把一个课题，拆成 AI 能接手的最小任务
您大概试过这样一次。手上有个课题，想让 AI 搭把手，于是在对话框里敲下：「我有两组转录组数据，帮我分析一下有什么差异，再看看富集在哪些通路，最后帮我讲讲这说明了什么。」回车，等一个惊喜。
它确实回了一大段——从质控到差异分析到富集，环环相扣，术语齐全。可您盯着看了半分钟就发现：没有一步能直接拿去用。它不知道您的数据长什么样，不知道您想比的到底是谁和谁，只能给一份「谁来做都对、对谁都没用」的通用流程。想省的那点力，一点没省下。
问题不在模型笨，在您交出去的这团活太大。AI 接不住「帮我做这个课题」，但它能稳稳接住拆细之后、输入输出明确、错了能重跑的执行单元。 而把课题拆成这样的单元，本身就是一项值得练的科研功夫。
一整个课题丢过去，为什么一定落空
一个课题不是流水线，而是一串「做一步、看一眼、再决定下一步」的判断链。选哪个比较、阈值卡在哪、看到异常要不要停，这些决策散落在整个过程里，有些您自己都还没完全想清楚。把整个课题一次性丢给 AI，等于让它替您把这些全都猜一遍——而它猜的时候不犹豫，也不会告诉您它在猜，顺着您给的只言片语一路自信地算到底。那些本该由您拍板的岔路口，它随手就替您选了；等结果出来，您很难分清哪些是它算的、哪些是它替您决定的。
所以「帮我做个课题」从一开始就问错了。该问的不是「它能不能做」，而是「这件事里，哪一小块可以明确定义、独立完成、单独验证」。找得出这样的小块，AI 才有用武之地。
拆解的三层：目标 → 子问题 → 可验证的步骤
拆解不是把大任务随手切几段，而是分三层往下落。
第一层，目标。 一句话说清这个课题要回答什么：「比较处理组和对照组的转录组，找出差异表达基因，看它们富集在哪些生物学过程里，推测处理干预了什么。」目标由您定，AI 不参与——它不知道您为什么值得做这个比较。
第二层，子问题。 把目标拆成几个自成一体的问题：数据干不干净、分不分得开？两组之间哪些基因真的变了？这些基因集中在哪些通路上？每个子问题边界清楚，答完一个再进下一个。
第三层，可独立验证的执行步骤。 这层最关键。把每个子问题落成一个个具体动作，每个动作都满足两个条件：输入输出说得清，做完能单独检验对错。「对表达矩阵做标准化」就是——输入是原始矩阵，输出是标准化矩阵，做完画个图看看分布对不对。「搞清楚这个处理的生物学机制」就不是——它没有明确输入，也没法一步验证。
一个步骤只有落到第三层，才真正长出了「可以交给 AI」的形状。判断拆没拆到位，就看一条：这一步做错了，是局部重跑就能补救，还是整个结论跟着作废？ 前者可以放心委托，后者是您必须亲手把关的节点。
哪些交给 AI，哪些自己扛
有了这条分界线，该交什么、该留什么就清楚了。
适合交给 AI 的，是确定性执行、且能当场验证的活。 格式转换、批量整理、按既定口径跑一段标准分析、把整套流程写成可复现的脚本——路径已知、对错分明，AI 做得又快又稳，错了重跑几乎没成本。您在这上面省下的每一分钟都是净赚。
必须自己扛的，是那些一旦错、结论就塌的节点。 大致四类：选题（这问题值不值得做）、设计（比较怎么设、对照怎么配、阈值和多重检验校正怎么定）、解读（一张诡异的图是真信号还是假象）、结论（这句话敢不敢写进论文）。它们没有「标准答案」可执行，只有您结合课题背景做的判断。哪怕 AI 给的建议看起来很专业，那也只是一份需要复核的同事意见，不是结论本身。
一句话：把「怎么做」交出去，把「做不做、这样做对不对、结果信不信」留下来。
一个例子：把「差异表达 + 富集」拆成可委托单元
道理讲完，落到一个具体课题上走一遍。目标就用上面那句：比较两组转录组，找差异基因，做通路富集，推测生物学含义。假设数据在手，拆成六个单元，每个都标清楚——交出去前您要先定什么，收回来后您要判断什么。
单元一，质控与预处理。 输入原始 counts 矩阵和样本分组表，输出过滤掉低表达基因、标准化后的矩阵，外加一份质控概览（文库大小、聚类或 PCA）。交出去前，过滤口径得您定。收回来重点看那张 PCA：如果某个样本跑进了另一组，去还是留是您的决策——批次效应、样本污染，还是本就该如此？AI 能替您画图，「剔不剔这个离群样本」它替不了。
单元二，差异表达分析。 输入标准化矩阵、分组，以及一份明确的比较设计——谁对谁、用什么模型、阈值卡在哪。输出差异基因表和火山图。比较设计和校正策略必须您定死，这是设计不是执行。收回来看火山图形态合不合常理、差异基因的数量级对不对，太多太少都是该追问的信号。
单元三，把结果整理成可读的表。 输入差异基因表，输出一张按方向和显著性排好序、补上注释的整洁表格。纯确定性执行，错了重跑，放心交。
单元四，富集分析。 输入差异基因列表、背景基因集、选定的注释库和阈值，输出富集通路表和图。用哪个背景基因集、上下调分开算还是合并算，这些选择会直接改写结论，得您拍。收回来要用领域知识过一遍：一条通路显著，是真的生物学信号，还是这个基因集太大、随手一撞就「显著」？这一步 AI 最容易给您一堆看着漂亮、其实站不住的通路。
单元五，打包成可复现脚本。 把前四步连同全部参数整理成一份能一键重跑的脚本，附上依赖清单。纯执行，交。可复现不该靠自觉，靠工具把它变简单。
单元六（可选），起草方法学描述。 输入各步参数，输出方法段初稿。收回来逐句核对——它可能把您根本没做的步骤也「顺手补」进去，措辞的强度也常常得往回收。
数一数：真正交出去的全是执行（画图、算差异、整表、跑富集、写脚本、起草），攥在手里的全是决策（选题、比较设计、阈值与校正、离群样本去留、富集的解读、最后那句敢不敢写）。而每个单元都问得出「收回来要判断什么」，恰恰说明课题拆对了——单元接口清楚、错了能局部重跑，不会一处出错就牵动全局。
顺带一提：像组学分析这类高度标准化的流程，「怎么拆」其实可以由别人先替您做好——把常规分析打包成若干可委托的单元，您只在每个决策节点填入判断（百沐一下的组学智能体正是这个思路）。但流程能被打包，决策节点上的判断仍然只能您自己填。
会拆解的人，才用得好 AI
绕一圈，落点其实很朴素：用不好 AI 的人，多半不是不会写提示词，而是不会拆任务。 把一整团还没想清楚的活丢过去，再抱怨结果不好用；会拆的人，动手前就把课题的逻辑链在脑子里过了一遍，清楚哪一步是确定的执行、哪一步是自己非扛不可的判断。
这里藏着一个容易被忽略的回报：拆解本身，就是一次严肃的科研训练。 您能把课题干净利落地拆成输入输出明确的单元，前提是您真想透了它的逻辑——哪些是手段、哪些是目的，哪一步错了会连累后面。拆不清楚，往往不是 AI 的问题，是您对这个课题的理解还没到位。
所以下次想让 AI 搭把手，先别急着敲那句「帮我做一下」。花几分钟，把课题在纸上拆开：目标是什么，分成哪几个子问题，每个子问题落成哪些能单独验证的步骤，其中哪些能交、哪些得自己扛。拆得越清楚，AI 越好用；而拆的过程里，您对这个课题也想得越透。这两件事，本来就是同一件。