brainstorming-research-ideas

研究创意构思

用于发现下一个研究创意的结构化框架。本技能提供十种互补的构思视角，帮助研究人员从模糊的好奇心迈向具体且有充分依据的研究提案。每种框架都针对不同的思维模式——可以单独使用，也可以组合使用，全面探索各种可能性。

何时使用本技能

• 开启新的研究方向，需要进行结构化探索
• 当前项目陷入瓶颈，希望寻找新的切入角度
• 评估一个尚未成形的创意是否真正有潜力
• 准备与合作者开展头脑风暴
• 在不同研究领域间转换，寻找高杠杆的切入点
• 梳理某个领域，寻找尚未充分探索的空白

请勿在以下情况下使用本技能：

• 你已经有明确的研究问题，需要执行指导
• 你需要实验设计或方法论方面的帮助（请使用特定领域的技能）
• 你想进行文献综述（请使用 scientific-skills:literature-review）

---

核心构思框架

1. 问题优先与解决方案优先思维

研究创意源自两种不同的思维模式。了解自己采用的是哪种模式，可以避免常见的失误：构建并未解决真实问题的方案，或追逐无法切实解决的问题。

问题优先（痛点 → 方法）：

• 从具体的故障、瓶颈或未满足的需求入手
• 由于研究动机源自问题本身，通常能带来有影响力的成果
• 风险：可能只得出渐进式改进，而非范式转变

解决方案优先（新能力 → 应用）：

• 从寻求应用的新工具、新见解或新技术入手
• 通常能通过解锁以往无法实现的方法推动突破
• 风险：如同“拿着锤子找钉子”——解决方案可能并无真正需求

工作流程：

1. 用一句话写下你的创意
2. 对其分类：这是问题优先还是解决方案优先？
3. 如果是问题优先 → 核实问题是否重要（谁受其影响？影响有多大？）
4. 如果是解决方案优先 → 找出它要解决的至少两个真实问题
5. 无论是哪种模式，都要清晰阐述差距：它能实现哪些当下无法做到的事情？

自我检查：

• 我能否说出一个具体需要这项研究的个人或群体？
• 我要解决的问题确实尚未解决吗（而不只是市场推广不足）？
• 如果是解决方案优先，这个方案是否创造了新能力，而不只是复现已有能力？

---

2. 抽象阶梯

每个研究问题都处于某个抽象层级。有意沿阶梯向上或向下移动，可以发现当前层级下看不见的创意。

方向	行动	结果
向上移动（泛化）	将具体结果提炼为更广泛的原则	框架论文、理论贡献
向下移动（实例化）	在具体约束条件下检验一般范式	实证论文、出人意料的失败分析
横向移动（类比）	将相同抽象层级的思路应用到相邻领域	跨领域借鉴、迁移论文

工作流程：

1. 用一句话说明你当前的研究重点
2. 向上移动：其背后的普遍原则是什么？它属于哪类问题？
3. 向下移动：它最具体、受限最多的实例是什么？在极端情况下会发生什么？
4. 横向移动：这种模式还会出现在哪些其他领域？
5. 针对每个新层级，思考：它本身能否构成可发表的贡献？

示例：

• 当前：“提升 RAG 系统的检索准确率”
• 向上：“对于任何增强生成系统，什么因素能让上下文选择更有效？”
• 向下：“当文档受到对抗性扰动时，检索准确率会如何下降？”
• 横向：“数据库查询优化也采用类似的相关性排序——我们可以借鉴什么？”

3. 寻找张力与矛盾

突破往往来自解决广泛认可、却看似相互冲突的目标之间的张力。这些矛盾并非缺陷，而是研究机遇。

常见的研究张力：

张力对	研究机遇
性能 ↔ 效率	我们能否用少 10 倍的算力达到 SOTA？
隐私 ↔ 实用性	联邦式／加密方法能否缩小准确率差距？
通用性 ↔ 专用性	何时微调胜过提示词？原因是什么？
安全性 ↔ 能力	对齐能否提升能力，而不是损害能力？
可解释性 ↔ 性能	机制层面的洞见能否带来更好的架构？
规模 ↔ 可及性	小模型能否复现涌现行为？

工作流：

1. 选择你的研究领域
2. 列出最重要的 3-5 项诉求（所有人都希望实现的目标）
3. 找出通常被视为需要权衡的目标组合
4. 针对每组目标，思考：这种权衡是根本性的，还是当前方法造成的假象？
5. 如果是假象 → 化解矛盾本身就是你的研究贡献
6. 如果是根本性的 → 描绘帕累托前沿本身就有价值

自我检查：

• 我是否确认了这种张力确实存在（而非只是想当然）？
• 我能否指出分别针对两方进行优化的论文？
• 我提出的化解方案在技术上是否可行，而不只是愿景？

---

4. 跨界启发（类比迁移）

借鉴其他学科的结构性思想，是最能激发研究灵感的启发式方法之一。许多基础性技术都由此诞生——注意力机制源自认知科学，遗传算法源自生物学，对抗训练源自博弈论。

有效类比的要求：

• 结构保真度：映射必须在底层机制层面成立，而不只是表面相似
• 非显而易见的关联：如果这种关联广为人知，新颖性就不复存在
• 可检验的预测：类比应能产生具体假设

对机器学习研究高价值的灵感来源领域：

来源领域	可迁移的概念
神经科学	注意力、记忆巩固、层级处理
物理学	基于能量的模型、相变、重整化
经济学	机制设计、拍卖理论、激励对齐
生态学	种群动态、生态位竞争、协同进化
语言学	组合性、语用学、语法归纳
控制理论	反馈回路、稳定性、自适应调节

工作流：

1. 用不依赖特定领域的语言描述你的问题（去掉行话）
2. 思考：其他领域中，哪个领域解决了结构上相似的问题？
3. 在机制层面研究该领域的解决方案
4. 将方案映射回你的领域，同时保留结构关系
5. 根据类比提出可检验的预测
6. 验证：借鉴的思想是否真的改善了结果？

---

5. “有什么变化？”原则

出色的想法往往来自在新条件下重新审视旧问题。硬件、规模、数据可用性或法规方面的进步，可能会使先前的假设失效，并让过去不切实际的方法变得可行。

需要关注的变化类别：

变化类型	示例	对研究的影响
计算能力	GPU 快了 10 倍	曾因成本过高而被否定的方法变得可行
规模	万亿 Token 数据集	在小规模下不成立的统计论据，如今可能成立
法规	EU AI Act、GDPR	创造对合规替代方案的需求
工具链	新框架、API	降低复杂方法的实现门槛
失败	备受关注的系统故障	暴露现有方法的不足
文化	新的用户行为	改变最重要的问题

工作流：

1. 选取一个广为人知的负面结果或被放弃的方法（距今 3–10 年）
2. 列出导致其被否定的假设
3. 针对每个假设，询问：如今它还成立吗？
4. 如果任何假设已失效 → 在新条件下重新测试这个想法
5. 阐述贡献：“X 过去因 Y 而不切实际，但 Z 已经改变”

---

6. 失败分析与边界探测

了解一种方法在何处失效，往往与证明它在何处有效同样有价值。边界探测通过系统地检验条件，揭示公认技术在什么情况下会失效。

需要探测的边界类型：

• 分布：遇到分布外输入时会怎样？
• 规模：规模达到典型值的 10 倍或 0.1 倍时，方法的表现会变差吗？
• 对抗性：能否故意使方法失效？
• 组合性：组合多种能力时，性能还能保持吗？
• 时间：方法的表现会随时间推移而变差吗（概念漂移）？

工作流：

1. 选择一种广泛使用且报告结果出色的方法
2. 找出其评估中的隐含假设（数据集、规模、领域）
3. 系统地逐一打破每个假设
4. 记录方法在何处以及如何失效
5. 诊断每次失败的根本原因
6. 提出修复方案，或解释为何这种失败是根本性的

自检：

• 我探测的是真正的边界，而不只是确认已知局限吗？
• 我能解释方法为什么失效，而不只是说明它失效了吗？
• 我的分析是否指明了建设性的前进方向？

---

7. 简化测试

在接受复杂性之前，先问问更简单的方法是否足够。有时，某些领域过度偏重复杂方案，而精简的基线方法也能取得有竞争力的表现。

不必要复杂性的警示信号：

• 方法有许多超参数，且最优范围很窄
• 消融实验显示，大多数组件的贡献都很有限
• 从未对简单的基线方法进行恰当的调优或评估
• 在大多数基准测试中，相较于基线的提升处于噪声范围内

工作流：

1. 找出当前针对你的问题的 SOTA 方法
2. 将其精简到尽可能简单的核心（关键点是什么？）
3. 通过精心设计的工程实现这个最小版本
4. 公平比较：使用相同的计算预算和调优投入
5. 如果差距很小 → 贡献就在于简化本身
6. 如果差距很大 → 现在你明白了复杂性带来的价值

贡献表述：

• “我们表明，[简单方法] 加上 [一项改动]，其表现可媲美 [复杂的 SOTA 方法]”
• “我们确定 [特定组件] 才是关键驱动因素，而非 [其他组件]”

8. 利益相关方轮换

从多个视角审视一个系统，可以发现不同类别的研究问题。每类利益相关方关注的摩擦、风险和机遇各不相同。

利益相关方视角：

利益相关方	关键问题
终端用户	这个系统易于使用吗？哪些错误不可接受？可容忍的延迟是多少？
开发者	这个系统便于调试吗？维护负担有多大？各组件如何组合？
理论研究者	为什么这个方法有效？它有哪些形式化保证？还存在哪些缺口？
对手	如何利用这个系统？攻击面有哪些？
伦理学家	谁会受到伤害？其中包含哪些偏见？谁被排除在外？
监管者	这个系统可审计吗？决策能否得到解释？是否有人承担责任？
运维人员	成本是多少？如何扩展？故障模式是什么？

工作流程：

1. 用一段话描述你的系统或方法
2. 依次换位思考，站在每类利益相关方的视角审视（每个角色花 5 分钟）
3. 针对每个视角，列出最重要的 3 个顾虑或问题
4. 找出当前工作尚未解决的顾虑
5. 影响范围最广的未解决顾虑，就是你的研究问题

---

9. 组合与分解

新颖性往往来自重新组合或模块化。创新之处通常不在于提出新的基本方法，而在于如何排列或拆分各个组件。

组合（结合现有技术）：

• 找出两种能解决互补子问题的方法
• 思考：组合之后会产生什么涌现能力？
• 示例：RAG + Chain-of-Thought → 检索增强推理

分解（拆解单体系统）：

• 找出一个组件相互纠缠的复杂系统
• 思考：哪个组件才是真正的瓶颈？
• 示例：将“微调”分解为数据选择、优化和正则化后，会发现数据选择往往最为关键

工作流程：

1. 列出你所在领域的 5-10 个关键组件或技术
2. 组合：选取成对的组件，思考将它们结合起来会怎样
3. 分解：选取一种复杂方法，分别分析每个组件的贡献
4. 对于组合：这种组合会产生涌现能力吗？
5. 对于分解：单独分析能否发现主导性组件或冗余组件？

---

10. “讲给别人听”测试

一个有力的研究构想，应当能用两句话向聪明的非专业人士阐述清楚，并经得起质疑。这项测试能确保目的清晰，并让价值主张更加明确。

两句话模板：

第一句（问题）：“[领域]目前面临[具体问题]，这很重要，因为[具体后果]。” 第二句（洞见）：“我们通过[关键机制]采用[方法]，之所以有效，是因为[原因]。”

如果你无法套用这个模板：

• 问题可能尚未定义清楚 → 返回框架 1
• 洞见可能尚不明确 → 返回框架 7（简化）
• 重要性可能尚未确立 → 返回框架 3（找出张力）

校准问题：

• 你所在细分领域之外的聪明同事，能理解这件事为何重要吗？
• 不用术语也能讲清楚吗？
• 你能预判怀疑者会提出的第一个反对意见吗？

---

综合头脑风暴工作流程

使用这套端到端工作流程，从空白页面开始，逐步筛选并排序研究构想。

第一阶段：发散（生成候选想法）

目标：不进行筛选，生成 10–20 个候选想法。

1. 扫描矛盾点（框架 3）：列出你所在领域的 5 个权衡
2. 检查发生了哪些变化（框架 5）：列出近期的 3 项变化（算力、数据、监管）
3. 探查边界（框架 6）：选取 2 种热门方法，找出它们失效的场景
4. 跨领域借鉴（框架 4）：从相邻领域选取 1 个想法
5. 组合／分解（框架 9）：组合 2 种现有技术，或将 1 种技术拆解
6. 沿抽象阶梯探索（框架 2）：为每个候选想法生成向上、向下和横向变体

第二阶段：收敛（筛选和排序）

目标：缩小范围，选出 3–5 个最有潜力的想法。

使用以下标准筛选每个候选想法：

筛选标准	问题	淘汰条件
解释测试（F10）	我能用两句话说明这个想法吗？	如果不能 → 想法还不够清晰
问题优先检查（F1）	这个问题真实且重要吗？	如果没人受此困扰 → 舍弃
简洁性测试（F7）	这种复杂程度合理吗？	如果有更简单的方法可行 → 简化或舍弃
利益相关方检查（F8）	谁会受益？谁可能反对？	如果没有明确的受益者 → 舍弃
可行性	我能利用现有资源执行吗？	如果明显不可行 → 暂时搁置

第三阶段：完善（打磨胜出想法）

目标：将最有潜力的想法转化为具体的研究计划。

1. 写出两句话的提案（框架 10）
2. 明确要解决的核心矛盾（框架 3）
3. 指定抽象层级（框架 2）
4. 列出 3 个可验证该想法的具体实验
5. 预想最有力的反对意见，并准备回应
6. 制定一个为期 2 周的试点，以评估可行性

完成检查清单：

• 两句话的提案清晰且有说服力
• 问题真实存在（通过问题优先检查）
• 方法合理（通过简洁性测试）
• 至少有一位利益相关方明确受益
• 已明确核心实验
• 已制定可行性试点
• 已准备好回应最有力的反对意见

---

框架选择指南

不确定从哪个框架开始？请参考以下决策指南：

你的情况	从这里开始
“我不知道该研究哪个方向”	矛盾点探索（F3）→ 发生了哪些变化（F5）
“我有一个大致方向，但没有具体想法”	抽象阶梯（F2）→ 失败分析（F6）
“我有一个想法，但不确定它是否够好”	解释测试（F10）→ 简洁性测试（F7）
“我有一个好想法，但需要一个新角度”	跨领域借鉴（F4）→ 利益相关方视角轮换（F8）
“我想把现有成果组合成新成果”	组合／分解（F9）
“我发现了一种很酷的技术，想要应用它”	问题优先检查（F1）→ 利益相关方视角轮换（F8）
“我想挑战传统观念”	失败分析（F6）→ 简洁性测试（F7）

---

研究构思中的常见陷阱

陷阱	表现	解决方法
有新意但无影响	“没人做过 X”，但也没人需要 X	进行问题优先检查（F1）
默认渐进改进	想法只让基准测试提升 2%	沿抽象阶梯探索（F2）
崇拜复杂性	方法包含 8 个组件，每个都只带来微小帮助	进行简洁性测试（F7）
回音室效应	所有想法都来自阅读同样的 10 篇论文	采用跨领域借鉴（F4）
过时的假设	“以前试过，行不通”（5 年前）	检查发生了哪些变化（F5）
单一视角偏见	只考虑机器学习工程师的观点	轮换利益相关方视角（F8）
过早收敛	未探索其他方案就认定第一个想法	完整执行发散阶段

---

面向 Agent 的使用说明

当研究人员请求协助构思研究创意时：

1. 确认他们的起点：他们是在探索一个新领域、卡在当前项目中，还是在评估现有创意？
2. 选择合适的框架：使用“框架选择指南”挑选 2-3 个相关视角
3. 互动式地引导框架流程：逐步应用每个框架，并请研究人员提供特定领域的输入
4. 生成候选创意：在各个框架下生成 10-20 个初步创意
5. 筛选并排序：应用“收敛阶段”的筛选条件，将范围缩小至排名前 3-5 的创意
6. 完善优胜创意：协助撰写两句话的提案，并明确具体的后续步骤

关键原则：

• 力求具体——模糊的创意（“提高效率”）无法付诸行动
• 质疑假设——至少追问三次“为什么？”
• 以书面形式记录所有候选创意，包括已淘汰的创意（之后可能会重新组合）
• 由研究人员最终决定要推进哪些创意；Agent 负责引导结构化思考