读研最怕的不是没工具，是没有自己的龙
读研最怕的不是没工具，是没有自己的龙
最近读到一篇讨论AI工具热潮的文章，作者提了一个很尖锐的观察：全国一半的AI Agent每天在给主人发天气预报，另一半在发新闻简报——而这些事，手机免费就能干。
看到这里我笑了，因为我自己也干过类似的事。
刚接触Claude Code的时候，我花了大量时间搭技能模块、配MCP工具链、研究各种Prompt模板。折腾完了，坐在屏幕前，突然发现——嗯，然后呢？
工具倒是磨快了，但砍什么？
这个问题，放到我们读研的语境里，更扎心。
你的”问题资源”是什么？
原文提出了一个概念叫问题资源。意思是：当AI已经能给出不错的答案时，真正稀缺的不再是解题能力，而是你手里有没有值得去解的题。
谁拥有问题，谁就拥有调度工具和系统的权力。
读研不就是这样吗？
导师给你一个方向，你读了几十篇论文，跑了几个baseline，然后呢？你的contribution是什么？你发现了什么别人没发现的问题？
我见过两种研究生：
一种人工具玩得特别溜，YOLO各版本如数家珍，训练脚本写得飞快，但你问他”你这篇论文到底解决了什么问题”，他支支吾吾半天，最后说”我把mAP提了两个点”。
另一种人代码能力一般，但他去工地蹲过、去街道跑过、去跟一线的人聊过，回来跟你说”你知道吗，现在城市里井盖检测最大的痛点不是检测精度，而是小目标在高分辨率遥感图里根本找不到”。
第一种人有屠龙术，第二种人找到了龙。你猜谁更容易发出好论文？
好的研究问题长什么样？
原文给了一个模板：
好问题 = 具体困境/欲望 + 怎么办
翻译成科研语言就是：
好的研究问题 = 具体的工程痛点或理论瓶颈 + 可验证的技术方案
举个我自己的例子。
我做违建检测的时候，一开始想的是”怎么用最新的模型把精度刷上去”。后来真正去看遥感图像数据才发现：违建的类型分布极度不均衡，钢架临时棚占了将近40%，而绿色预制板房只有12%。这个分布失衡本身，才是真正的问题。
你看，”分布不均衡导致小类别漏检 + 怎么办”，这就比”我要用YOLOv11把mAP提高”实在得多。前者是一个从数据里长出来的真问题，后者只是一个没有根基的技术愿望。
再比如井盖检测，如果你只盯着”检测精度”，那这个问题谁都能做。但如果你注意到——城市级高分辨率影像中，井盖这类极小目标在常规特征金字塔中根本拿不到足够的语义信息——这就变成了一个有明确技术瓶颈的好问题，值得你去设计一个高分辨率特征层来解决。
问题的质量，决定了论文的质量。
别让”调教工具”变成逃避
原文还区分了两个角色：AI员工和AI导师。
AI员工是替你干活的。AI导师是帮你想清楚的。
我发现自己有一个倾向：每当论文写不下去、实验跑不出来的时候，就特别想去折腾工具——调一调Obsidian模板、搭一搭自动化脚本、研究一下新出的AI产品。忙是真忙，但回头一看，论文一个字没多。
这不是在使用工具，这是在用工具麻醉自己。
原文说得很直白：如果你暂时没有需要交给AI的事，不如让AI帮你找到真问题。与其让龙虾替你干活，不如先让赛博芒格帮你看清方向。
对我们研究生来说就是：与其花三天搭一个自动化实验管理系统，不如花三个小时跟导师深聊一次，或者花一天认认真真地读五篇论文，把自己领域里真正没解决的问题摸清楚。
能级匹配：够得着，又值得够
原文还有一个提醒我很喜欢：不是所有好问题都是”你的”好问题。
两只麻雀抢虫子，人类没必要出警。人口出生率下降，普通人想到办法也推不动。
读研也一样。
“通用人工智能怎么实现”——好问题，但不是硕士生该碰的。”井盖检测中小目标特征丢失怎么解决”——够得着，又值得够，刚好适配你的能级。
选题的本质，就是找到跟你能级匹配的问题资源。太小了没有发表价值，太大了你三年做不完。刚刚好的那个，才是你的龙。
写在最后
原文最后一句话是：”让屠龙术真正变得重要的，是找到你的龙。”
对我们这些还在读研的人来说，我想把这句话改成：
别急着磨刀，先出门找龙。
你的龙不在GitHub trending上，不在最新的arXiv预印本里，也不在任何一个AI工具的使用教程中。
它在你蹲过的工地上，在你标注数据时发现的那个反常规律里，在你跟行业里的人聊天时听到的那句”这个问题一直没人管”里。
工具会越来越强，但问题不会自己跑到你面前。
共勉。
本文是对一篇讨论”问题资源”的文章的读后分享。核心观点来自原作者，我结合了自己读研的经历做了延伸。
欢迎关注「研路炼钢」，一个计算机视觉方向硕士生的真实记录。
微信
支付宝
