07｜开始行动与补基础

第一轮不用以“完成论文”为日程单位

你目前的空闲时间和硬件还不清楚。与其承诺几周出论文，不如先安排四次工作，每次留下可检查的产物。每次可以按自己的情况拆成多个晚上。

一次工作	具体做什么	完成标志
第一次	选一个实际问题，读两项最近工作	能用自己的话讲清相同与不同
第二次	写题目、正确答案与一个简单对照	正确例子通过，故意错误例子失败
第三次	跑少量预试，保存全部输出	一条结果能追溯到输入、配置和评分
第四次	检查失败，写一页结论	决定扩大、修实验，或保留复现后转向

如果第二次卡住，不要跳过它让 AI 一口气跑几百条。把一条任务弄清楚，往往比扩大错误流程更接近研究。

如果每周大约能投入 6—8 小时

下面是一个假设情境，不是对你实际时间的判断，也不是必须遵守的课程表。

第一周读最近工作并完成问题卡；第二周搭一个最小环境并检查评分；第三周预试和修复流程；第四周冻结方法、补充保留任务；第五周运行和分析；第六周写报告并向别人请教。

若每周只有两三小时，可以把同样步骤拉长；若时间很多，也先让预试决定是否扩大。四个方案只选一个主线，其余放进“以后再看”的笔记，避免每天换方向却没有一次完整循环。

第一轮报告的规模可以很小。它应明确叫预试或复现，不以页数冒充结论强度。

编程基础怎样补，才不与研究分家

你还没有系统学过编程语言，所以第一个目标应当是看懂实验的关键路径：输入从哪里读入，循环是否覆盖所有题，失败会不会被漏掉，最后的比例怎样算出。

可以选择一种你愿意长期使用的语言，把变量、条件、循环、函数、文件读写、异常处理与测试补齐。若实验脚本使用 Python，就围绕这些实际需求学；不要同时开很多语言教程。

给自己三个验收动作：不看 AI 解释，讲一遍评分函数；手算两三条结果，核对脚本；把一个正确样例故意改错，确认测试会失败。做不到其中一个，就让 AI 帮你把对应部分讲细，再自己重做。

这比“完全不用 AI”更符合你的起点，也比“反正代码能跑”更可靠。

数学先补什么

你偏好应用与系统，不必把“数学较弱”当成不能研究的结论。但测量不能绕过基本数量关系。

第一阶段先掌握比例、均值和中位数、离散程度、概率直觉、抽样与独立性。能解释为什么 10 个不同任务和同一题跑 10 次不同，能区分百分点和相对变化，能看懂误差范围的含义。

以后若转向模型训练，再逐步补线性代数、微积分、概率与优化；若转向密码学证明，则需要更系统的离散数学和安全定义。顺序可以由问题驱动，不能因此永远回避所选问题必需的基础。

英文阅读怎样降低压力

先用中文写出自己的问题，再去读对应英文段落。建立一个很小的个人词表，每个词配一个你自己的例子：baseline 是比较用的基础办法；ablation 是去掉一部分再比较；oracle 在这些实验里常指判定正确结果的规则或程序，不是神秘的预测者。

不要把整篇机翻流畅等同于理解。看完一段，合上原文，用中文说出它的条件与结论，再回去核查。如果作者只在一种设置里测试，你的笔记也应保留这种限制。

你广泛的兴趣怎样保留

LLM × 心理学可以先从阅读和明确构念开始：你到底在研究人的行为，还是模型输出的某种模式？用模型回答人格问卷，不能直接推出模型具有人格或人的心理机制。若涉及真实参与者，先找能指导方法与机构审查的老师，再开展数据收集；NeurIPS 的研究清单也区分参与者材料与适用的机构审查要求。NeurIPS，Paper Checklist，关于人类参与者研究的条目，本次查阅 2026-09-07。

Passkey、后量子密码与联邦系统同样可以保留。暂不把它们列为本次首选，是因为你目前更容易检查软件行为和 Agent 实验，而本次没有对这些方向完成同等深度的具体课题查新。这不是对它们价值或你未来能力的判断。

你可以维护一个“以后想知道”的页面。每个兴趣只记一句问题和一个来源；当主线遇到需要这些知识的真实问题，再把它提上日程。

一周结束时，检查四件事

我现在能否比上周更清楚地说明问题？是否读到了会改变计划的已有工作？是否留下了别人能检查的记录？下一步的动作是否由证据决定？

如果四个问题都有具体答案，即使还没有一张漂亮总表，你也在进入研究的工作方式。