这篇文章会从一个非常真实的科研场景出发：

选题不是“想一个题目”这么简单，
而是要在有限时间、有限资源、已有文献和个人能力之间，找到一个“值得做、能做、做得出来”的研究问题。

很多人把 AI 当成“帮我想题目”的工具，但实际上，它更适合被用来做：

• 研究方向发散
• 问题拆解
• 文献缺口挖掘
• 选题可行性评估
• 研究路径生成
• 选题风险预警

换句话说，AI 不是来替你拍板选题的，
而是来帮你更快、更系统、更少遗漏地思考选题。

下面这篇文章，我会从科研实践角度，讲清楚如何把 AI 用成一个真正有效的“选题头脑风暴助手”，并附上可直接复用的 prompt、workflow、toolkit、skill.md 模板。

---

如何用 AI 做科研选题头脑风暴？

科研选题最难的地方，不在于“没有想法”，而在于：

• 想法太散
• 想法太大
• 想法太空
• 想法太像别人已经做过的
• 想法有兴趣，但不够可行
• 想法可行，但不够有价值

所以，一个好的选题过程，不是“等灵感”，而是“系统生成、筛选、验证、收敛”。

而 AI 的最大优势，正好在于：

它能快速发散，但也能帮助你结构化收敛。

这使它非常适合科研选题的前期头脑风暴。

---

一、先明确：科研选题头脑风暴，不是让 AI 直接给你一个题目

这是很多人最容易犯的错误。

如果你直接问：

帮我想几个科研题目

那么 AI 往往会给你一堆看起来不错、但信息量不够、边界不清、可执行性存疑的“标题式答案”。

真正有效的选题，不是“题目先行”，而是“问题先行”。

你应该先让 AI 帮你回答这些更本质的问题：

• 这个方向还有哪些未解决的问题？
• 哪些问题值得研究？
• 哪些问题可以在现有条件下完成？
• 哪些问题有文献空白？
• 哪些问题适合你的学科背景和资源条件？

也就是说，选题头脑风暴的核心不是标题生成，而是研究问题生成。

---

二、AI 在科研选题中的 5 个高价值角色

如果你想把 AI 真正用在科研选题上，建议不要把它看成“题目机器”，而要把它看成下面这 5 种角色。

---

角色 1：发散器

帮助你把一个模糊方向展开成多个可研究问题。

比如：

• 某个材料方向还可以怎么切？
• 某个算法还有哪些应用场景？
• 某个社会现象可以从哪些角度切入？

它的价值在于让你看到更多可能性。

---

角色 2：拆解器

把一个大问题拆成多个可操作的小问题。

例如： “如何提升某性能”
可以拆成：

• 哪个变量最关键？
• 哪个场景最有意义？
• 哪种方法最适合？
• 哪些实验最容易验证？

这一步非常重要，因为很多选题失败，不是问题没价值，而是问题太大、太虚、太难落地。

---

角色 3：缺口扫描器

帮助你从文献综述角度识别“还没被充分研究”的部分。

你可以让 ChatGPT 帮你总结：

• 研究热点
• 争议点
• 方法盲区
• 场景空白
• 数据不足
• 理论不足

当然，AI 不能替代你真正读文献，但它可以帮助你更快形成“文献地图”。

---

角色 4：可行性评估器

帮助你判断一个选题是否值得继续。

一个题目好不好，不能只看新不新，还要看：

• 数据能不能拿到
• 方法会不会太复杂
• 时间够不够
• 资源是否匹配
• 是否适合当前阶段做

ChatGPT 可以辅助你做初步判断。

---

角色 5：收敛器

把一堆发散想法逐步收敛成 1 到 3 个可执行方案。

这一步最像真实科研中的选题决策过程。
不是所有“好点子”都值得做，
而是要选出“当前最值得做的点子”。

---

三、一个好的选题头脑风暴流程，应该长什么样？

如果只是让 AI 随便发散，往往会得到很多“看起来对，但最后用不上”的内容。
所以，建议你把选题过程做成一个标准 workflow。

---

科研选题 workflow：从方向到问题，再到可执行方案

Step 1：输入你的研究背景

先告诉 AI 这些信息：

• 你的学科方向
• 你目前研究的主题
• 你感兴趣的子领域
• 你擅长的方法
• 你的资源限制
• 你希望投的期刊层级
• 你的时间周期

信息越具体，AI 输出越可用。

---

Step 2：让 AI 做方向发散

不要一上来就问标题，而是问：

• 这个方向有哪些可能的研究问题？
• 哪些变量/机制/场景值得切入？
• 这个领域最近的热点是什么？
• 还有哪些尚未解决的问题？

---

Step 3：让 AI 按价值维度筛选

对每个候选问题进行评估：

• 学术价值
• 应用价值
• 创新性
• 可行性
• 数据可得性
• 研究周期
• 风险程度

---

Step 4：让 AI 进一步收敛为选题方案

把 3 到 5 个候选问题，转化成：

• 具体研究问题
• 可能的假设
• 研究方法
• 预期结果
• 潜在困难

---

Step 5：人工复核与文献验证

最后必须回到文献和现实条件中验证：

• 是否真有空白
• 是否已有类似研究
• 是否真的能做
• 是否与你的能力匹配

---

四、最常见的错误：把 AI 当成“选题答案机”

很多人用 AI 选题时，会陷入一个误区：

我问它一个方向，它就应该直接给我 5 个牛题。

但这实际上是错误的使用方式。

因为科研选题不是“问答题”，而是“决策题”。

你真正需要的不是 AI 给你“答案”，
而是它帮你完成以下几步：

• 扩大思考范围
• 发现盲点
• 拆小问题
• 识别风险
• 比较方案
• 收敛方向

也就是说，AI 最适合参与的是选题过程，而不是替代选题判断本身。

---

五、一个高效的选题头脑风暴 Prompt 模板

下面这个 Prompt 比“帮我想个题目”强很多。
它适合你在研究方向比较明确时使用。

请你作为一名资深科研导师，围绕以下研究方向帮我做选题头脑风暴。
要求：
1. 先列出该方向下的 10 个潜在研究问题；
2. 对每个问题分析其学术价值、创新性、可行性和风险；
3. 按“值得做但难度适中”的优先级排序；
4. 最后推荐最适合当前阶段推进的 3 个选题方向，并说明理由；
5. 请避免过于空泛或已经高度饱和的问题。

我的研究背景如下：
- 学科方向：[填写]
- 当前主题：[填写]
- 已掌握方法：[填写]
- 可用数据/实验条件：[填写]
- 时间周期：[填写]
- 目标期刊层级：[填写]

这个 Prompt 的关键不在于“让 AI 想更多”，而在于让它按科研决策逻辑输出。

---

六、如果你想要更高质量的选题结果，建议用“分层提问”

科研选题最怕一口气问太大。
一个更好的做法是：分层提问。

---

第一层：方向层

先问大方向下有哪些子问题。

例如：

• 某技术在某领域有哪些应用？
• 某材料体系有哪些尚未解决的问题？
• 某现象可以从哪些机制解释？

---

第二层：问题层

再问哪些问题值得做。

例如：

• 哪些问题有争议？
• 哪些问题文献还少？
• 哪些问题容易验证？

---

第三层：方案层

再让 AI 帮你设计具体研究方案。

例如：

• 如果研究这个问题，可以怎么做？
• 适合实验、模型、调研还是综述？
• 数据来源可能有哪些？

---

第四层：投稿层

最后再问：

• 这种研究适合什么期刊？
• 标题风格应该怎么定？
• 摘要该怎么组织？

这种分层方式，比一次性生成 20 个题目更靠谱。

---

七、一个实用的选题筛选框架：从“有意思”到“能发表”

很多选题一开始都“有意思”，但最后未必能发表。
所以你需要一个筛选框架。

---

选题四问

1. 这个问题重要吗？

如果解决了，是否真的有学术意义或应用意义？

2. 这个问题新吗？

是完全新的，还是已有研究基础上的推进、修正、扩展？

3. 这个问题能做吗？

数据、方法、时间、资源、能力是否匹配？

4. 这个问题适合你吗？

它是否符合你的研究基础、兴趣和长期方向？

一个真正好的选题，通常是这四者的交集。

---

八、选题头脑风暴中，AI 最适合输出什么？

下面这些内容，是 AI 在选题阶段最有价值的输出形式。

---

1. 候选问题清单

不是题目，而是问题。

例如：

• 某变量如何影响某性能？
• 某方法在某场景中的局限是什么？
• 某机制是否在某条件下成立？

---

2. 研究切口建议

帮助你找到更小、更聚焦的切入点。

比如：

• 从宏观问题切到局部场景
• 从普遍现象切到特定人群
• 从总体趋势切到边界条件

---

3. 研究风险提示

比如：

• 文献太多，创新空间小
• 数据难获取
• 实验周期过长
• 方法依赖高门槛工具
• 结论难以验证

---

4. 方案比较

让 AI 比较不同选题路线的优劣。

例如：

• 做实验型还是做综述型？
• 做机制型还是做应用型？
• 做横向对比还是做纵向演化？

---

九、可以直接使用的选题头脑风暴 toolkit

如果你希望把选题过程变成可重复、可积累的工作流，建议建立一个选题 toolkit。

---

Toolkit 1：选题输入模板

# Research Topic Input

- 学科方向：
- 当前研究主题：
- 感兴趣子方向：
- 已掌握方法：
- 可用数据：
- 可用设备/实验条件：
- 研究周期：
- 目标期刊：
- 希望偏重：理论 / 方法 / 应用 / 综述

---

Toolkit 2：选题筛选表

# Topic Evaluation

| 选题 | 学术价值 | 创新性 | 可行性 | 数据可得性 | 风险 | 综合评分 |
|------|----------|--------|--------|------------|------|----------|
| A    |          |        |        |            |      |          |
| B    |          |        |        |            |      |          |
| C    |          |        |        |            |      |          |

这个表格可以帮助你把“感觉不错”变成“结构化判断”。

---

Toolkit 3：文献缺口扫描表

# Literature Gap Scan

- 研究热点：
- 已有共识：
- 存在争议：
- 方法不足：
- 数据不足：
- 场景不足：
- 理论不足：
- 可切入缺口：

---

十、一个适合科研人长期使用的 skill.md

如果你经常需要做选题，不妨建立一个 topic_skill.md，把这套思维沉淀下来。

# Skill: 科研选题头脑风暴

## 目标
围绕研究方向快速生成候选问题，并筛选出具有学术价值和可行性的研究选题。

## 输入
- 学科方向
- 研究背景
- 方法能力
- 数据与资源条件
- 时间周期
- 目标期刊

## 输出
- 候选研究问题
- 选题排序
- 风险提示
- 推荐路径
- 进一步细化建议

## 原则
1. 问题优先，不先急着定题目
2. 发散后必须收敛
3. 创新性与可行性并重
4. 必须结合文献与现实条件
5. 不替代作者做最终判断

这个文件的作用，是把“选题能力”变成可复用的科研资产。

---

十一、AI 选题时最值得警惕的 6 个坑

即使你用对了工具，也还是容易踩坑。下面这 6 个问题要特别注意。

1. 选题太大

AI 很容易生成宏观、漂亮、但不可执行的问题。

2. 选题太空

看起来高大上，但无法明确研究对象和方法。

3. 选题太像已有工作

如果不做文献核查，很容易重复别人已经做过很多次的方向。

4. 选题太依赖理想条件

比如需要大量数据、复杂设备、或者高门槛方法，但你当前并不具备。

5. 过度追求“新”

真正有价值的选题，不一定是完全从零开始的新题，而可能是：

• 场景更新
• 方法改进
• 变量重构
• 边界扩展

6. 把 AI 的建议当结论

AI 的输出只是候选，不是最终决策。
最终还是要回到文献、数据和自己的研究目标上。

---

十二、一个更成熟的思路：让 AI 参与“选题循环”

选题不是一次性动作，而是一个循环过程。

Topic iteration loop

第 1 轮：发散

让 AI 给出大量候选问题。

第 2 轮：筛选

根据价值、可行性、创新性做初筛。

第 3 轮：细化

把候选问题变成具体研究问题和研究假设。

第 4 轮：验证

查文献，看是否有空白和重复风险。

第 5 轮：收敛

留下最适合当前资源和时间的 1 到 3 个选题。

这个循环做得越好，你的选题越稳。

---

十三、结语：AI 不是替你选题，而是帮你更快走到“好选题”

很多人以为科研选题需要灵感爆发。
但实际上，更多时候，科研选题依赖的是：

• 信息整理能力
• 问题拆解能力
• 文献判断能力
• 可行性判断能力
• 收敛能力

AI 的真正价值，不是替你“想一个神题”，
而是帮助你更高效地完成整个选题链条：

• 先发散
• 再拆解
• 再筛选
• 再验证
• 再收敛

当你把它用对了，它就不只是一个聊天机器人，
而是一个可以显著提升你科研思考效率的“选题协作助手”。

---

附：可直接复制的 Prompt / Workflow / skill.md

1. 选题头脑风暴 Prompt

请作为一名资深科研导师，围绕以下研究方向进行选题头脑风暴。
请先列出 10 个潜在研究问题，再从学术价值、创新性、可行性、数据可得性和风险五个维度进行分析，最后推荐最值得推进的 3 个方向。
我的研究背景如下：
[填写]

2. 选题筛选 Prompt

请对以下候选选题进行严格评估，分别判断其学术价值、创新性、可行性、风险与是否适合我当前阶段。
请给出排序，并推荐最优选题。

3. topic_workflow.md

# Workflow: 科研选题头脑风暴

1. 输入研究背景
2. 生成候选问题
3. 评估学术价值与可行性
4. 结合文献检查重复风险
5. 收敛到 1-3 个优先选题
6. 细化研究问题与方法
7. 定稿

4. topic_skill.md

# Skill: Research Topic Brainstorming

## 目标
帮助科研作者围绕研究方向生成候选问题，并筛选出可执行、有价值的研究选题。

## 原则
- 问题优先
- 发散与收敛并重
- 创新与可行性并重
- 选题必须结合文献与资源条件
- AI 输出仅作为辅助判断