一个真实的困境：ChatGPT、Claude、Kimi、DeepSeek装了一堆，文献还是散在各处，代码还是跑完就忘，每次开新课题都要从头解释一遍背景。你花在“衔接AI”和“找回信息”上的时间，可能比真正做科研的时间还多。

问题不在工具，在“记忆”。AI是“一次性”的，科研是“累积”的。

一篇论文不是一天写出来的，一个课题不是一次对话做完的。文献要一篇篇攒，数据要一轮轮跑，代码要一次次改。这个过程需要记忆，需要复用，需要交接。但我们现在用AI的方式，是“问完就忘，关掉就丢”。每次都要重新开始，每次都要重复解释。

结果就是：工具越多，越乱；AI越用，越累。

如果你也遇到这些问题：

• 文献线索散落在公众号、小红书、抖音，找不回来

• PDF论文读完了，方法和数据线索没沉淀下来

• 代码跑完就忘，下次遇到类似任务又要重写

• 团队协作靠微信传文件，版本乱、进度不透明

• 论文材料反复整理，基金、专利、汇报各写一遍

那么，你缺的不是更强的模型，而是一个让AI记住项目、复用经验、持续累积的科研工作流。

这套工作流的核心，不是让一个AI变强，而是让四个AI分工协作，并且共享一个“记忆库”：

• Codex：负责代码执行与产物生成——跑数据、写脚本、生成图表

• Claude Code：负责技术审查与逻辑把关——复核方法、检查代码、验证结论

• OpenClaw：负责任务编排与工具连接——调度任务、串联流程、对接平台

• Hermes：负责证据整理与项目记忆——保存文献卡片、记录决策、沉淀知识

四个Agent通过文件系统交换信息，所有做过的事情、用过的指令、复核的记录，全部存进一个项目知识库（Obsidian）。下次开新课题，直接调用之前的模板和清单，不用从零开始。

课程结束时，你将获得一套跨学科通用、可直接迁移至个人课题的完整资产包——涵盖项目目录结构、四Agent分工配置、可复用Command指令集、Skill/MCP连接方案、复核清单与质量控制流程。无论你的研究方向如何，这套系统都将成为你长期科研道路上的智能协作基础设施。

这套方法适合这样的科研工作者：希望将AI系统性地融入科研流程、为自己或课题组搭建可复用科研助手的高校教师、科研人员。不限学科方向，所有涉及公开数据、统计建模与科研产出的领域均可适用。