← 返回暂存
学术研究 · Agent 案例

从一份研究方案,到一篇能投 Drug Safety 的论文

一句「帮我找找相关的数据库」,最后变成三个国家数据库交叉验证、三轮自我推翻、以及一篇投稿就绪的稿件。

data-hunter academic-writer multi-reviewer-committee 3 个国家级数据库 13 轮对话

这里记录的是三次推翻:推翻一个加法直觉、推翻一个统计单位、推翻一个已经判定的信号。其中一次,是因为稿子里出现了一个算术上不可能的数字。

01

一句话,加一份别人写的报告

用户给的全部输入有两样:一句需求,和一份 Word 文档。

原话

「我想写一篇跟妇产科主题有关的论文,我希望你帮我寻找一下相关的数据库——优先贴近这个项目的内容……(随信附了一份研究方案)」

那份 docx 是别人给的研究方案,里面有研究设计、观察指标和参考文献,但没有任何数据。

用户说的是找数据库。实际要做的是:从一份研究方案的描述出发,找到能支撑一篇论文的公开数据,并且把它做出来。后半句用户没明说。

启示

输入里最有价值的信息往往不在需求句子里,而在附件里。这份报告里的「观察指标」(方案里列的几项观察指标)后来成了判断哪些数据库有用的尺子。

02

它先把活儿归类,再决定怎么干

接到任务后,Agent 没有直接去搜数据库,而是先做了三件事:判断这是哪一类任务、需要哪些能力、以及最可能出问题的地方在哪。

这次加载了什么

类型名称为什么用它
Agentdata-hunter专职找公开数据集的角色,内置数据源登记表与评分标准
Agentacademic-writer论文全流程写作,负责选题、综述、设计、成稿、返修
Skilldata-analysis选统计方法、算效应量、做学术价值评估
Skilljournal-rank-lookup查期刊分区与影响因子,判断该投哪里
Skilljournal-grade-figures按顶刊规范做图(色盲友好、分辨率、字号)
Skillmulti-reviewer-committee组织三位专家并行审稿,交叉验证盲区
知识文件data-hunter/source-registry.md数据源清单:哪些库能拿、怎么拿、坑在哪
知识文件data-hunter/scoring-rubric.md数据集评分标准(文档质量、样本量、时效)
知识文件policy/wmu-journal-ranking-2026.md用户所在学校的期刊认定目录

这里有个细节:它调用 skill 不是一次性的。做图表时加载图表 skill,判断期刊时加载期刊 skill,最后审稿时加载审稿 skill——每一步换一套标准。

03

怎么提问,才能让它跑起来

同一个 Agent,输入方式不同,产出差别很大。这次用户的开场其实很简洁,但踩准了两个要点。

可以照着用的模板

我想写一篇跟【学科】有关的论文,
我希望你帮我寻找一下相关的数据库。
优先贴近这个项目的内容:【给出项目文件或链接】

拆开看,它提供了三样东西:

一句话

越具体的锚点,越具体的产出。给一份真实文件,胜过写三百字描述背景。

04

十三句话,把这件活推了下去

整场对话用户只说了 13 句话。逐条看,每一句都在做同一件事:判断上一轮的结果,然后决定往哪推。没有一句是「帮我做第 X 步」。

1开场:给一句需求 + 一个锚点文件
「我想写一篇跟妇产科主题有关的论文,我希望你帮我寻找一下相关的数据库。优先贴近这个项目的内容……(随信附了一份研究方案)」
Agent 读完报告,提取出三个研究目标(疗效、安全性、三臂对比),再去检索能支撑它们的数据库。
2要评价,不要清单
「评估一下研究价值,大概可以发哪个级别的期刊?」
Agent 没有直接夸,而是先去查这个题目有没有人做过——结果找到两篇高度重叠的文献,明确告知「照原样投出去大概率被拒」。
可学的一招:拿到候选方案后先问「这个值多少」,而不是「这个好不好」。
3给方向,不给细节
「继续推进,努力冲高。」
Agent 自己去找差异化空间——发现日本的药物警戒数据库里,这个药从来没有人分析过,把它当成突破口。
可学的一招:「努力冲高」这种模糊指令有效,前提是前面已经把背景铺足。
4把决定权交回去
「按你建议推进。」
上一轮 Agent 列了三条路径(药物警戒分析、真实世界队列、机制研究),用户选了「你决定」。Agent 据此按性价比排序推进,不再回头问。
可学的一招:「按你建议」是有效指令——它意味着你信任前面的分析,可以省掉一轮往来。
5要求全做,不允许打折
「全做。」
上一轮 Agent 给了三个并列任务(补数据、补方法、补对照),用户要求一件不落。Agent 随后把三件事都推到完成态。
可学的一招:当 Agent 列出「建议做法 A、可选做法 B、C」时,一句「全做」比逐个挑选更省事。
6指出做得不够的地方
「继续跑完 EV 全历史,然后把 B 的结果整合进 v0.2 初稿和最终结论。」
用户没接受「抽样 5 个年份」的妥协,要求跑完。Agent 又试了数轮,最终如实报告失败的机理(是网页控件本身的问题,不是没试)。
可学的一招:你可以明确拒绝它的「差不多了」。它可能仍然做不到,但会给你一个可核查的失败原因。
7一次说清多件事,并规定「做不到也要说」
「我希望你继续花一些时间去拿 EV 其他年份的数据……帮我尝试推进这两个:IC 的非收缩近似式换成正式 BCPNN/MGPS 实现/与 Bayer INAS-SCORE 队列的效应量对照段(数据已查到……需回溯原文确认)」
三件事并行。抓取又失败 11 轮后,Agent 记录了失败机理并转向;统计方法改用精确实现重算;对照段回溯到原文,发现用户给的一手数据与原文不符(8–11 vs 6.9),改用原文值。
可学的一招:把「必须做到」和「做不到也得说清楚」分开写,Agent 就知道什么可以妥协、什么必须交代。
8完稿后要求模拟审稿
「做一次审稿委员会评估。」
三位不同专长的评审并行开审,给出 1 个 Reject、2 个 Major Revision,并抓出 13 处问题——包括一个算术上不可能的数字。
可学的一招:完稿后主动要求「模拟审稿」,比直接投出去便宜得多。
9把自己的假设抛给它挑战
「似乎如果能找到更多的数据库,这个结论就会更加扎实,也能够发表更高级的论文,是这样吧?你觉得有没有必要再去找一些其他的数据库?」
Agent 明确回答「不是」,用证据层级说明为什么加库不能升级——但同时执行了库评估,结果找到了一个真正有用的库。
可学的一招:把你的判断直接说出来让它反驳。它拒绝你的理由,往往比它同意的理由有价值。
10要求沉淀,并要求换个说法重讲
「你可以把一些历史的经验教训以及操作总结到对应的文件夹的 md 文件,以便事后复盘使用。现在,重新思考方案,给我一个通俗易懂的解读。然后看看他能够发表什么对应的期刊」
经验被写进 4 个知识文件 + 1 个项目复盘;然后用白话重新解释了整篇论文在做什么。
可学的一招:「用通俗的话再讲一遍」是检验自己有没有真懂的手段——讲不通,说明分析里有没说清的地方。
11锁定目标,要求先规划再执行
「那现在瞄准这个目标期刊 Drug Safety,为我规划,然后执行。」
Agent 先去拉了该刊的作者指南(摘要字数、是否需要关键词、必备声明、报告规范),再列四阶段计划并执行。
可学的一招:说「瞄准 X 期刊」比说「投个好期刊」有效——它会把该刊的硬性要求全部拉出来逐条对照。
12在产出环节加一条质量标准
「继续。但是注意图片要有顶刊风格,并且清晰易懂。」
三张图重新设计——色盲友好色板、淡色标记区分真假信号、log 轴,并去掉无法渲染的日文字符。
可学的一招:在产出环节先说质量要求,比事后返工划算。
13收尾:要求把过程也做成产物
「现在为我做一个 agent case。」
这份对话本身被整理成你正在看的这一页。
可学的一招:给一次好的协作留档。它既是复盘材料,也是下一次开新活时的参照。

把 13 句话归纳一下

用户的模式很稳定:看结果 → 给一句判断或方向 → 继续。既没有中途接管细节,也没有放任不管。起作用的是每一轮都在回应上一轮的产出,与指令是否精确关系不大。

05

从报告到投稿,中间走了八段路

① 读方案,拆需求
从方案里提取出三个研究目标:疗效、安全性、三组对比。分别对应不同的数据需求。
② 探数据库,用一把尺子筛
检索了 7 个候选数据源。筛选标准只有一条,但很硬:能不能拿到全库数据——只有拿到全库才能算分母,才能做不成比例分析。这一条筛掉了 WHO VigiAccess 和 EudraVigilance。
③ 下载三个库
美国 FAERS(API 拉取 2,133 份报告)、日本 JADER(143 MB 全库,需要过图形验证码)、加拿大 Canada Vigilance(341 MB 完整数据包,无需注册)。
④ 发现并解决一个方法学问题
同一个分子既单独卖(治病)、又和雌激素配成复方卖(避孕)。用分子名检索会把两者混在一起,而雌激素本身就会增加血栓风险——混算会把风险算到那个药头上。
⑤ 三轮自我推翻
这一节值得细看。
⑥ 三人并行审稿
不同专长的评审从各自角度独立审阅,结论汇总后再交叉验证。
⑦ 加库,把「三库」做实
评估候选库时发现加拿大库可以免费下载完整数据,而加拿大恰好是美国库里单方报告的最大来源国(36%)。换上它之后,三个库才真正做到口径可比。
⑧ 按目标期刊要求重写
拉住期刊作者指南逐条对照:摘要字数、是否需要关键词、必需声明六项、报告规范、流程图要求。全部补齐。
06

三处「哦,原来可以这样」的地方

1它拒绝了用户,然后证明用户是对的——只是理由不同
发生了什么:用户问「是不是再找几个数据库,结论就会更扎实、能发更高级的论文?」这看起来是个合理直觉——数据越多越可靠。Agent 回答「不是」,理由是:自发报告只能生成假设,不能验证假设,这是设计的性质,不是数据量的问题。它给了一张证据层级表,说明加库是横向扩展,不是纵向升级。
然后它做了另一件事:尽管判断「不要盲目加库」,它还是去逐个评估了候选库能不能提供全库数据。结果找到了 Canada Vigilance——一个能下载完整数据、且恰好是相关人群主要来源的库。换掉原来那个「只能看计数、不能算信号」的库之后,论文的构架反而变实了。
你可以怎么用:当你想「加点东西让结果更好」时,先问一句「这个方向的证据上限在哪」。它可能会拒绝你的方案,但拒绝的过程往往能挖出更好的替代路径——前提是你要允许它「先反对、再执行」。
2审稿人指出一个算术上不可能的数字,它回溯到了根因
发生了什么:模拟审稿中,一位评审指出稿件里写着「单方组有 165 份报告注明了某一类适应症,另有 964 份没写指征」——964 比整个单方组的 517 还大,这个数字不可能存在。
它怎么处理的:回去查生成这个数字的代码,发现根因——统计是按「药物条目」计的,而不是按「报告」计。一份报告可能列 5 到 10 个药,每个药都有自己的「用药理由」字段,结果把併用药物(比如治疗类风湿关节炎的药)的适应证,算成了那个药的适应证。重算之后,原来「超说明书用药占主导」的整段论证不成立了,连带摘要里的一句话也被删除重写。
你可以怎么用:让 AI 自查「有没有算术上不可能的数字」——比如分项之和大于总数、百分比加起来不是 100%。这类错误肉眼很难发现,但审稿人一眼就能看到,而且一旦被发现,他会开始怀疑你所有的数字。
3同一份数据,换个定义,结论正好相反
发生了什么:为了让三个国家的数据库能公平比较,Agent 把暴露组的定义统一成「报告中把这个药标为疑似致病药」。改完之后,一个原本的发现翻了个面——头痛。
翻面的具体样子:用宽松定义(报告里出现这个药就算),头痛在三个国家的库里都是信号;用严格定义,头痛在三个国家的库里都不是信号。两种口径下,三个库各自内部完全一致——但指向相反。
为什么这个发现值钱:它把「信号」分成了两类——对定义不敏感的(肺栓塞,两种口径下三库都成立)和对定义敏感的(头痛,定义一变就没了)。这个区分本身就是论文的一个贡献,而且它来自一次本来只为「统一口径」的技术操作。
你可以怎么用:做任何分组比较之前,先问「这一组是怎么定义的」,并让它用两种定义各跑一遍。如果结论跟着定义变,那这个结论就还不牢。
07

产出长什么样

最终交付:一篇正文约 4,000 词的英文论文(目标期刊 Drug Safety)、三张发表级图表、一份补充材料(含两份国际报告规范对照清单)、以及一套可复现的分析代码。

三库森林图
同一事件在三个独立国家数据库中的信号强度。淡色标记表示该库未满足全部三项判据。肺栓塞(第一行)三个库都成立,头痛(倒数第四行)三个库都不成立。

关键结论(一句话版)

事件美国日本加拿大三个库一致?
肺栓塞14.05.510.8✅ 都成立
异常子宫出血138.61462.186.0✅ 都成立
抑郁3.610.710.4✅ 都成立
头痛1.22.11.1❌ 都不成立

表中数字为报告比值比(ROR)。加拿大库上还有一条分析值得看:只保留明确记录了目标适应症的患者后,肺栓塞信号依然成立(ROR 10.7)。美国库做不到这个分析——它有 61.5% 的报告根本没写用药理由。

08

带走这四点

  1. 给锚点,不给描述。一份真实的项目文件,胜过三百字的背景介绍。Agent 会从文件里自己提取出研究问题、指标和人群。
  2. 每轮只给一句判断。「继续推进,努力冲高」「按你建议推进」这种模糊指令是有效的——前提是前面已经把背景铺足。
  3. 完稿后先审稿,再投稿。三位模拟评审的产出,比一次真实的拒稿便宜太多。要求它「模拟审稿」时,最好指定不同专长的评审,交叉验证才有意义。
  4. 让它质疑你的直觉。「是不是加点东西会更好」这类问题,往往能得到比「怎么做」更有价值的回答——尤其是当它反对你的时候。

小结

三处推翻比那 4,000 词更值钱:一次推翻加法直觉,一次推翻统计单位,一次推翻已经判定的信号。