科学家在实验台前记录的每一个细节，都可能成为推动研究突破的关键线索。然而，当AI助手试图解读这些充满犹豫与猜测的记录时，却常常陷入困境——将模糊判断误认为明确指令，或将重要事实淹没在不确定性中。这种误解在科研数据处理中可能引发严重后果：有价值的数据被错误丢弃，或无效信息被保留并污染后续分析。如何让AI准确理解科学家的真实意图，成为辅助科研领域亟待解决的难题。
针对这一挑战，由三所高校联合研发的"Notes2Skills"框架提出创新解决方案。该系统通过两阶段设计，将实验记录转化为带有"确定性标签"的技能库，使AI能够区分科学家的确凿观察、犹豫猜测与未来设想。在纳米孔传感实验的实测中，这一框架成功拦截了传统AI系统常见的两类错误：既避免了将不确定性判断当作确定指令执行，也防止了明确指令被模糊表述掩盖。
实验记录本的特殊性在于其混合了多种表述方式。同一页记录中，可能同时出现"五分钟后读数急剧下降"的事实陈述、"第二次读数可靠性存疑"的模糊判断，以及"下次尝试更换缓冲液"的建议性表述。这种复杂性远超正式科学文献——后者在发表前已消除所有疑虑，指令表述清晰明确。研究团队收集的中英文混杂记录本显示，科学家常使用"这个read有问题"等口语化表达，进一步增加了AI理解的难度。
框架的第一阶段聚焦于指令提取与分类。研究人员定义了五种指令类型：数据标记、条件变更、分析建议、协议变更与参数变化。更关键的是，系统为每条指令标注三个确定性级别："事实"表示确定陈述，"判断"带有不确定性词汇如"似乎""可能"，"建议"则仅提出未来方向。测试表明，少样本学习能显著提升模型表现，其中Claude模型在指令识别上的F1分数达0.737，GPT-4o在确定性分级上的Kappa系数高达0.946。
第二阶段将结构化指令编译为Markdown格式的"metaSkill"文件。每个指令被封装为包含唯一标识、原文引用、类型标签、确定性级别、不确定性词汇、数据范围及哈希值的"胶囊"。哈希值作为数字指纹，确保胶囊内容与原始记录完全一致，实现决策过程可追溯。在149个指令的验证中，系统实现100%准确编译，证明确定性编译策略的有效性。
真实场景测试揭示了传统AI系统的致命缺陷。当直接使用原始记录文本时，AI在模糊判断密集的"饱和度"会话中完全失效，将所有应标记审核的文件错误处理。即使提供无确定性标签的行动指令，AI仍会将犹豫表述解读为行动信号。相比之下，完整框架在"饱和度-B"会话中取得100%准确率，在"信号跌落"会话中通过"替换"机制将准确率提升至77.8%。这种表现源于执行器的严格审核：只有当指令为事实级别且信号数据支持时，强力操作才会被放行。
执行器作为系统"安全阀"，其规则完全确定性且无随机成分。它会对比AI提案、metaSkill胶囊与信号摘要，输出放行、否决、替换或弃权四种结果。压力测试显示，即使第一阶段指令提取存在误差，执行器仍能守住安全底线——在"饱和度-B"会话中，尽管预测精确率仅34.8%，系统仍通过执行器恢复54.6个百分点准确率，未出现未经授权的强力操作。
这项研究为AI辅助科研提供了新范式。在纳米孔传感实验中，系统成功区分了"这段信号无效"的事实指令与"读数可能受干扰"的模糊判断，避免错误截断关键数据。对于"下次用新鲜缓冲液"的建议性表述，系统则仅记录不执行。这种精确理解使AI能够真正成为科学家的协作伙伴，而非盲目执行命令的工具。
当前框架仍存在局限性。测试仅覆盖单一生物物理领域，48个文件的样本量有限，构建跨机构标注数据集的成本较高。但研究已证明确定性标签与执行器审核的组合能够有效拦截两类常见错误。对于希望深入了解技术细节的读者，完整论文提供了提示词模板、胶囊格式规范及实验数据分析，可通过指定编号获取。
