模型看到的是输入，不是实验现场
把表达矩阵交给AI整理时，模型能够观察列名、数值和随附说明，却不知道样本如何采集、平台如何测量、哪些步骤由软件自动完成。若输入缺少元数据，输出再流畅也只能建立在不完整条件上。
因此应先制作一份不含敏感资料的数据说明，写清物种、组织、实验平台、数据库版本、样本批次、单位和预处理。AI可以帮助检查字段是否一致，但这些事实必须来自项目记录。
数据库版本决定名称的语境
同一miRNA名称在不同发布版本中的状态可能不同。模型若只根据训练期间接触过的资料解释名称，可能混用旧注释与当前注释。每次输入都应保留来源数据库和明确版本，输出也要标注使用了哪组映射。
当版本未知时，应把任务限制为发现候选冲突，而不是自动生成最终新名称。未知条件不能通过模型置信语气变成已知事实。
样本批次与处理步骤不能埋进备注
批次、建库日期、测序中心和归一化方式会影响数值。如果这些信息只藏在文件名或聊天记录里，AI整理后的新表很容易丢失。更可靠的做法是把关键元数据变成独立字段，并为每次处理生成变更记录。
人工删除样本、填补缺失值或合并重复项也要记录。模型给出的清洗建议在执行前应经过小样本验证，并保留修改前后的差异。
不要上传不必要的敏感资料
组学数据可能与患者、家系或稀有群体有关。去掉姓名不一定消除重新识别风险，尤其当样本规模小、表型详细或可以与其他公开资料连接时。使用任何外部工具前，都要确认授权、服务条款、保存方式和组织政策。
可以先使用模拟数据或经过批准的最小字段测试工作流。需要本地处理的资料不应为了方便而复制到不明确的在线界面。
让AI输出结构化的不确定性
与其要求模型给出唯一映射，不如让它列出候选、支持依据、冲突条件和仍需人工核对的项目。这样的输出更适合版本迁移，因为很多记录本来就无法在缺少序列时唯一判断。
置信度数字只有在定义清楚、经过验证时才有意义。若只是语言模型自行给出的感觉，不应把它当成统计概率。
知识卡比长摘要更适合复查
每个关键来源可以记录发布者、日期、版本、原文事实、可支持判断和不能支持的范围。AI适合把这些卡片按主题组织，却不应删除来源之间的差异。
当新版本出现时，只需更新受影响的知识卡和分析，而不是重写所有笔记。版本化知识比一份没有来源的长摘要更容易维护。
自动化脚本也属于研究证据
清洗、映射和统计脚本决定数据如何变化。应保存代码版本、依赖环境和执行参数，必要时记录随机种子。只保留AI生成的解释，无法复现表格如何从原始状态变成最终结果。
如果AI参与编写脚本，研究者仍要阅读、测试并确认边界。能够运行不代表逻辑符合实验设计。
用反例检查输出是否过度
准备几条已知存在歧义、已撤销或跨物种同名的记录，观察模型是否会强行统一。反例能够暴露系统倾向，也帮助团队决定哪些步骤必须人工审核。
输出通过少量示例不等于适用于整个数据库。随着资料类型和版本变化，验证集也需要更新。
AI的合适位置是辅助层
AI可以加快术语整理、字段比较、异常提示和文献发现，但最终研究判断仍要回到序列、实验条件、数据库记录和原始论文。把模型放在辅助层，不会削弱效率，反而让自动化结果更容易被团队接受。
真正节省时间的不是省略来源，而是让来源、版本和处理步骤从一开始就具有稳定结构。
把输入表拆成数据与说明两部分
数值矩阵负责保存测量结果，说明表负责保存样本、平台、版本、单位和处理历史。两者通过稳定ID连接，既避免把长备注塞进每一行，也不会在导出时丢失上下文。
AI处理时可以只提供任务所需的最小字段，并让输出继续保留稳定ID。这样人工复核能够回到原记录，而不必依赖模型改写后的名称。
提示词也应进入分析记录
同一数据使用不同提示词可能得到不同分类和解释。若AI输出影响后续决定，应保存模型名称、日期、提示词、参数和必要响应。
提示记录不是为了无限复制聊天内容，而是说明模型被要求做什么。涉及敏感资料时，应遵守组织保存政策。
结构化输出仍需要模式验证
要求模型输出JSON或表格可以方便自动处理，但字段正确不代表内容正确。应检查必填项、数据类型、允许值和跨字段关系。
模型偶尔会生成不存在的标识符或调整数值格式。模式验证能发现结构错误，已知样本和来源核对负责发现语义错误。
检索增强不能替代来源阅读
连接数据库或文献检索后，模型可以引用更具体的资料，但检索片段可能缺少方法、否定语境和适用范围。重要判断仍要打开完整记录。
引用网址存在不等于句子得到支持。知识卡应写清来源实际陈述了什么，以及哪些推论来自当前项目。
人工审核要放在高影响节点
不需要逐字审核所有自动整理结果。可以优先检查名称映射、样本排除、单位转换、缺失值处理和会改变结论的项目。
审核规则应根据错误后果设计。低风险的格式统一可以抽样，高风险的身份映射和敏感资料处理需要更严格确认。
模型更新也会改变工作流表现
在线模型可能在不改变接口名称的情况下更新。过去通过的提示或输出格式不一定永久稳定，因此要保留小型回归测试。
测试集应包含常见记录和已知边界。结果变化时先暂停自动写入正式数据，再判断是模型、提示还是上游资料改变。
最终输出要能脱离模型阅读
研究报告不能要求读者相信某个模型的内部推理。事实、来源、处理方法和限制应以普通文档和数据表表达。
AI的贡献可以说明为辅助分类、发现冲突或生成候选。最终判断由可核对证据承担，才能在工具更换后继续使用。
数据字典先于自动解释
同一个字段名在不同文件中可能代表样本编号、平台特征或数据库标识符。数据字典应说明字段含义、单位、允许值和缺失状态，模型才能在明确语境中工作。
如果团队成员无法对字段给出一致解释，AI也无法通过统计外观恢复真实含义。此时应暂停批量处理，先回到数据产生流程。
去标识化需要考虑组合风险
删除姓名和账号只是基础处理。稀有疾病、精确时间、地区、年龄和独特分子特征组合后，仍可能指向个人或小群体。
风险评估应考虑数据与其他来源连接后的结果。公开数据、内部数据和模型输出分别无害，不代表组合后仍然安全。
单位转换必须使用显式规则
模型可能识别常见单位，却不能假设缺少单位的列采用何种尺度。任何浓度、时间或表达值转换都应由明确规则完成，并保留原值。
单位换算后的数值要用已知样本验证，特别注意对数尺度、百分比和科学计数法。格式变化可能看似很小，却会彻底改变分析。
缺失值不能由语言习惯猜测
空白、NA、零和低于检测限具有不同含义。AI若把它们统一填补，可能把未测量数据变成真实观测。
填补方法需要依据分析目标和缺失机制。输出应保留填补标记，使下游模型能够区分原始值与估计值。
术语标准化要允许保留别名
统一术语有助于搜索和聚合，但原始写法仍是追溯来源的线索。标准字段与原字段并存，比覆盖更安全。
当一个别名对应多个候选时，应要求人工确认或保留歧义。模型不应仅凭出现频率选择唯一对象。
批量处理前估算错误传播范围
一条错误规则应用到数万行后，人工修复成本会迅速增加。先在分层样本中测试，包括常见值、边界值和异常值，可以提前发现系统偏差。
抽样比例不是固定数字，应根据数据异质性与错误后果决定。高影响字段需要更密集审核。
模型说明不等于科学解释
语言模型能够给出合理叙述，但它可能把相关性写成因果，把数据库关联写成实验验证。研究者应要求每个关键结论连接到具体证据类型。
若来源只支持观察关联，输出就应保留关联语言。不能因为文字更流畅而扩大结论。
把版本差异纳入结果比较
同一任务在模型、数据库或提示更新后重新运行，输出可能改变。比较前后差异能够发现哪些结论依赖工具版本。
对于关键决策，应设定需要人工重新审核的变化阈值，而不是让新输出自动覆盖旧结果。
长期保存应采用开放格式
专有项目文件适合保留应用状态，但长期档案还应导出CSV、TSV、JSON或其他可解释格式，并附上数据字典。
开放格式也需要版本和编码说明。能够被文本工具打开，不代表字段含义自然清楚。
AI使用记录要服务于复查
记录的目的不是制造大量日志，而是回答谁在何时使用什么输入、模型和规则产生了哪个输出。与结论无关的调试信息可以不进入正式档案。
一条简洁、可定位的处理记录，比批量生成的伪编号更有价值。每个字段都应对应真实复查需求。
外部工具返回的名称要重新核对
模型或检索插件可能返回看似标准的基因和miRNA名称，但大小写、物种前缀和版本状态仍可能错误。批量写入前应与目标数据库发布文件比较。
核对结果要区分完全命中、历史别名和候选关系。不能把搜索结果排序当成映射证据。
项目结束时导出处理清单
处理清单应列出输入摘要、版本、脚本、模型参与环节、人工审核和最终输出位置。它帮助后来者理解结果如何形成。
清单不需要复制每一行数据，而要覆盖会改变解释的决定。无关日志过多反而会淹没关键信息。
结论边界应随输出一起保存
AI辅助得到的候选若只适用于某个平台、组织或版本，这个限制应进入结果说明，而不是只留在会议记录。
当数据被转交给其他团队时，边界与数值同时移动，才能防止候选被误写成普遍事实。
复核结果要反馈到规则而不是只改单元格
人工发现一个错误时，应判断它来自单条资料还是通用规则。如果规则有问题，只修改当前单元格会让相同错误继续出现在其他记录。
修正规则后重新运行受影响范围，并记录前后差异。这样人工审核才能逐步提高流程质量。
何时不适合继续自动化
当对象类型未知、版本无法确定或敏感资料授权不清时，自动处理越快，错误和风险扩散越快。此时应缩小任务或暂停。
明确停止条件不是效率失败，而是确保工具只在证据足够的范围内工作。