]
申请概念：[2-3 SENTENCE DESCRIPTION]
研究范围所需学科：[LIST NEEDED EXPERTISE AREAS]
预算结构：[SINGLE PI / MULTI-PI / CENTER GRANT WITH MULTIPLE PROJECTS]
预算总额：$[AMOUNT]，时间：[DURATION] 年
FOA中的机构要求：[LIST ANY STATED REQUIREMENTS]

已确认的当前团队成员：
- [NAME, ROLE, INSTITUTION, EXPERTISE]
- [如有更多成员请重复填写]

请：
1. 识别当前团队相对于 FOA 要求和项目范围的空白
2. 对每处空白，描述填补它的理想研究者画像
3. 评估当前团队构成在评审者眼中是否会受到青睐
4. 建议跨团队成员的预算分配框架
5. 根据所描述的团队构成，起草一段项目叙述用的团队资质部分（400词）

提示词3：合作网络审查与战略规划

请帮我分析当前合作网络并制定拓展战略计划。

我的研究领域：[FIELD AND SPECIALIZATION]
当前活跃合作：
- [COLLABORATOR NAME, INSTITUTION, NATURE OF COLLABORATION, YEARS ACTIVE]
- [如有更多请重复填写]

已完成的合作（历史）：
- [DESCRIPTION AND OUTCOME — publication, patent, grant, student training]

未来3年的战略目标：
1. [GOAL 1 — e.g., 申请 DOE 中心基金，拓展到新的应用领域]
2. [GOAL 2]
3. [GOAL 3]

请：
1. 分析我当前网络：我与哪些类型的专业知识和机构有连接，又明显缺失哪些？
2. 根据我的战略目标，识别合作网络中的3-4个战略空白
3. 对每处空白，推荐我应寻找的合作伙伴类型及其理由
4. 建议我在未来6个月内可采取的3项具体行动，以弥补每处空白
5. 识别我当前合作中是否有可以深化或正式化、从而为战略目标创造竞争优势的关系

21. AI预印本策略顾问

在正式同行评审之前，最大化您研究成果的传播范围与影响力。

痛点与解决方案

痛点：预印本策略顾问

预印本生态系统彻底改变了科学传播方式，让研究者能够在正式发表前数月甚至数年即可分享研究成果。然而，大多数研究者对预印本的态度是被动的——在投稿时将稿件上传到arXiv或bioRxiv，却没有经过深思熟虑地规划发布时机、服务器选择、版本管理和宣传推广策略。这种无计划的方式大大压缩了预印本的核心价值：建立优先权、提升社区知名度，以及收集能够强化同行评审稿件的非正式反馈。

有效预印本策略的技巧很少被系统传授，即便在优秀的研究团队内部也缺乏统一规范。关于哪个服务器最适合论文受众、如何宣传预印本以最大化在相关社区的可见度、何时更新版本，以及如何将预印本参与度数据纳入晋升和经费申请叙述等问题，需要跨越学科、平台和不断演变的社区规范的综合知识。初级研究者尤其缺乏这方面的指导，往往沿用导师十年前的做法。

随着预印本活动成为研究生产力和社区参与度的可见信号，其重要性正在上升。资助机构和招聘委员会越来越重视预印本记录，将其视为正式发表之间的研究活动证明。善于管理预印本存在的研究者能更早建立优先权主张，更快吸引合作者，并产生延续至最终发表版本的引用兴趣。行业基准数据显示，经过战略推广的预印本在正式发表后第一年获得的引用次数是无宣传上传的3-5倍。

COCO如何解决

1. 预印本服务器选择：COCO将稿件匹配到最合适的存储库：

   • 分析论文的主题、方法和目标受众，推荐最佳服务器
   • 比较服务器特有因素：社区规模、学科规范、在PubMed/Scopus/Google Scholar中的索引情况
   • 识别预印本服务器是否与期刊有正式合作关系，可能对投稿产生益处
   • 提供覆盖期刊关于预印本的禁止政策等学科特定注意事项
   • 标记特定学科的考量因素（如NIH预印本政策、期刊对预印本的禁运政策）

2. 时机与优先权策略：COCO优化提交时机：

   • 根据社区参与模式（星期几、一年中的时段）识别最佳发布窗口
   • 在竞争团队发布前，就优先权主张的考量提供建议
   • 根据目标期刊的预印本政策，评估是在期刊投稿前还是投稿后发布
   • 映射近期学术会议，使预印本发布与演示报告配合以放大可见度
   • 生成同步预印本发布、社交媒体宣传、期刊投稿和版本更新的时间表

3. 推广公告起草：COCO创作引人注目的预印本公告：

   • 根据研究社区的沟通规范撰写Twitter/X和Mastodon帖子系列
   • 起草向相关邮件列表、学会通讯和社区Slack频道发送的邮件公告
   • 为机构新闻发布部门和科学传播平台创作通俗语言摘要
   • 为ResearchGate、Academia.edu和LinkedIn受众生成结构化摘要
   • 针对不同受众调整信息：专业同行、相邻学科和普通科学受众

4. 版本管理规划器：COCO跟踪修订周期：

   • 根据同行评审反馈和社区评论，推荐发布更新版本的时机
   • 追踪各发布版本之间的差异，为读者透明度标注变更内容
   • 就如何在最终发表论文中引用早期版本提供建议
   • 监测每个版本的社区参与指标，以指导修订优先级
   • 生成适合经费申请和晋升材料的版本历史摘要

5. 职业记录的影响力文档：COCO建立预印本证据链：

   • 汇编预印本参与指标（下载量、引用次数、Altmetric评分），用于经费和晋升申请
   • 起草将预印本指标转化为学术影响力证明的叙述语言
   • 记录带时间戳和参与数据的优先权主张，用于专利和知识产权背景
   • 追踪预印本是否被其他预印本、注册报告或系统综述引用
   • 为简历、生物摘要和研究声明生成预印本影响力章节

6. 社区反馈整合：COCO从非正式评审中提取价值：

   • 监测预印本评论区、社交媒体回应和邮件反馈，寻找实质性科学意见
   • 将非正式反馈按类型分类：方法论质疑、解释建议、缺失引用、积极反馈
   • 将最实质性的反馈综合为同行评审稿件的修订清单
   • 识别值得直接回应或致谢的专家评论者
   • 追踪非正式反馈是否预测了后来正式同行评审中提出的问题

效果与受益者

可量化成果

• 预印本第一年引用率：经战略推广的预印本在正式发表后12个月内获得的引用次数平均是无宣传上传的3.2倍
• 建立社区对新发现认知的时间：从发表日期提前到预印本发布日期（平均提前8个月）
• 同行评审前收集的非正式反馈：使用COCO指导推广的团队每篇预印本收集到4-7条实质性评论，而无宣传上传仅收到0-1条
• 预印本到接受的转化周期：使用结构化版本管理的研究者在正式同行评审中修订周期缩短22%
• 职业文档完整性：研究者为**100%**符合条件的成果记录和文档化预印本影响力，而无系统化工作流程时仅约30%

谁会受益

• 早期职业研究者：比传统同行评审时间线更快建立可见的出版记录和优先权主张，在正式发表之间积累学术声誉。
• 研究团队负责人：确保团队内预印本策略的一致性，对未经同行评审的成果如何呈现给社区保持质量把控。
• 技术转移办公室：在知识产权披露正式提交之前，及时收到用于专利优先权考量的预印本时间戳文档。
• 科研传播办公室：获取经研究者审核、科学准确的通俗摘要和公告草稿，用于机构科研可见度传播，无需给科学家增加额外负担。

实用提示词

提示词 1：预印本准备就绪度与服务器选择

我有一篇稿件准备发布预印本，需要制定投稿策略。

稿件信息：
- 标题：[TITLE]
- 领域与子领域：[PRIMARY DISCIPLINE AND SPECIALTY]
- 核心发现：[2-3句摘要]
- 研究方法：[实验性 / 计算性 / 理论性 / 综合型]
- 正式投稿目标期刊：[JOURNAL NAME AND PUBLISHER]
- 期刊预印本政策：[允许 / 禁止 / 需要禁运期 — 或"未知"]

我的预印本目标：
- [ ] 在竞争团队发表前确立特定发现的优先权
- [ ] 在期刊投稿前收集社区反馈
- [ ] 加速该领域对研究成果的认知
- [ ] 为即将到来的经费申请或求职申请建立出版记录
- [ ] 其他：[描述]

请：
1. 推荐该论文的最佳预印本服务器并说明理由
2. 根据期刊政策，就相对于期刊投稿的发布时机提供建议
3. 识别发布前应了解的任何学科特定注意事项
4. 生成发布当天和次日的48小时推广计划
5. 起草一条280字的Twitter/X公告和该论文的5条推文系列脚本

提示词 2：用于职业用途的预印本影响力文档

我需要为即将到来的经费申请/晋升材料记录我的预印本活动。

我的预印本记录：
[对每篇预印本：服务器、标题、发布日期、当前版本、下载量（如有）、引用次数（如有）、Altmetric评分（如有）、后续期刊发表状态]

申请/材料背景：
- 申请类型：[NIH R01 / NSF / ERC / 晋升材料 / 求职申请]
- 将讨论预印本活动的章节：[生物摘要 / 研究计划 / 出版列表 / 其他]
- 我希望支持的具体主张：[如"近期成果活跃的研究者"、"在X领域建立了优先权"、"社区参与度"]

请：
1. 选择与此次申请和主张最相关的预印本
2. 起草描述我预印本活动的叙述语言（150-200词），适合该申请类型
3. 从我的预印本指标中识别支持所述主张的最强有力证据
4. 就如何在出版列表中引用预印本以符合[资助方/机构]政策提供建议
5. 标记任何风险（如无后续同行评审发表的预印本）并建议如何应对

提示词 3：发布后社区反馈综合

我的预印本已发布[X周]，收到了社区反馈。
请帮我将其综合为修订清单。

收到的反馈：
Twitter/X帖子回应：[粘贴主要评论或概述]
同行邮件反馈：[粘贴或概述]
预印本服务器评论区：[粘贴或概述]
PubPeer或其他注释：[粘贴或概述（如有）]

原稿的核心主张：
1. [主张1]
2. [主张2]
3. [主张3]

请：
1. 对每条反馈进行分类：方法论质疑 / 解释建议 / 缺失引用 / 积极验证 / 超出范围
2. 对每条实质性意见，评估其严重程度：轻微 / 中等 / 需要额外实验或分析
3. 生成优先修订清单，区分"必须处理"和"考虑处理"的内容
4. 识别规律性模式——是否有多位评审者提出相同质疑？
5. 起草一条2句话的公开回复，承认收到反馈并概述计划中的修订

22. AI重复性与可重现性规划师

构建经得起审查、通过可重现性检验的研究。

痛点与解决方案

痛点：重复性与可重现性规划师

重现危机已经重塑了心理学、医学、经济学乃至自然科学领域的科学可信度。样本量不足、分析流程灵活多变、研究者自由度未报告以及方法描述不完整的研究，正在不断未能通过重现检验，侵蚀公众对科学的信任，并浪费大量研究资源。然而，大多数研究者几乎没有接受过可重现性最佳实践的系统培训，而激励机制——奖励新颖正面结果而非重复研究——持续制造着走捷径的压力，却往往未能充分认识到这对职业声誉的长期代价。

设计真正可重现的研究需要同时整合多种实践：假设和分析方案的预注册、确定充足样本量的统计功效分析、版本控制的分析代码、带有适当元数据的数据共享、全面的方法报告，以及对阴性结果的透明处理。每种实践都有自身的技术要求、社区规范、平台选项和文档标准。在管理实施带来的实际负担的同时，跟上不断演变的资助方要求（NIH数据共享政策、NSF开放科学要求、期刊特定标准）需要持续投入，而这与核心科学研究形成竞争。

期刊和资助方正在迅速提高可重现性标准，预注册要求、开放数据授权和注册报告格式正在成为主流。尚未将可重现性实践纳入工作流程的研究者，越来越多地遭遇桌面拒稿、评审意见批评和合规失败，导致发表延迟和声誉受损。从现在起将供应链安全构建到分析流程架构中，将使研究者在发表和科学贡献两方面都获得竞争优势。

COCO如何解决

1. 预注册设计支持：COCO帮助研究者在数据收集前正式确立假设：

   • 引导研究者完成OSF、AsPredicted和PROSPERO上的结构化预注册模板
   • 区分验证性假设（预注册）和探索性分析（透明标注为此类）
   • 审查预注册草稿的内部一致性、可检验性和完整性
   • 根据研究设计就分析方案的适当具体程度提供建议
   • 生成准备提交至相关注册机构的预注册文档

2. 功效分析与样本量规划：COCO确保研究具有充足统计功效：

   • 计算特定效应量、功效水平和显著性阈值所需的样本量
   • 识别在实际样本量约束下计划研究的最小可检测效应量
   • 审查研究现象效应量估计值的已发表文献
   • 就保持统计功效的序贯检验设计和适应性抽样策略提供建议
   • 生成适合经费申请和方法部分的功效分析章节

3. 方法报告完整性检查器：COCO确保方法部分支持重现：

   • 对照社区报告标准（CONSORT、ARRIVE、STROBE等）审查方法部分草稿
   • 识别缺失信息：受试者人口统计、排除标准、设备规格、刺激细节、软件版本
   • 针对研究设计和学科生成方法完整性清单
   • 将方法细节程度与目标期刊近期发表论文进行比较
   • 起草补充方法语言，捕获会使正文显得臃肿的详细内容

4. 分析代码文档顾问：COCO提升计算可重现性：

   • 审查分析脚本的文档质量：代码注释、清晰的变量命名、逻辑结构
   • 生成描述代码库结构、依赖关系和执行说明的README文件
   • 就使共享更为便捷的数据目录结构和命名规范提供建议
   • 检查代码是否能够精确重现稿件中报告的图表和数据
   • 推荐适合该学科的代码存档平台（带Zenodo的GitHub、OSF、Code Ocean）

5. 数据共享合规规划师：COCO应对开放数据要求：

   • 识别来自资助方、期刊和机构的适用数据共享要求
   • 评估哪些数据集部分可公开共享，哪些因隐私或知识产权需要受限访问
   • 生成描述变量、单位和编码决策的数据字典和编码手册
   • 根据数据类型和学科推荐合适的存储库（Dryad、Zenodo、ICPSR、dbGaP）
   • 起草稿件的数据可获取性声明

6. 注册报告导航：COCO支持这种以可重现性为先的发表形式：

   • 识别研究者所在领域提供注册报告格式的期刊
   • 概述目标期刊的第一阶段投稿要求
   • 审查第一阶段投稿的引言和方法的完整性和严谨性
   • 就如何处理第一阶段接受后数据收集过程中出现的意外发现提供建议
   • 生成将预注册分析方案与实际结果联系起来的第二阶段投稿叙述

效果与受益者

可量化成果

• 因可重现性问题导致的稿件桌面拒稿率：实施完整可重现性工作流程的团队从18%降至4%
• 同行评审中的方法部分修改请求：使用报告标准清单起草方法时减少61%
• 数据共享合规率：COCO管理合规跟踪时，符合条件的发表中合规率从43%提升至96%
• 投稿时准备数据和代码共享的时间：项目期间整合可重现性实践后，从3-4周减少至3-5天
• 已发表发现被独立实验室成功重现的比率：使用预注册的团队报告外部团队重现率提高2.1倍

谁会受益

• 心理学、医学和社会科学领域的实证研究者：重现失败率最高的领域能从系统化可重现性实践中立即获益最多。
• 计算和数据科学家：改善代码文档和存档实践，使他人能够基于其工作继续研究，并提升长期引用影响力。
• 科研诚信官员：获得在问题出现前系统支持全机构可重现性合规的框架。
• 研究生和博士后：通过结构化指导学习可重现性最佳实践，而非在事后发现失败时亡羊补牢。

实用提示词

提示词 1：预注册文档起草

请帮我为即将开展的研究起草预注册文档。

研究概述：
- 研究问题：[提出具体问题]
- 设计：[实验性 / 观察性 / 纵向 / 元分析]
- 参与者/样本：[研究谁、多少人、如何招募]
- 主要结局指标：[测量什么以及如何测量]
- 次要结局指标：[列出]
- 主要假设：[如适用，陈述方向性预测]
- 主要假设的统计检验：[检验方法、显著性阈值、单尾/双尾]

计划时间节点：
- 数据收集开始：[日期]
- 使用的注册机构：[OSF / AsPredicted / PROSPERO / ClinicalTrials.gov / 其他]

请：
1. 使用[注册机构]的标准模板起草完整的预注册文档
2. 识别我的研究设计中未能充分说明用于预注册的方面
3. 标记我留下歧义的分析决策，这些是评审者或重现者需要了解的
4. 区分哪些分析是验证性的（应预注册）还是探索性的（应单独标注）
5. 就是否应在预注册前完善设计的某些部分提供建议

提示词 2：方法部分可重现性审计

请审计我的方法部分以确保可重现性完整度。

我的研究领域：[学科]
研究设计：[简要描述]
目标期刊：[期刊名称]（或"尚未确定"）
适用报告标准：[CONSORT / ARRIVE / STROBE / JARS / 其他 / "请帮我确定"]

方法部分草稿：
[粘贴您的完整方法部分]

请：
1. 识别重现研究者需要但缺失或描述不足的每一条信息
2. 逐项对照适用的报告标准清单检查我的方法
3. 对每处不足，起草我应添加的具体语言（不只是告诉我缺什么——请写出文本）
4. 标记需要论证而不仅仅是描述的方法选择（如统计检验选择、排除标准）
5. 根据此设计类型的已发表基准，估算我的研究当前的重现概率

提示词 3：数据与代码共享准备

我正在准备与稿件投稿一同共享数据和分析代码。

期刊要求：[描述或粘贴数据可获取性政策]
资助方要求：[描述——如NIH DMS计划、NSF数据管理计划]
数据集描述：
- 数据类型：[调查 / 行为 / 生理 / 基因组 / 图像 / 其他]
- 参与者/观测值数量：[N]
- 可识别性风险：[无 / 低 / 中 / 高——简要说明]
- 变量：[列出主要变量]

分析代码：
- 语言：[R / Python / MATLAB / Stata / 其他]
- 存储库：[GitHub / OSF / 尚未建立]
- 当前文档状态：[注释完善 / 部分注释 / 无文档]

请：
1. 推荐此数据类型的合适存储库，并确定是否适合开放或受限访问
2. 生成我应为每个变量填写的数据字典/编码手册模板
3. 为我的代码存储库起草README文件模板
4. 为稿件撰写数据可获取性声明
5. 识别在共享前是否需要IRB修正或其他机构审批

23. AI科学传播教练

将您的研究转化为实验室之外也能引起共鸣的故事。

痛点与解决方案

痛点：科学传播教练

研究者正在以空前的速度创造知识，但从发现到公众理解的路径对大多数科学家来说仍然不畅通。资助机构越来越多地要求更广泛的影响活动。大学规定公众参与义务。记者需要专家信息源。政策制定者需要可获取的证据。然而，大多数研究者未接受过科学传播培训，而所需技能——为普通受众转化专业内容、构建引人注目的叙事、与媒体建立关系，以及适应不同平台和形式——是真正需要时间和精力培养的。结果是大多数研究者要么完全回避公众参与，要么产出的传播内容未能触达或打动非专业受众。

社交媒体、播客文化、视频科学传播兴起以及应对错误信息的政策需求，使研究者面临的传播要求成倍增加。曾经只需要写专业同行文章的研究者，如今需要在Twitter/X长帖、播客访谈、公开演讲、国会证词、评论文章和新闻稿等多种形式中都能胜任——每种形式都有其特定的体裁惯例、受众期待和战略考量。在运营研究项目的同时在这些形式中培养熟练度，没有系统支持和反馈确实很困难。

这一差距对科学和个人职业生涯都有实际影响。未能有效传播的研究无法影响政策，无法触达其服务的患者或社区，也无法吸引维持研究项目所需的合作者、学生和资助者。与此同时，早期培养科学传播技能的研究者积累了复合优势：吸引演讲邀请的媒体形象、强化经费叙述的公众可信度，以及远超学术圈的人脉网络。COCO让科学传播变得系统化和可持续。

COCO如何解决

1. 通俗语言转换引擎：COCO为普通受众转化专业内容：

   • 按指定阅读水平（八年级、具有科学素养的成年人、政策受众）改写摘要和核心发现
   • 在不损失科学准确性的前提下，用通俗类比替代学科专业术语
   • 识别最重要的单一发现，并围绕其构建清晰的"这意味着什么"陈述
   • 对草稿进行可读性评分，标注超过理解阈值的句子
   • 为必须保留精确性的专业术语生成词汇表

2. 媒体与采访准备：COCO建立研究者应对媒体的信心：

   • 根据具体研究主题和当前新闻背景生成预期记者问题
   • 使用SOCO（单一核心传播目标）框架起草示范回答
   • 识别需要注意并准备纠正的潜在误读或夸大报道
   • 提供应对偏题或误导性问题的"桥接"技巧建议
   • 制作适合采访前与记者分享的一页新闻简报

3. 平台特定内容创作：COCO为不同渠道适配内容：

   • 为同一研究发现撰写Twitter/X长帖、Instagram说明、LinkedIn帖子和Bluesky内容
   • 构建播客谈话要点，包括开场钩子、核心信息和令人印象深刻的结语
   • 概述TED风格公开演讲格式，包含叙事弧线、引人共鸣的开场和互动环节
   • 为目标出版物起草评论文章结构，符合其特定编辑风格和长度要求
   • 为国会听众、机构简报和智库出版物创建适配的政策简报格式

4. 视觉传播顾问：COCO改善科学可视化效果：

   • 审查图表的清晰度、标注完整性和色盲受众可及性
   • 为传达多步骤流程、比较或趋势推荐信息图结构
   • 识别哪些发现通过视觉传达比文字更有效，反之亦然
   • 建议适合特定发现的数据可视化类型（流程图、注释时间线、比较柱状图）
   • 为可及性合规和社交媒体生成替代文本和图片描述

5. 更广泛影响叙述构建器：COCO强化经费传播章节：

   • 起草"更广泛影响"和"重要性"章节，将专业研究与社会利益联系起来
   • 识别既准确又有共鸣的最有说服力的公众利益主张
   • 将研究贡献映射到国家优先事项、资助机构战略计划和当前政策辩论
   • 生成适合经费申请所需更广泛影响计划的外展活动描述
   • 跟踪和记录公众参与活动，用于向资助方汇报

6. 科学传播作品集构建器：COCO开发长期传播资产：

   • 为每篇主要发表物维护多种阅读水平的核准通俗摘要库
   • 跟踪媒体露出、公开演讲和政策证词，用于简历和晋升文档
   • 识别传播作品集中的空缺，并推荐填补空缺的高优先级活动
   • 监测新闻周期，寻找就与研究匹配话题贡献专家评论的机会
   • 生成总结传播覆盖范围、参与度和成果的年度科学传播影响力报告

效果与受益者

可量化成果

• 从稿件生成新闻稿通俗摘要的时间：COCO起草后研究者编辑，从4-6小时缩短至45分钟
• 每篇发表物的媒体报道：使用COCO辅助传播策略的研究团队平均每篇论文获得2.8倍媒体报道
• 经费评审中更广泛影响章节得分：使用COCO起草更广泛影响章节的申请在NSF/NIH评审者量表上平均高出1.4分
• 公开演讲和播客邀请：拥有活跃传播作品集的研究者每年获得3-5倍更多外部演讲邀请
• 研究发布的社交媒体覆盖范围：结构化的COCO辅助长帖产生的展示量是同一研究的非结构化帖子的6-8倍

谁会受益

• 寻求公众知名度的研究科学家：无需从头学习科学传播的时间成本，即可建立公众形象和媒体存在感。
• 早期职业研究者：从职业生涯起步就培养更广泛影响叙述和公众参与作品集，使经费申请和求职申请脱颖而出。
• 科研传播和新闻发布办公室：获取经研究者审核、科学准确的通俗摘要，可直接用于新闻稿改写，减少来回编辑周期。
• 资助机构项目官员：与能提交更清晰、更有说服力的进度报告和最终经费总结的被资助者合作，清楚展示社会影响。

实用提示词

提示词 1：通俗摘要与新闻简报

请帮助我向普通受众传达我最近的研究发现。

研究发现的专业摘要：
[粘贴摘要或写3-5句专业描述]

需要转化的关键专业术语：[列出专业词汇]
对社会的意义（用您自己的话说）：[为什么这对学术界之外也很重要]
此次传播的目标受众：[选择：普通公众 / 具科学素养的成年人 / 政策受众 / 患者群体 / 商业受众]
计划传播渠道：[选择所有适用项：新闻稿 / Twitter长帖 / 播客 / 公开演讲 / 评论文章 / 国会简报]

请生成：
1. 一份八年级阅读水平的通俗摘要（200词）——无术语，带开场钩子
2. 面向具科学素养成年受众的版本（300词）——可使用带简短定义的部分科学词汇
3. 三个标题选项（每个不超过10个字）——适合新闻稿
4. 一份一页新闻简报，包含：核心发现、重要性、方法（1句话）、研究者简介和3个可能的记者问题及示范回答
5. 宣布该论文的5条推文系列

提示词 2：媒体采访准备

我有一个即将到来的关于我研究的媒体采访，需要准备。

媒体和记者：[出版物/节目名称，记者姓名（如已知）]
采访形式：[直播电视 / 广播 / 播客 / 书面问答 / 印刷媒体电话采访]
时长：[X分钟]
我的研究主题：[描述]
希望传达的核心发现：[我最希望听众/读者带走的信息是什么？]
当前新闻钩（为什么现在获得媒体关注）：[如已知请描述]

我的顾虑：
- [ ] 被断章取义或过度简化
- [ ] 被问到超出我专业范围的发现
- [ ] 关于研究含义的政治化问题
- [ ] 该主题媒体报道中常见的特定技术误解
- [ ] 其他：[描述]

请：
1. 生成10个可能的采访问题，从容易到具有挑战性
2. 对每个问题，使用信息桥接技巧起草示范回答（回答+转向核心信息）
3. 识别3个针对我研究的潜在夸大化陷阱，并给出温和纠正的语言
4. 起草我的30秒研究"电梯游说"——清晰、有说服力、无术语
5. 建议1-2个具体类比，用于通俗解释核心机制或发现

提示词 3：经费更广泛影响章节

请帮我写经费申请的更广泛影响章节。

资助机构：[NSF / NIH / DOE / 其他]
申请标题：[标题]
研究摘要：[2-3句话]
主要科学贡献：[这在该领域推进了什么？]

我计划中的更广泛影响活动：
1. [活动——如K-12外展、本科生科研、公开演讲系列、数据集发布]
2. [活动]
3. [活动]

我从事这些活动的背景：[相关经验、合作关系或历史记录]
所服务的目标社区：[谁直接受益于这些活动？]
资助机构所述战略优先事项：[如有，粘贴招募通知中的相关文本]

请：
1. 起草一份将我的活动与机构优先事项相连的更广泛影响章节（500-600词）
2. 通过明确阐明"研究→活动→社区利益→社会影响"链条来强化叙述
3. 增加具体性：用具有明确可交付成果、时间节点和可量化结果的具体计划替代模糊描述
4. 建议一项我可以根据研究领域和机构优先事项增加的高影响力活动
5. 标记评审者对更广泛影响章节的常见批评，并判断我的草稿是否易受其影响

24. AI 研究伦理协议审查员

分析拟议的研究方案，识别伦理风险，生成 IRB 提交语言，并建议符合机构审查委员会和学科标准的保护措施。

痛点与 COCO 解决方案

痛点：伦理审查是研究时间线的主要障碍

研究伦理审查是必要的，但准备过程却代价高昂。撰写符合 IRB 或伦理审查委员会要求的研究方案需要熟悉法规语言、风险评估框架以及特定学科的保护标准——这些知识在研究人员职业生涯早期通常不够深入，且随着法规更新而不断变化。

方案因伦理问题被退回会导致重大延误——通常需要数月，不仅推迟数据收集，还影响资助时间表和发表截止日期。首次提交时的常见问题包括：风险最小化陈述不足、知情同意程序不清晰、对弱势群体保护不足，以及隐私保护措施不充分。

COCO 如何解决

1. 伦理风险识别：COCO 分析研究方案，识别标准 IRB 审查框架所评估的伦理风险。
2. 保护措施建议：COCO 根据研究类型、参与者群体和数据敏感度建议具体的风险最小化措施。
3. IRB 语言草拟：COCO 为伦理审查申请起草符合标准的方案文本。
4. 知情同意审查：COCO 评估知情同意程序和文件是否符合监管要求。
5. 学科特定指导：COCO 根据特定研究学科（医学、社会科学、心理学等）的行业标准应用伦理框架。

成果与受益者

• IRB 首次通过率：全面的伦理准备将首次提交通过率从行业平均的 40-60% 提升至 75-85%
• 审查准备时间：AI 辅助方案起草将伦理审查准备时间从 3-5 天缩短至 6-12 小时
• 修改周期减少：更完整的首次提交减少平均 1.5 个修改周期，节省 4-8 周
• 早期研究人员支持：博士生和初级研究人员能够准备与更有经验的同事同等质量的方案
• 合规文档：系统化伦理记录降低后续审计中发现合规问题的风险

实用提示词

提示词 1：研究方案伦理风险评估

评估以下研究方案的伦理风险并识别 IRB 审查关注点。

研究标题：[描述]
研究类型：[实验性/观察性/调查/访谈/档案]
研究学科：[医学/心理学/社会科学/教育/其他]

参与者：
- 群体：[描述——一般成人/弱势群体/未成年人/患者]
- 预计数量：[N]
- 招募方法：[描述]

研究程序：
[描述研究期间将对参与者做什么]

数据：
- 收集内容：[描述数据类型]
- 识别性：[匿名/假名/可识别]
- 存储：[描述数据安全措施]

评估内容：
1. 物理、心理、隐私和社会风险识别（每类附说明）
2. 每种已识别风险的严重程度评估（最小/轻微/重大）
3. 建议的风险最小化措施
4. 对弱势群体保护不足的特定关注点
5. IRB 可能要求澄清或修改的关键问题

提示词 2：IRB 申请方案起草

为以下研究起草 IRB 申请方案文本。

研究目标：[描述要解答的研究问题]
研究设计：[描述方法论]
参与者群体：[描述]
研究程序：[描述]
数据收集：[描述]
风险最小化已规划：[描述你已计划的保护措施]

起草以下 IRB 申请部分：
1. 研究目的和重要性（200-300 字，面向伦理审查员而非领域专家）
2. 参与者招募和纳入/排除标准
3. 程序描述，包含每个阶段的时间要求
4. 风险评估，附带最小化策略
5. 受益（直接参与者受益和社会受益）
6. 数据机密性和隐私保护措施
7. 知情同意过程描述

提示词 3：知情同意书审查

审查以下知情同意材料并识别需要改进的地方。

研究类型：[描述]
参与者群体：[描述，注意任何弱势群体特征]

当前知情同意文件：
[粘贴现有知情同意书或描述目前包含的内容]

评估标准：
1. 语言清晰度——参与者是否可以轻松理解他们在同意什么
2. 完整性——是否覆盖了 IRB 要求的所有必要元素
3. 风险披露——风险是否得到充分描述，既不夸大也不淡化
4. 自愿性——退出和拒绝的条件是否清晰
5. 数据使用——参与者数据将如何被使用、存储和未来使用是否清楚说明

对于每个评估区域：提供当前文件的评级（充分/不足/需要改进）并给出具体建议

25. AI 学术发表策略顾问

根据研究影响力、期刊影响因子、审稿时间和受众契合度分析，帮助研究人员识别最优发表渠道。

痛点与 COCO 解决方案

痛点：期刊选择决策影响重大，却依赖不完整的信息

选择在哪里发表研究成果是最有影响力的学术决策之一，但却经常在没有系统性分析的情况下作出——基于传统惯例、导师建议或仅凭对期刊影响因子的熟悉程度。错误的期刊选择可能意味着该研究的目标受众无法接触到它、审稿周期拖延长达一年、最终被拒稿导致巨大的时间浪费。

学术发表环境已变得极为复杂，超过 50,000 种活跃的学术期刊，新型发表格式（预印本、开放获取、数据论文），以及各领域声誉层级的迅速变化。手动研究最优发表渠道——包括范围分析、编辑政策、读者受众和当前审稿时间——可能需要数天时间，而且在没有领域专家指导的情况下难以做到全面。

COCO 如何解决

1. 期刊契合度分析：COCO 根据研究范围、方法论和贡献类型分析候选期刊与研究的匹配程度。
2. 影响力 vs. 速度权衡：COCO 帮助研究人员在影响因子、审稿时间和接受可能性之间做出权衡。
3. 开放获取策略：COCO 分析开放获取选项、作者费用和资助者要求。
4. 投稿材料准备：COCO 帮助起草投稿信并将摘要调整以符合特定期刊的关注点。
5. 被拒后的再投策略：当论文被拒稿时，COCO 分析审稿意见并推荐下一步的投稿期刊。

成果与受益者

• 首次接受率：匹配度更佳的期刊选择将目标期刊首次接受率提升 20-30%
• 审稿时间减少：避开以审稿周期长著称的期刊，平均减少 3-6 个月 的等待时间
• 研究覆盖面：向目标受众发表提升引用率，比非匹配期刊高 15-25%
• 早期研究人员支持：消除期刊选择的"人脉信息"优势，让所有研究人员站在同等起点
• 拒稿后效率：有针对性的再投策略减少论文获得最终接受前的投稿次数

实用提示词

提示词 1：期刊选择分析

分析以下研究论文并推荐发表渠道。

论文标题：[标题]
研究学科：[领域和子领域]
研究问题：[描述研究解答的问题]
方法论：[定量/定性/混合/综述/理论]
关键发现：[描述主要贡献——2-3 点]
目标受众：[研究人员/从业者/政策制定者/跨学科]

约束条件：
- 发表时间紧迫性：[需要多快？]
- 开放获取要求：[资助者是否要求开放获取？]
- 预算（文章处理费）：[如有限制请说明]
- 优先引用影响力 vs. 速度：[哪个更重要？]

提供：
1. 3-5 个推荐期刊，附带每个的选择理由（契合度、影响因子、审稿时间、接受率）
2. 首选推荐及理由
3. 如首选拒稿时的备选期刊排序
4. 开放获取考量
5. 该研究可能具有吸引力的任何期刊选择注意事项

提示词 2：投稿信草稿

为以下期刊投稿起草投稿信。

目标期刊：[期刊名称]
期刊重点：[描述期刊发表内容]

论文详情：
- 标题：[标题]
- 研究问题：[描述]
- 方法论：[描述]
- 关键发现：[描述]
- 理论/实践贡献：[描述论文对该领域的贡献]

根据期刊要求：
- 字数限制（如已知）：[描述]
- 任何特定提交要求：[描述]

起草一封投稿信，内容包含：
1. 简介段落（论文标题、类型及投稿期刊）
2. 研究问题和动机（1 段）
3. 方法论和数据简介（1 段）
4. 关键发现和贡献（1 段）
5. 为何契合该期刊（契合范围、受众和当前讨论）
6. 规范性结语

语言正式，简洁有力，符合学术出版规范。

提示词 3：被拒稿件修订策略

分析以下被拒审稿意见并制定修订和再投策略。

目标期刊：[被拒稿的期刊]
拒稿原因：[粘贴或总结编辑/审稿人反馈]
论文摘要：[描述论文内容]
学科：[描述]

分析内容：
1. 拒稿原因分类（范围不符/方法论担忧/贡献不足/写作质量/格式问题）
2. 评估：哪些批评是可解决的，哪些反映了根本性的研究局限
3. 修订优先级列表（如果修订后再投同类期刊）
4. 3 个再投候选期刊，针对已识别的局限和优势
5. 每个候选期刊的修订建议——需要更改什么，无需更改什么
6. 建议时间表：花多长时间修订与继续投稿其他期刊

26. AI 研究数据可视化顾问

分析研究数据集和发现，推荐最有效的可视化类型，生成清晰准确地传达研究洞见的图表描述。

痛点与 COCO 解决方案

痛点：数据可视化选择不当会削弱即使最扎实的研究

研究人员在数据收集和分析上投入大量精力，然后往往通过糟糕的可视化来呈现结果，使其影响大打折扣。错误的图表类型会混淆而非澄清——条形图用来展示趋势，饼图用来比较许多类别，散点图没有清晰的标注。糟糕的数据可视化不仅难以理解，甚至可能错误地表达底层数据。

问题往往不在于研究人员没有尽力，而是他们缺乏可视化设计培训。选择最佳可视化需要了解视觉感知心理学、统计图形原则以及什么让数据中的特定关系对观察者最为清晰——这套知识不在典型的研究方法培训体系中。

COCO 如何解决

1. 可视化类型推荐：COCO 根据数据类型、变量关系和传达目标推荐最合适的图表类型。
2. 图表描述生成：COCO 生成详细的图表规格，供研究人员或设计助理实现。
3. 可视化批评：COCO 分析现有图表并识别可能混淆或误导读者的问题。
4. 可访问性指导：COCO 建议让可视化对色盲或有其他可访问性需求的受众更包容的调整。
5. 发表格式要求：COCO 帮助将可视化调整为符合目标期刊或会议的规范。

成果与受益者

• 可视化有效性：经过正确选择的图表类型改善受众对研究发现的理解，程度因研究类型而异
• 同行评审结果：清晰的数据呈现减少审稿人因"结果呈现不清"提出修改意见的频率
• 演讲效果：优化的可视化使会议演讲中受众对关键发现的记忆留存率提升
• 研究人员信心：系统化的可视化指导减少在最终化图表时的困惑和重复工作
• 发表效率：符合期刊规范要求的图表减少投稿后格式修改的往返次数

实用提示词

提示词 1：研究数据可视化类型推荐

为以下研究数据推荐最合适的可视化方法。

研究类型：[定量/定性/混合方法]
数据描述：
[描述你拥有的数据——变量类型、样本量、数据分布]

想要传达的核心信息：
[描述你希望读者从这张图中得到的关键理解——趋势/比较/关系/分布/比例]

受众：[学术期刊审稿人/会议听众/政策制定者/普通大众]
发表格式：[期刊论文/会议海报/报告/演示文稿]

推荐内容：
1. 首选可视化类型，附选择理由
2. 备选可视化方法，附各自的权衡
3. 这种可视化的已知陷阱（容易出错的地方）
4. 关键的设计元素（颜色方案、标注、轴的使用）
5. 是否应该将数据拆分为多个图表的建议

提示词 2：图表设计规格生成

为以下研究发现生成详细的图表设计规格。

数据类型：[描述数据]
图表目标：[你想用这张图展示什么]
图表类型（选定）：[散点图/折线图/条形图/箱线图/热力图/其他]

数据范围：
[描述 x 轴、y 轴、颜色分组等关键数据特征]

技术要求：
- 发表格式：[期刊/海报/幻灯片]
- 颜色限制：[彩色/灰度/色盲友好调色板]
- 尺寸要求：[如有具体尺寸要求]

生成图表规格，包含：
1. 图表结构说明（每个轴代表什么，如何编码数据点）
2. 标题和轴标签建议
3. 配色方案建议，附可访问性说明
4. 标注建议（哪些数据点需要标注）
5. 适用的统计元素（误差线、置信区间、显著性标记）
6. 供图形设计师或代码实现的具体指令

提示词 3：现有可视化评审

评审以下研究图表并建议改进措施。

图表描述：[描述现有图表——类型、内容、当前设计选择]
数据背景：[描述图表展示的数据及其意义]
已知的读者困惑：[如果收到过反馈，描述读者难以理解的地方]

评审内容：
1. 图表类型是否适合数据和传达目标
2. 视觉清晰度问题（难以阅读或解读的元素）
3. 数据完整性问题（可视化是否准确表达底层数据）
4. 可访问性问题（色盲、低视力用户）
5. 与期刊/会议标准的偏差
6. 具体改进建议，按优先级排序（必须修改/建议修改/可选优化）