美赛AI提示词模板：从裸问到高效协作的实战指南

数模美赛马上又要开赛了，这几天后台收到最多的私信不是“这个题怎么建模”，而是“学长，AI到底该怎么用”。问AI吧，问出来的全是“正确的废话”，什么“建议使用多元线性回归”“可以考虑LSTM”“注意数据预处理”……跟百度百科一样。不问吧，又觉得心里亏得慌，毕竟大家都在用。这种“想问又不会问”的状态我太熟悉了——前年我带队伍打美赛的时候，我们就是靠着AI“混”完的，等到赛后复盘才发现，当时我们与AI的对话方式有多幼稚，浪费了多少轮次的提问机会。

其实AI在美赛里的定位，从来不是“替你写论文的枪手”，而是一个随叫随到、知识面广、永远不会不耐烦的“陪练外脑”。问题在于，绝大多数选手把AI当成搜索引擎用，丢几个关键词进去，然后抱怨AI给出的内容又空又假。真正会用的队伍，会把AI当作一个可以持续对话、不断纠偏的队友，而实现这一点的关键，就是提示词模板。

这里我会把这两年带队伍积累下来的提示词方法、模板、踩坑记录全部整理出来，从“为什么问不好”到“每一类场景怎么问”，再到一套可以反复套用的完整模板，一次性说清楚。

1. 先别急着骂AI笨：为什么你问不出想要的答案

1.1 绝大多数选手用AI的方式，本质上是在“裸问”

所谓裸问，就是没有任何铺垫、没有背景信息、没有约束条件，直接把一个半截问题丢给AI。比如最常见的一种问法：“美赛A题怎么做？”或者“这个题用什么模型？”

你试一下就知道了，这类问题得到的回复，几乎一定是结构完整但毫无用处的东西：它会列出五六种备选模型，每种模型给出两行简介，最后补一句“具体选择要根据数据特征”。说得好听叫全面，说得难听就是什么都没说。原因很简单，AI没有读心术。它不知道你拿到的是什么数据、你们队伍擅长什么工具、你们卡在哪个环节、你们的deadline还剩多少小时，它能做的只能是把最通用的信息组织一遍喂给你。

美赛的本质是“在有限时间内解决一个不熟悉的问题”，这就决定了你提问时必须在AI可理解的范围内输入足够多的上下文。你给的信息越具体，AI的回复就越能贴合你的实际需求。这不是玄学，是大模型的基本原理——所谓的上下文窗口，本质上就是模型推理时的“记忆”，你往里塞什么，它就用什么推理。

1.2 除了“不会问”，还有“不敢追问”

我观察到一个更有意思的现象，很多选手在AI给出一个不满意答案之后，会选择换一个话题重新提问，而不是在原来的对话里继续追问。他们觉得AI回答得不好，就说明自己问得“不对”，应该“重开一局”。

这个认知错得非常彻底。实际上，大模型对话系统在处理追问时，会结合前文语境进行修正和补充，你在这个基础上继续深挖，远比重新开一个窗口要高效得多。比如你问“这个模型有什么缺陷”，AI可能只给你说两句空话；但如果你接着问“你刚才推荐的那个随机森林模型，在样本量只有500且存在缺失值的情况下，会不会出现过拟合？如果我改用XGBoost呢”，AI就能给你更有针对性的分析。

所以，会问AI的人，从来不是“一次问出完美问题”的人，而是“敢于连续追问、不断收敛”的人。提示词模板的作用，就是给你一个“开场结构”，让你在第一轮就把信息密度拉满，让后续的追问有据可依。

1.3 美赛官方对AI使用的态度：不是禁止，是规范

还有一个背景必须提。近几届美赛官方已经明确要求所有队伍在论文末尾提交“AI使用报告”（AI Use Report），需要写清楚你在哪个环节用了AI、用了哪个工具、输入了什么提示词、AI给出了什么输出、你如何使用这份输出的。规则一出，很多队伍的AI使用直接“合法化”了，但也增加了一个新负担：你每用一次AI，都要留痕。

这个规则反而让我意识到，提示词模板的价值还多了一层——它本身就是你的留痕工具。如果你有一套结构完整的提示词模板，写AI使用报告的时候，只需要把对话记录整理一下，删掉无关的闲聊，就是一份逻辑清晰的报告素材。反而是那些随手乱问的对话，时间一长连自己都忘了当时问了什么，写报告时只能靠回忆硬编，那种痛苦谁经历过谁知道。

2. 提示词模板的设计原理：把AI当实习生，别当神仙

2.1 好提示词的四个构成要素

我复盘了很多次之后，把好用的提示词拆成了四个固定组成部分，缺一个效果都会明显打折。这四个部分分别是：角色设定、任务描述、上下文信息和输出约束。

角色设定是给AI一个“人设”，让它明白应该站在什么角度回答。同样是问你一个优化模型的问题，如果你不设定角色，AI会用百科口吻给你讲一遍什么是线性规划；但如果你告诉它“你是一名有十年数学建模竞赛指导经验的教练，拿过美赛F奖”，它的回答就会有明显的侧重——它会像一个有经验的老师一样告诉你，这种题在竞赛里怎么考虑、评委想看什么、常见坑在哪里。

任务描述要具体到“要AI干什么”。注意，不是“帮我看看这个题”，而是“请根据我提供的背景，分析这个问题属于哪类数学建模问题，并给出三个可行的建模思路，按可行性排序”。任务描述越具体，AI的产出越容易对齐你的需求。

上下文信息是一切背景数据，比如你们的队伍配置、已经尝试过的方法、手上数据集的规模和特征、题目原文片段、卡住的环节等。这是四个要素里最重要但最少被使用的一个，大部分人问AI时压根不带上下文，就指望AI凭空知道你在干什么。

输出约束是限制回复的范围和格式。包括字数范围、是否需要列表、是否需要举例、是否需要给出可执行的代码、是否需要计算过程和结果解释。没有约束的AI回复往往洋洋洒洒一大堆，核心信息反而被淹没了。

2.2 对标美赛节奏：三个轮次的提问策略

美赛总共四天左右，经过几轮实战，我把AI对话的节奏整理成三个轮次，对应比赛的不同阶段。

第一轮是“发散期”，一般在拿到题目的前半天。这一阶段你的目标不是直接得到一个模型，而是快速理解题目、打开思路、确定大致方向。这时候给AI的提示词应该偏“开放”，让它帮你做头脑风暴，给出不同角度的解读。第二轮是“收敛期”，一般在第一天下半段到第二天。这一阶段你的目标是把选定的方向细化成可执行的方案，让AI帮你做模型对比、方法选择、数据处理策略设计。提示词要偏“具体”，把你们锁定的方向告诉AI，让它聚焦深挖。第三轮是“验证与表达期”，一般在最后一天半。这一阶段AI的用法完全转向写作辅助和逻辑检查，比如润色摘要、检查论文逻辑连贯性、补充敏感性分析思路等。

三个轮次的提示词，写法完全不同。很多人失败的原因，就是在该发散的时候问得太具体，在该收敛的时候又问得太宽泛，导致始终跟AI不在同一频道上。

2.3 一套可以直接抄的通用模板

综合以上分析，我整理出一套通用的提示词模板，无论你用在哪个场景，只要把方括号里的内容替换掉，基本都能直接使用。中文版供你们内部讨论用，英文版供写AI使用报告引用时用。

code复制【角色设定】
你是一名具有十年数学建模竞赛指导经验的教练，指导过美赛F奖队伍，擅长[连续型/离散型/数据挖掘/运筹优化/环境政策]类题目。

【任务描述】
我们正在参加美国大学生数学建模竞赛（MCM/ICM），当前的题目是“[题目主题]”。
我们队伍目前处于[刚拿到题目/已完成初步建模/正在写作]阶段。
我们目前遇到的问题是[具体描述你卡住的地方]。

【上下文信息】
队伍情况：[三个人分别是数学/计算机/写作方向，或者你们统一使用Python/Matlab等]
已有数据：[数据集规模、变量数量、是否含缺失值等，或者数据下载链接/描述]
已经尝试过的方法：[如果你已经试过某些思路，务必写清楚，防止AI重复推荐]

【输出要求】
请按以下格式回复：
1. 先给出你的分析逻辑，说明为什么这样建议
2. 再给出[具体产出，如三种建模思路/一段Python代码/论文写作建议]
3. 最后列出一个“你可能忽略的风险点”清单
回复控制在[800]字以内，不要泛泛而谈，如果信息不足，请直接告诉我需要补充什么，不要强行回答。

这套模板最核心的设计逻辑是“留好追问钩子”。最后那句“如果信息不足，请直接告诉我需要补充什么”，很多人不理解为什么写它。事实上，大模型有一个很讨厌的毛病：信息不足也会强行凑答案，而且凑出来的答案看起来还挺像那么回事。你主动给它一个“不知道就直说”的授权，反而能逼它暴露出你遗漏的信息，让你的下一轮提问更有方向。

英文版我放在下面，写AI使用报告的时候直接引用就行：

code复制You are a seasoned mentor with 10 years of experience coaching mathematical modeling teams, including an MCM/ICM Finalist team. We are competing in MCM/ICM this year. The problem is about [topic]. Our team is currently at the stage of [stage]. We are struggling with [specific issue]. Our team background: [background]. Data description: [data information]. We have already tried: [methods tried]. Please respond in the following format: first explain your reasoning, then provide [specific deliverable], and finally list possible risks we might have overlooked. If information is insufficient, tell us what else you need instead of guessing.

3. 六个高频场景的提示词模板实测

3.1 场景一：题目读不懂，让AI帮你拆解

拿到题目一脸懵，是很多人美赛第一天的真实状态。尤其是E题F题这类涉及环境科学或政策分析的题目，光题目就五六页PDF，读过一遍跟没读一样。这时候你的提示词目标不是让AI给你一个模型，而是帮你在最短时间内建立一个对题目的结构化理解。

拆题类提示词的核心在于，让AI区分“题目在问什么”和“题目没问但隐含要求什么”。用过几次之后你会发现，在题目理解层面，AI的上下文理解能力是明显强于大多数选手的。它能帮你快速梳理出题目的核心任务、子任务、利益相关者、可控变量、不可控因素，甚至会帮你找到题目文字里埋的“坑”。

code复制你是一名经验丰富的MCM/ICM阅卷人，阅过大量O奖论文和F奖论文。
请帮我拆解以下题目要求：[粘贴题目原文核心段落]
请按以下结构回复：
1. 这个题目真正要解决的核心问题是什么（用一句话概括）
2. 为了解决问题，必须完成的子任务有哪些，按优先级排序
3. 题目中提到但容易被忽略的隐形要求是什么（比如数据说明、结果可解释性要求等）
4. 根据你的经验，这类题目评委最看重什么，以及最常见的翻车点是什么
5. 如果需要继续深入，请告诉我应该补充哪些背景资料

这个提示词的关键在于“阅卷人”这个角色设定。你让AI站在阅卷人的视角拆题，它的输出会比站在“解题人”视角更强调得分点和隐藏要求，这对美赛这种比赛来说是极其重要的信息。

3.2 场景二：模型选型纠结，让AI帮你做对比

到了第二天，大部分队伍会进入一种集体焦虑状态：到底用哪个模型？简单模型怕显得low，复杂模型怕算不出来；传统统计模型怕过时，深度学习模型怕数据量不够。这种时候AI是最理想的“模型顾问”，因为它脑子里装着几百种模型的适用条件和坑点，而且不会心疼你的算力。

但是要提醒一点，模型选型提示词里，上下文信息的作用比任何场景都大。你必须把数据量级、变量维度、数据类型、硬件条件、建模时间全部告诉AI，而且要明确告诉它“哪些模型我们暂时不考虑”。否则AI大概率会推荐你上BERT、上Transformer，你就等着被跑崩的代码折磨吧。

code复制背景说明：我们正在做一个关于[问题主题]的建模题。
数据情况：[样本量，特征数量，是表格数据还是文本数据，有没有时间序列特征，缺失情况如何]
硬件条件：我们使用[Python/Matlab]，运行环境是[本地笔记本/云服务器/Colab]
时间限制：距离比赛结束大约还有[XX]小时

任务：请基于以上背景，给出三个适合本题的建模方案，要求：
1. 覆盖“简单快速可上线”和“复杂但精度可能更高”两个梯度
2. 每个方案说明适用前提、实现难度、预期效果、主要风险
3. 最后明确推荐一个方案，并解释为什么你认为它最适合我们当前的资源条件

我把这种用法称为“资源约束型提问”。你输入的“硬件条件”“时间限制”就是所谓的资源约束，AI在回答时会被迫在“理论上最好”和“你可实现”之间找平衡，而不是给你推一个你根本跑不动的模型。这个技巧，新手可能感受不到多重要，老手一试就懂。

3.3 场景三：数据处理卡壳，让AI当调试助手

这三年来，AI在代码调试上的能力已经强到离谱。美赛的数据处理环节，玩的就是缺失值、异常值、时间格式转换、多表合并、特征工程这些活儿。以前是三个人对着报错信息束手无策，现在直接把报错信息发给AI，让它改代码，效率能翻好几倍。

但这里有个细节：很多人报错信息一复制粘贴就发出去了，然后AI给了解法，跑一遍还是报错。为什么？因为你没有告诉AI代码的上下文。AI连你的数据长什么样、你用的是哪个库的版本、你之前处理到哪一步都不知道，它只能根据报错信息猜，猜出来的答案自然是“看起来有用，一跑就废”。

正确做法是把你的输入数据样例、输出预期、以及前后几行相关代码一起丢给AI，然后让它先复述一遍你的代码逻辑，再给出修改方案。这个“先复述再修改”的步骤，能极大减少AI的“瞎猜”。

code复制我正在处理比赛数据，遇到一个[报错类型：ValueError/KeyError/内存溢出等]。
以下是报错信息：
[粘贴完整报错]
以下是我出问题的代码片段：
[粘贴相关代码]
数据的基本结构是：[变量名+类型+示例值]，行数约为[XX]行。
请先帮我复述这段代码在做什么，再给出修改后的完整代码，并在代码里加注释说明每一处改动的原因。

3.4 场景四：论文写作与摘要润色

美赛论文是英文写作，对大多数中国学生来说，语法和表达是硬伤，而AI在英文润色上的能力是碾压级的。但这里我反而要提醒你别让AI“大改”你的论文。AI润色最大的风险是“润过头”——它会把你的技术术语换成一个更高级但含义略有偏差的词，或者把一个简洁的算法描述扩写成一堆花哨的从句，最后你甚至发现它改变了原意。

我的策略是：把AI当“语法校对员”，而不是“代写者”。让它只改语法和表达问题，保持内容不变。这一步需要你在提示词里明确写出来，否则AI一定会自作主张地帮你把整段重写。

code复制你是一名专业的英文编辑，负责学术论文的语法和表达校对。
下面是我的论文段落，请按以下要求修改：
1. 只修正语法错误、介词搭配、单复数问题，不要改动任何技术内容
2. 如果某个句子表达不清，请在括号里给出你的修改建议，不要直接替换
3. 如果段落里出现术语使用不当的问题，请单独注释指出
4. 修改完成后，请总结你做了哪些类型的修改，方便我审查
论文段落如下：
[粘贴原文]

除了语法校对，摘要（Abstract）是另一个需要AI深度参与的部分。摘要往往是你写完论文最后才写的，但它是评委最先读的部分。这时候你可以让AI做一件很聪明的事：把论文的核心逻辑提取出来，然后用不同长度（50词/100词/150词）各写一版摘要开头，你再挑选组合。注意，AI生成的摘要一定要人工过一遍，确保它准确反映了你的工作内容，不要出现“AI编了一个你没做过的模型”这种事。

3.5 场景五：AI使用报告怎么写

写AI使用报告是很多队伍最头疼的一件事。一是比赛最后一晚上已经精疲力竭了，还要补一份报告；二是如果前期用AI用得乱七八糟，根本想不起来自己问过什么。

我建议的做法是：从比赛第一天起，就用一个共享文档记录每次有价值的AI对话，格式包括“时间、场景、提示词摘要、AI输出要点、我们如何使用”。每天花十分钟整理，最后写报告时素材直接就能用。以下是我整理的一种AI使用报告条目模板，大家可以参考：

code复制AI工具：[ChatGPT/Gemini/Claude等]
使用环节：[题目理解/模型选择/代码调试/论文润色]
提示词摘要：[用一两句话概括你问了什么，最好附上核心提示词原文]
AI输出摘要：[AI给出了什么结果，比如推荐了XX模型/修改了XX代码]
人工处理过程：[你采纳了什么、舍弃了什么、做了哪些修改]
对最终论文的贡献：[AI的输出对本篇论文的哪个部分产生了什么影响]

这套记录表格最大的价值不仅是给评委看，更是逼着你梳理“AI到底帮你干了什么”。有些队伍用AI用得飞起，到写报告时候却发现说不清AI的作用，就是因为平时用得太“飘”，没有沉淀成可追溯的产出。

3.6 场景六：答辩与检查清单

很多人不知道，美赛其实还有一轮答辩环节的（入围Finalist后参加Invitational Finalist评审时）。即便你不参加答辩，赛前用AI做一轮“预设提问”也很有价值。你可以把你论文的核心方法喂给AI，然后让它以评委的身份，挑刺提问，你根据这些问题提前准备应对。

这个思路其实也是从论文投稿的经验里挪过来的——我每次投期刊之前，都会用AI扮演审稿人，提前找到论文的漏洞。这个操作放到美赛上同样适用。

code复制你是一位严格的数学建模竞赛评委，参加过MCM/ICM论文评审。
以下是我们论文的核心方法和结论：[简述模型、数据、求解方法、结果]
请以评委的身份提出你最可能追问的10个问题，按攻击性从强到弱排列。
同时，针对前3个最尖锐的问题，请给出你认为最扎实的回应方向，然后我们再逐条补充细节。

用这个提示词的最后一步，是把AI列出的问题发到队伍群里，几个人分头准备回应。这个过程比单纯卷字数、卷排版对最终成绩的提升更明显，因为它能帮你找出逻辑漏洞和表达不清的地方。

4. 实操演示：一道数据题从零问到模型落地

4.1 题目设定与第一轮提问

为了让大家直观感受到这套方法怎么用，我用一道虚构但非常典型的数据题来走一遍全流程。题目背景：某城市共享单车系统提供了一份每日骑行记录数据集，包含天气、节假日、用户类型、租车数量等特征，要求预测每日租车需求，并提出车辆调度优化方案。

第一轮，先拆题，发散思路。我把题目背景和任务要求用模板发给AI，让它帮我们明确问题结构。以下是实际对话的核心内容：

code复制你说得对，这个题目表面上是“预测租车量”，但实际上隐含了两个关联任务：
其一是回归预测，对未来某日租车需求做出估计；
其二是资源优化，在需求预测的基础上，决定各站点的车辆调度策略。
建议你们把问题拆成两个子模型：先做需求预测，再做调度优化。
在预测部分，首要考虑的是特征的时间滞后效应，比如昨天和前天的租车量，对今天的租车量往往有很强的解释作用，这一点在共享单车数据里非常常见。

这个回复给了我一个关键启发——拆成“预测+调度”两个子模型。这个模型结构其实不算难，但它决定了整个论文的框架。如果一开始没有AI帮我们梳理出这一层，我们很可能直接掉进“只做预测”的坑里，忽略调度优化的部分，导致题目只回答了一半，这在大赛中是很致命的。

4.2 追问与深挖：把思路变成可执行的方案

第一轮知道了大方向之后，第二轮就要收敛了。这时要追问AI，让它给出具体的模型选型和数据处理建议。注意，这轮的提问里我加上了我们模拟出来的数据条件：数据包含两年的每日记录，天气特征有温度、湿度、风速，还有节假日标记，样本量大约700多条。

code复制基于刚才的拆解，我们打算先用梯度提升树（XGBoost或LightGBM）做需求预测，用线性规划做调度优化。
请结合我们的数据条件，评估这个方案是否合理，并重点讲清楚：
1. 梯度提升树处理这种小样本时间序列数据时，容易出现什么问题？
2. 天气特征如何处理，温度和湿度是否需要做交叉特征？
3. 调度优化部分，如果只有每个站点的需求预测，没有站点之间的租还流转数据，线性规划怎么建？
4. 最后有没有更简单的替代方案？

这个追问的价值在于，它没有让AI重新出方案，而是让我们自己已经形成的方案接受考验。果然AI给出了一些非常实用的反馈——它指出700多条样本的表格数据用XGBoost没有太大问题，但必须做时间序列交叉验证，否则很容易把未来的数据泄漏进训练集；对于没有站点流转数据的调度部分，可以退一步做成“各站点需求不平衡度评估”，而不必强行建一个数据支撑不足的大优化模型。

得到这个反馈后，我们的论文思路就非常清晰了。这一段如果换成“裸问”，AI只会泛泛地给你讲一遍什么是梯度提升树、什么是线性规划，根本到不了这种可以直接落地的深度。

4.3 验证与纠偏：让AI扮演“挑刺者”

最后一轮，我把我们写好的摘要和论文框架发给AI，让它以评委身份挑刺。这个过程是最痛苦的，但也最有价值。AI给出的几个问题特别值得警惕：

1. 你预测模型的特征重要性排序，和后面调度模型的假设逻辑是否一致？如果天气重要性最高，调度方案里为什么没有任何天气应急响应的讨论？
2. 你用了时间序列交叉验证，但论文里只写了训练集和测试集划分，没有说明测试集的时间跨度，评委无法判断你的预测是否有前瞻性。
3. 摘要时间范围表述不统一，有些地方写“daily”，有些写“2023年”，建议统一以日期范围为准。

这些问题里面，第一个直接点出了我们论文里“前后逻辑脱节”的大问题。我们预测部分做了天气分析，但后面的调度方案完全没考虑坏天气的情况。这个问题靠我们自己检查大概率漏掉，但AI因为“读过”你的前文和后文，能发现这种跨章节的逻辑不一致。这就是AI作为“挑刺者”的最大价值——它不是替你写论文，而是防止你“自己骗自己”。

5. 常见问题与避坑指南

5.1 警惕AI幻觉：看着靠谱的内容，可能是编的

很多选手容易在一种情况下被AI坑得很惨：它用极其自信的语气编造一个不存在的事实。比如我见过AI在解释某个模型公式时，把公式里的符号意义解释反了；也见过AI生成参考文献，作者名、期刊名、年份全对得上，但就是没有这篇文章，纯属虚构。如果你把它写进论文，一旦被评委查到，轻则扣分，重则被质疑学术诚信，这个风险绝对不能冒。

我的经验是，凡是涉及具体公式、引用文献、数据来源的内容，一定要人工逐条核实。AI可以用来帮你理清推导思路，甚至检查推导过程中哪一步可能出错，但最终定稿时必须自己动手推一遍。AI给出的参考文献，全部去数据库检索确认后再引用，不确定的直接删掉。

5.2 回答太泛、套话太多：问题出在提问太宏观

如果你每次问AI得到的东西都像“正确的废话”，那基本可以断定是提问太宏观。比如“如何提高预测精度”这种问题，AI只能给你通用建议。你需要把问题细化到“在我们这个数据集规模、这几类特征、使用XGBoost的前提下，提高预测精度还有哪些实操手段”。看到区别了吗？后者带着你的具体背景提问，逼AI回答到细节层面。

如果AI还是绕圈，你可以再加一句：“请假设我对这个领域有一定了解，不要解释基础概念，直接给我进阶建议和具体的操作步骤。”这一招能过滤掉大量无用铺垫，让回复直接进入干货区。

5.3 对话越跑越偏：学会“拉回”

还有一种常见情况是，AI在回答过程中，从你问的问题滑到了它擅长的话题上。比如你问它调度优化如何写代码，它回着回着开始给你讲运筹学发展史。这时候不用重新开窗口，直接用一个新的提示词把它拉回来：“这个问题我不是在问运筹学原理，请直接给我代码实现。如果代码需要用到某个库，请先检查该库在当前环境是否默认支持，并说明安装指令。”

这里再补充一个使用技巧：当AI处于“越说越飘”的状态时，你可以重新粘贴一遍原始任务描述，然后补充一句“请忽略你刚才回复里的第X点，回到我最初的问题重新回答”。大模型对最近输入的注意力权重最高，重贴任务可以强制它回到正轨。

5.4 提示词模板失效？大概率是你没给够上下文

有读者拿着我的模板回去用，然后跑来问“为什么模板没效果”。我一问才发现，他把模板里“上下文信息”这一栏全删了，因为他觉得“写起来太麻烦”。这等于把一套精密工具的核心零件拆了，然后用剩下的铁片去拧螺丝，效果自然拉胯。

模板的本质是给你一个框架，不是咒语。你往里填的信息质量，直接决定输出质量。如果输入只有“我们参加美赛，题目是C题”，那AI的输出就只能是“C题建议用XX模型”这种级别的废话。如果你把数据规模、已有处理、卡点细节全部填进去，AI给你的建议就能具体到“对站点ID做one-hot编码时注意内存占用”这种程度。

5.5 常见问题速查表

我把美赛现场最常遇到的AI使用问题整理成了一张速查表，直接贴在下面，遇到问题先对照一下。

6. 结合实际经验再啰嗦几句

我这两年带队伍下来，最大的感受是：AI这个工具，你不去系统地设计怎么用，它就只会给你制造虚假的忙碌感——看起来问了很多、查了很多，实际上对论文的贡献微乎其微。而你一旦把提问方式结构化，把AI当作一个有固定沟通协议的“队友”，它的产出质量会立刻上一个大台阶。

我自己到现在还会犯一个毛病，就是一着急就开始裸问，问完发现答案没法用，又气又浪费时间。后来我养成了一个习惯：在提示词模板文档里存了几个固定模板，每次用AI前先复制粘贴、替换方括号里的内容，花不了两分钟，但答案的可用率能差出一倍。强烈建议你们开赛前先花一个小时，把这几个模板在你们自己的AI工具里测试一遍，根据具体的回答效果微调措辞，别等到比赛现场再临时摸索。

最后再分享一个小技巧。每次比赛结束后，把你们用过的提示词和实际效果整理成一份“战绩清单”，哪类提示词好用、哪类效果不行，都记下来。美赛这种东西，大概率不是一次就结束的，下次再战的时候，这份清单就是你最值钱的个人资产。