4月9日直播预告:OpenCLaw 与 Claude Code:部署、配置及实操要点全解-夜雨聆风

4月9日直播预告:OpenCLaw 与 Claude Code:部署、配置及实操要点全解

主题：OpenCLaw与Claude Code环境部署及使用准备说明

时间：2026年4月9日预计时长30-60分钟

核心内容：工具介绍、环境配置、实操要点、常见问题解答

claude code和codex多轮讨论AI自主研究话题

热门推荐：

1：关于举办“OpenClaw+Vibe Coding核心实战玩法，手把手教你本地部署与云端协同，“养”出隐私安全且强大的科研辅助”培训班

2：最新AI驱动科研全链路实战营：贯通LLM应用→数据分析→自动化编程→文献及知识管理→科研写作与绘图→构建本地LLM、Agent→多模型圆桌会议→N8N自动化工作流深度应用培训班

详细内容，请看下方介绍↓↓↓

直播课

关于举办“OpenClaw+Vibe Coding核心实战玩法，手把手教你本地部署与云端协同，“养”出隐私安全且强大的科研辅助”培训班

直播时间：4月11日-12日

【两天教学、提供全部资料、代码及长期回放】

前言

在人工智能快速重塑科研范式的背景下，大语言模型、Agent系统与自动化科研工作流，正在深刻改变文献阅读、代码开发、数据分析、论文写作与科研协作的底层方式。面对模型快速迭代、工具形态持续演进的新局面，科研人员亟需从“会使用AI”进一步升级到“会配置AI、会组织AI、会让 AI参与科研工作流”，真正建立面向长期研究任务的个人智能科研系统。

为帮助广大科研人员、高校教师、研究生及高端知识工作者系统掌握OpenClaw及同类Agent工具在科研中的应用方法，拟举办“OpenClaw科研Agent与Vibe Coding两天实战营”。本次课程以 OpenClaw为主线，系统讲解配置部署、模型接入、Token 选择、国产模型对比、大模型本地部署、数据云端存储、快速云端数据下载、数据可视化、Vibe Coding、Agent编程工具选型、SKILL 封装、MCP 扩展与多模型论文写作自动化等核心内容。

课程特别强调“养龙虾式科研助手养成”思路，即把 AI 从一次性对话工具，逐步培养成懂你的课题、目录、规则、写作风格和科研流程的长期助手，最终形成一套可以持续进化的个人科研工作台。现将有关事项通知如下：

课前准备

1.安装好Python、Git、VS Code

2.准备至少1-2个可调用API的模型账号

3.准备安装或已安装OpenClaw、Cursor、Claude Code、Codex

4.自带一个科研题目、一份数据样例或2-3篇代表性论文，便于课堂演练

5.若计划实操本地部署，建议电脑具备较大内存或可连接GPU服务器培训方式

【课程交付成果】：

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》

课程特色

1.以真实科研任务为牵引，不停留在空泛概念介绍

2.强调OpenClaw、Agent工具和多模型系统在科研场景中的可落地性

3.将模型配置、编程、写作、数据处理与知识管理打通为统一工作流

4.同时覆盖本地部署与云端协同两类科研使用路径

5.每个模块尽量形成明确案例、模板或流程产出，便于课后复用

培训目标

1.独立完成OpenClaw的安装、配置、模型接入与基础使用

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与Qwen

4.掌握开源大模型本地部署的基本路径，如Ollama、LM Studio、vLLM的适用场景

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

培训对象

1.高校教师、博士后、博士生、硕士生

2.需要频繁进行论文写作、数据分析、代码开发、学术绘图的科研人员

3.希望搭建个人AI科研工作流与课题组协作体系的知识工作者

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.中国两个大模型建议对比：

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)教学中应强调“任务分工”而不是简单比较谁更强

3.如何讲好“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

会议福利

1、提供全部课程回放，建立助学群，长期辅助交流。

2、超级福利：赠送1个月ChatGPT会员【可同时使用Claude、Gemini、Grok等模型，无需科学上网】

证书及学时

参加培训的学员可以获得《Agent智能体科研应用》专业技术证书及学时证明，网上可查。此证书可作为学时证明、个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。证书查询网址：www.aishangyanxiu.com

注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员

发票开具

发票类别：培训费、会议费、资料费、技术咨询费等，配有盖章文件等，用于参会人员报销使用

培训费用

非会员费用：2680元

Ai尚研修会员费用：会员政策参会

课程安排

模块一、OpenClaw配置部署与科研使用入门

1.OpenClaw的定位与适合场景

2.本地安装、目录结构、模型接入、工作目录管理

3.API Key、模型路由、项目上下文管理

4.如何把OpenClaw用成长期科研助手而不是一次性聊天工具

5.“养龙虾”理念在科研中的落地方式

案例与产出：

案例：完成OpenClaw初始化与一个科研项目目录配置

产出：一份个人OpenClaw科研环境检查清单

模块二、大模型选型、Token 理解与国产模型对比

1.什么是Token、上下文窗口、输入输出成本

2.如何按任务长度、预算和精度选择模型

3.科研场景中的模型分工：检索、总结、写作、编程、评审

4.DeepSeek与Qwen的对比：中文、推理、代码、接入与生态

5.国际模型与国产模型如何协同使用

案例与产出：

案例：同一科研任务交给不同模型处理并比较效果

产出：《科研任务-模型-Token选型卡》

模块三、大模型本地部署与私有科研环境搭建

1.为什么科研人员需要本地部署模型

2.Ollama、LM Studio、vLLM的特点与选型

3.本地部署的硬件、显存、量化与速度认知

4.本地模型与云端模型如何协作

5.隐私数据、本地文献和课题资料的安全使用边界

案例与产出：

案例：部署一个本地中文/代码模型并接入OpenClaw

产出：《本地大模型部署与接入说明卡》

模块四、Vibe Coding在科研编程中的实践

1.什么是Vibe Coding

2.科研人员如何用自然语言驱动代码生成、调试和重构

3.如何清楚描述输入、输出、约束和验证标准

4.如何避免“代码能跑但结果不可靠”

5.科研编程中的验真与复现意识

案例与产出：

案例：生成一个科研数据清洗与绘图脚本并调试到可复现

产出：Vibe Coding科研提示词模板+代码验真清单

模块五、Cursor、VS Code、Codex、Claude Code等Agent工具对比

1.Cursor的定位与优势

2.VS Code的科研工作流兼容性

3.Codex的终端协作与文件级执行能力

4.Claude Code的长上下文与重构能力

5.如何按科研任务类型选择合适的Agent编程工具

案例与产出：

案例：同一代码任务分别用不同Agent工具演示

产出：《科研Agent编程工具对比表》

模块六、SKILL封装，让常用科研动作可复用

1.什么是SKILL，为什么它是科研提效关键

2.如何把提示词、规则、模板和流程封装成 Skill

3.适合科研封装的Skill：文献速读、审稿回复、图注生成、代码审查

4.Skill的维护与团队共享方式

案例与产出：

案例：编写“论文精读摘要”Skill和“科研绘图诊断”Skill

产出：2个科研Skill初稿

模块七、MCP扩展，让OpenClaw接入外部工具

1.什么是MCP，为什么它对Agent很关键

2.MCP与普通聊天工具的区别

3.科研常见MCP场景：文件、论文库、Zotero、Git、表格、知识库

4.Skill与MCP的协作关系

案例与产出：

案例：设计一个科研知识管理或文档处理型 MCP 工作流

产出：《科研MCP接入蓝图》

模块八、数据云端存储、快速下载与科研可视化

1.常见科研数据云端组织方式：网盘、对象存储、服务器目录、Git LFS

2.如何建立“云端存储+本地缓存+版本留痕”机制

3.批量下载公开科研数据与课题组共享数据的高效方法

4.用Python与Agent快速完成数据整理、可视化与图表解释

5.从原始数据到论文图的最短路径设计

案例与产出：

案例：完成一次云端数据快速下载、清洗和自动绘图流程

产出：《科研云端数据管理与下载流程模板》+一套可视化脚本样例

模块九、多模型论文写作自动化工作流

1.如何把论文写作拆成选题、提纲、证据整理、段落生成、润色、审稿回复等环节

2.不同模型在写作中的分工：构思、长文重写、中文润色、英文表达、批判审阅

3.文献摘要、Related Work、方法说明、图注和Cover Letter的自动化生成思路

4.如何降低幻觉、保证引用与事实一致性

5.多模型串联下的论文写作自动化框架

案例与产出：

案例：围绕一篇真实论文，搭建“读文献-出提纲-生成初稿-批改润色-生成回复”的写作流水线

产出：《多模型论文写作自动化流程图》+一套论文写作提示词模板

模块十、NotebookLM,Claude Code，Obsidian自动化工作流

1.NotebookLM如何快速整理文档内容

2.Claude Code如何连接NotebookLM

3.Claude Code如何将NotebookLM的内容存储到本地Obsidian仓库

案例：掌握一套从NotebookLM、Claude Code、Obsidian的知识工作流

模块十一、综合演练与个人科研助手落地方案

1.如何把两天内容整合为个人科研系统

2.如何持续“养龙虾”：维护规则、Skill、知识材料和模板

3.个人版、团队版、课题组共享版的落地路径

4.常见误区与风险控制

案例与产出：

案例：输出个人AI科研工作台蓝图与30天行动计划

产出：《个人OpenClaw科研助手搭建方案》

注：请提前自备电脑及安装所需软件。

直播课

最新AI驱动科研全链路实战营：贯通LLM应用→数据分析→自动化编程→文献及知识管理→科研写作与绘图→构建本地LLM、Agent→多模型圆桌会议→N8N自动化工作流深度应用培训班

直播时间：2026年4月18日-19日、25 日-26日

【四天教学、提供全部资料、代码及长期回放】

前言

在人工智能高速发展的今天，大语言模型（LLM）正在以前所未有的速度重塑科研与高端知识工作的底层方式。然而现实是，大多数人仍停留在“简单对话式使用AI”的阶段，只是把AI当作一个更聪明的搜索工具，并没有真正将其转化为科研生产力，更谈不上系统性的创新能力提升。

科研真正的挑战从来不是“有没有答案”，而是：

如何高效整合信息、持续产生高质量IDEA，并把研究想法快速转化为可发表成果。

而这，正是大多数通用AI使用方式所无法解决的。

本课程是一门面向科研人员、研究生、博士生、高校教师以及高端知识工作者的系统化实战训练营，以“工具即生产力，Agent即科研合作者”为核心理念，带你从“使用AI”进阶到“构建AI系统”。课程将系统讲解如何将主流大语言模型深度融合进：

1.科研写作与论文生产流程

2.实验与科研数据分析

3.文献管理与知识体系构建

4.科研绘图与学术级可视化表达

5.多模型协作的创新型科研思考

6.基于NotebookLM 的研究资料整合、来源引用与可信推理

7.Google生态系统自动化科研工作流与AI Agent系统

通过真实科研场景与完整案例，你将学会如何让AI主动协助你思考、决策与创作，而不仅仅是被动回答问题。

通过本课程，你将不只是学会“使用AI”，而是能够真正做到：

1.构建属于自己的科研AI Agent，让AI成为你的长期研究助手

2.打造可持续复利的个人科研系统，知识与成果持续积累

3.显著提升科研效率与创新能力，减少重复劳动，专注高价值思考

4.让AI成为你稳定、可靠、可进化的科研合作者

这不是一门“教你玩AI的课程”，而是一门帮助你在AI时代建立长期科研竞争力的系统训练营。最后将总结Google Gemini（Nano Banana），AI Studio，Notebooklm等谷歌一系列生态系统，如何使用这些打造专属个人自动科研系统。

会议福利

1.提供全部课程回放，建立助学群，长期辅助交流。

2.超级福利：赠送 1 个月 ChatGPT会员账号【可同时使用Claude、Gemini、Grok等模型，无需科学上网】

培训方式

网络直播+助学群辅助+导师面对面实践工作交流（报名后加入助学群、查阅会议流程）

导师随行

1.建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用；

2.课程结束后不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流；

教学特色

1、原理深入浅出的讲解；

2、技巧方法讲解，提供所有案例数据及代码；

3、与项目案例相结合讲解实现方法，对接实际工作应用；

4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析；

5、课程结束专属助学群辅助巩固学习及实际工作应用交流，不定期召开线上答疑；

证书及学时

参加培训的学员可以获得《LLM模型系统化应用》专业技术证书及学时证明，网上可查。此证书可作为学时证明、个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。证书查询网址：www.aishangyanxiu.com

注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员

发票开具

发票类别：培训费、会议费、资料费、技术咨询费等，配有盖章文件等，用于参会人员报销使用

培训费用

非会员费用：3980元

Ai尚研修会员费用：会员政策参会

课程安排

第一章、大语言模型（ChatGPT、Claude、Gemini、DeepSeek与NotebookLM的能力边界：从“会用AI”到“因任务选模型”

真正理解不同LLM与知识增强型AI（NotebookLM）的能力边界

学会在科研和高端工作中“因任务选模型，因资料选工具”

核心内容：

1.主流大模型能力拆解

ChatGPT（科研写作、逻辑推理、通用科研助理）

Claude（长文档处理、论文润色、风格一致性）

Gemini/Nano Banana（多模态、图像/视频/API调用）

DeepSeek（数学推理、代码、开源与本地部署）

2.NotebookLM：以“你的资料”为核心的科研AI

NotebookLM的设计理念：

不是生成答案，而是“基于你提供的材料进行推理”

NotebookLM与通用LLM的本质区别

为什么NotebookLM特别适合科研与严肃写作

所有结论可溯源

自动标注引用来源

避免“无根据幻觉”

典型科研使用场景

多篇论文联合分析

项目材料/课题资料整合

论文写作中的“证据驱动型推理”

3.大模型“智能”从何而来

Transformer的直观理解

Token、上下文窗口、推理链

为什么通用LLM会“幻觉”，而 NotebookLM更“克制”【新增】

4.科研与工作的模型选型策略

写论文vs想IDEA

画图vs数据分析

自由发散型思考（ChatGPT/Claude）vs基于资料的严谨推理（NotebookLM）

什么时候该“问模型”，什么时候该“喂资料”

案例1：

同一篇论文IDEA，分别使用：

ChatGPT（自由生成摘要）

Claude（润色与结构优化）

DeepSeek、Qwen（方法与数学逻辑）

NotebookLM（基于真实文献生成可溯源摘要）

对比：

逻辑严谨性

创新点来源

引用可信度

幻觉风险差异

结课成果

一份《科研任务×大模型×NotebookLM选型指南》

明确你的科研工作中：

谁负责“想”

谁负责“写”

谁负责“证据与可信推理”

第二章、LLM + Excel科研数据分析的智能化与自动化生成

用自然语言“操控”Excel，让Excel成为科研数据分析助手

核心内容：

1.LLM自动生成复杂公式

2.科研数据清洗与异常检测

3.统计结果自动解读与文字化

4.Excel→论文结果段落自动生成

5.生成python语言绘图excel相关数据

案例2：

上传实验数据→LLM自动完成：

统计分析

图表生成思路

结课成果：

一套「Excel+LLM数据分析模板」

第三章、LLM × Python 科研计算自动化与高效编程助力

让不会写代码的人，也能把Python 变成科研生产力

让会写代码的人，用LLM进入10×效率区间

核心内容：

Python是科研的“发动机”，LLM是科研的“驾驶系统”

你只负责：提出研究问题，判断结果是否合理

AI负责：写代码，改代码，查Bug，重构流程，核心内容

科研人员应该如何“正确使用Python”

为什么Excel只能解决30%的科研数据问题

哪些科研任务必须用Python

大规模数据

重复实验分析

复杂统计与建模

图像/时间序列/多变量分析

Python在科研中的真实定位：

不是“编程语言”

而是科研流程自动化工具

LLM自动生成科研级Python代码

你将学会如何正确“指挥”LLM写代码

包括：

1.用科研语言描述问题→自动生成：

数据读取

清洗

统计分析

可视化

从「实验设计描述」直接生成Python分析脚本

2.自动补全：

pandas

numpy

scipy

statsmodels

matplotlib/seaborn

案例3：

任务：上传一份真实实验数据（CSV/Excel）

系统自动完成：

LLM生成 Python分析脚本

自动完成统计分析

自动生成科研级图表

自动输出Results段落初稿

最终成果：

一个可复现Python脚本

一张可直接用于论文的图

一段可直接写进论文的结果描述

第四章、Zotero×NotebookLM ×LLM智能文献管理与证据驱动科研写作

从“存论文”升级为“以文献为证据核心的可推理科研系统”，让AI不再“凭空总结”，而是基于真实文献进行可溯源分析与写作

核心内容：

1.Zotero高效文献管理

批量PDF智能总结

跨文献研究脉络分析

为论文写作提供引用建议

2.NotebookLM：文献级科研推理中枢

为什么NotebookLM是文献管理的“第二大脑”

所有分析基于你上传的PDF

每一个结论都可追溯到具体文献段落

NotebookLM的科研优势

自动跨文献对比观点

自动识别共识/分歧/演化路径

自动生成带引用标注的研究总结

与ChatGPT/Claude的根本差异

3.文献→研究脉络→可写作素材（工作流）【升级】

标准科研工作流：

Zotero（收集与标注）

↓

NotebookLM（证据级整合与推理）

↓

LLM（ChatGPT/Claude写作与表达）

在NotebookLM中完成：

研究主题的时间演化

方法论分类与对比

关键假设与证据支持

将NotebookLM输出作为：

引言素材库

Related Work证据来源

Discussion的逻辑支

4.防止“AI文献幻觉”的系统方法

为什么“直接让 LLM 总结文献”是高风险行为

NotebookLM如何从机制上避免虚假引用

科研可信度的三层防线

原始PDF（事实层）

NotebookLM（推理层）

LLM（表达层）

案例4：

任务：

导入20篇某研究领域核心论文

系统自动完成：

Zotero：文献分类与标注

NotebookLM 自动输出：

研究脉络（含引用出处）

主流方法对比表

当前研究空白（有证据支撑）

LLM（ChatGPT/Claude）：

将分析结果转化为：

文献综述草稿

引言逻辑段

第五章、科研知识管理与跨学科协同;Obsidian + NotebookLM + LLM 的应用整合

打造可长期复利的科研知识系统

核心内容：

1.Obsidian双链知识结构

科研笔记的“原子化”

LLM 自动生成关联笔记

从笔记到科研IDEA

2.NotebookLM：知识与证据的中继站

NotebookLM在知识管理中的独特位置

不做“长期存储”

专注“当前研究问题的证据整合”

典型应用：

将某一研究主题的：

文献

实验记录

项目材料

临时汇聚进 NotebookLM

输出内容特点：

高密度、证据驱动

适合转化为Obsidian笔记

3. Obsidian×NotebookLM协同工作流

Obsidian（问题与想法）

↓

NotebookLM（证据整合与推理）

↓

Obsidian（结构化知识沉淀）

从 Obsidian 提出研究问题

用 NotebookLM：

验证想法是否已有研究支撑

查找证据薄弱点

将NotebookLM结果拆解为：

方法笔记

研究假设

IDEA节点

并回流到Obsidian

4.从知识网络到科研IDEA【新增】

LLM自动分Obsidian双链结构

发现：

高频但未被系统研究的主题

证据断裂点

结合NotebookLM

判断哪些IDEA：

有文献基础

但尚未被充分探索

案例5：

输入：

既有零散Obsidian科研笔记

某领域15–30篇核心文献

系统自动完成：

NotebookLM：

基于文献验证笔记中的假设

指出“有证据/缺证据”的想法

LLM：

提炼潜在研究方向

Obsidian：

自动生成：

研究主题节点

方法与问题双链结构

结课成果：

一套「个人科研知识图谱」

第六章、Overleaf + LLM全流程科研写作

把论文写作变成“流程”

核心内容：

1.Overleaf科研写作规范

2.LLM生成论文结构

3.分章节生成论文初稿

4.审稿意见智能回复

案例6：

输入研究方向→LLM 输出：

完整论文框架

引言与方法初稿

审稿回复模板

结课成果：

一篇可投稿级论文初稿

第七章、一张图胜千言——从论文示意图到学术汇报Video

不会画图，也能做 Nature和Science级科研表达

核心内容：

科研图像的设计逻辑

API调用Gemini/Nano Banana

（一张普通猫咪照片可以通过nano banana添加帽子和相关风格照片）

科研示意图生成

学术汇报级Video自动生成

案例7：

输入论文方法描述→自动生成：

高质量科研示意图

汇报用动画视频

结课成果：

一套论文插图+汇报Video

第八章、本地部署LLM与私有科研Agent，构建专属智能助手

保护科研IDEA，构建专属AI助手

核心内容：

Ollama部署LLAMA/DeepSeek

本地模型性能优化

RAG构建个人知识库

微调vs RAG的选择策略

案例8：

本地部署DeepSeek→构建：

专属科研问答系统

私有文献分析Agent

结课成果：

一个私有科研AI Agent

第九章、多模型圆桌科研系统：用 AI进行真正的科研头脑风暴

用AI进行真正的科研头脑风暴

核心内容：

多LLM分工机制

批判型/创新型Agent设计

自动迭代研究方案

案例9：

ChatGPT+Claude+DeepSeek

→自动进行多轮讨论，生成创新研究方向。

结课成果：

一份「可投稿级研究IDEA说明书」

第十章、科研自动化与智能化工作流：N8N × LLM 构建高效科研系统

实现“科研自动化”

核心内容：

N8N基础与部署

多软件自动联动

多模型优势整合

全流程科研自动化设计

整合Google工作系统流

实战案例（终极项目）

案例10：

构建一个完整系统：

全自动科研AI系统

最终交付：

一套可长期使用的科研自动化系统

注：请提前自备电脑及安装所需软件。

报名方式

详细报名流程，请联系课程负责人

宋鹏：15383025520（微电）

QQ：676741493

<在线课程推荐-提供全部资料及回放视频、导师群辅助答疑>

添加客服微信宋老师：15383025520领取详细的培训通知

点击-课程标题链接查看内容

NO1：平台逐步建立完整的教学方案，深度促进科研交叉技术融合，成为众多课题组及个人实践技术提升首选内容。

NO2：Ai尚研修为了更好的发展，特邀30多位专家学者作为顾问专家，为Ai尚研修平台长期发展提供了宝贵的建议及工作指导。

NO3：Ai尚研修创建云导师教学模式，最大化促进交叉学科的专业问答及交流，已经建立云导师社群300+，不仅可以学习，还为您身边带来专业的导师。

NO4：Ai尚研修建立了长期免费学术讲座：聚焦基础原理、前沿热点技术、庖丁解文、实践技术、成果推广等专题，每月4期左右，已开展完200+期，上平台都可以免费观看前期讲座。

NO5：为了深度对接用户需求，依托专家团队，针对技术咨询服务、数据处理合作、软件开发、搭建高性能计算平台等领域开展合作。

云导师【点亮科研简学践行、您的随行导师平台】

会员专享

如何成为会员：

1.凡参加Ai尚研修收费课程即为会员；2.充值5000元即可成为会员(费用直接使用)。

会员特权：

1.参加直播、视频课程费用累积进行折扣，享8.5折-7.5折 (一阶会员8.5折，高阶会员8折，尊享会员7.5折)；2.参与课程组织与报名，推荐者可获得课程5%推荐现金；3.免费享受Ai尚研修会议平台中“会员免费”视频教程；4.长期免费参与针对各领域简学实用公开课（无门槛）；5.免费参与开设的导师面对面线上答疑交流；6.Ai尚研修资源站分享中数据免费下载。

【报名方式】宋鹏：15383025520（微信）

声明：本号旨在传播、传递、交流，对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题，请与本号联系，第一时间做出撤回。