还在手动写论文?本文教会你“养一只AI科研助手”,自动搞定文献、代码、写作全流程!

🎯课程结束后建议交付成果

1.一个已完成基础配置的OpenClaw科研环境

2.一份《科研任务-模型-Token选型卡》

3.一份《本地大模型部署与接入说明卡》

4.一份《科研Agent编程工具对比表》

5.两个科研Skill初稿

6.一份《科研MCP接入蓝图》

7.一份《科研云端数据管理与下载流程模板》

8.一套个人多模型论文写作自动化流程图

9.一份《个人OpenClaw科研助手搭建方案》

10.一份《NotebookLM、Claude Code、Obsidian的知识工作流》 

⚡ 培训目标

1. 独立完成 OpenClaw、Hermes的安装、配置、模型接入与基础使用。相对于Openclaw，Hermes具有自我成长的功能。

2. 理解 Token、上下文窗口、调用成本与模型能力边界

3. 学会比较并选择不同大模型，尤其是 DeepSeek 、Qwen、Chatgpt、Opus、Gemma4、Kimi、GLM、Minimax

4. 掌握开源大模型本地部署的基本路径，如Ollama的适用场景，Ollama本地部署Gemma4和Qwen3.5后运行Claude，保存本地数据隐私性。Openclaw、Codex、Claude Code运行本地大模型

5. 学会建立科研数据的云端存储、快速下载与版本化管理流程

6. 掌握Vibe Coding在科研编程中的正确工作方法

7. 学会用Agent完成科研数据可视化与结果解释

8. 学会使用Cursor、VS Code、Codex、Claude Code 完成科研代码任务

9. 学会编写科研SKILL，理解MCP的扩展价值

10. 设计一套属于自己的多模型论文写作自动化工作流

11.掌握一套从NotebookLM、Claude Code、Obsidian知识管理自动化工作流（无论是老师还是学生都可以复现MIT研究生48小时掌握一门课）

12.通过Hermes Agent生成Karpathy的LLM-Wiki的Obsidian知识库

📢重点专题说明

1.如何讲清楚Token选择：

   1)Token是模型处理文本的基本计量单位，不等于简单字数

   2)选模型不仅看“聪不聪明”，还要看上下文、速度、成本和稳定性

   3)真正高效的科研工作流通常是多模型分工，而不是只用一个最贵模型

   4)要教会学员把高质量模型用在关键步骤，把高性价比模型用在重复步骤

2.中国两个大模型与美国三个大模型对比：

   1)DeepSeek适合推理链、代码、数学与结构化任务

   2)Qwen适合中文理解、通用办公、生态兼容和平台接入

   3)Gemini的Nano Banana适合绘图

   4)Opus搭配Claude Code适合写代码和论文

   5)Chatgpt5.4搭配Codex适合执行任务

   6)教学中应强调“任务分工”而不是简单比较谁更强

3.如何“养龙虾进行科研”：

   1)长期培养一个懂你课题和工作习惯的科研助手

   2)用规则、Skill、MCP、知识材料和模板持续迭代Agent

   3)把每次科研实践沉淀成可复用的流程资产

4.本地部署与云端协同：

   1)敏感数据、私有材料和高频重复任务优先考虑本地模型

   2)高质量推理、长文写作和复杂审阅可调用云端强模型

   3)最实用的方案往往不是全本地或全云端，而是“本地保密+云端增强”的混合策略