在OpenClaw的热潮里，你需要的其实是Codex

老实说，我最近有点烦OpenClaw的推送。

不是因为它不好用。是因为每隔三天就有人发来链接问我"你试了吗""XX学界要变天了"——然后我点进去，发现他们展示的那些案例，用Codex早就能做。

今天这期推文我打算给大家演示一个案例，让大家清楚一件事：对于我们这个圈子的日常分析需求，现有工具是否已经超乎想象了？

Prompt只有一句话

我打开Codex，输入：

从GBIF下载近十年中国境内朱鹮（Nipponia nippon）的occurrence记录，画出分布地图，并分析哪些省份记录最多、近年种群是否在扩散。

零数据准备。零代码。计时开始。

13分钟后，工作区里出现了：

• 原始occurrence记录 CSV（822条，经GBIF API实时拉取，speciesKey: 2480810）
• 省份汇总表、年度汇总表
• 一张带省级polygon的分布点图，点色按年份渐变
• 逐年空间扩散指标图（occupied provinces + occupied 0.5° grid cells双轴）
• 可复现的Python脚本（+355行）
• 一段附有方法论注释的文字结论

然后它在最后问我要不要顺手出一张发表风格的图。

我盯着屏幕想了一会儿。这个流程我自己走一遍，从pygbif到geopandas到matplotlib，保守估计半天。

结果本身值得说两句

朱鹮的空间核心毫无悬念：陕西（358条）、河南（336条），这是人工繁育和野化放归的主战场。

但扩散信号是真实的。两个指标都指向同一个方向：

• 年均占据省份数：2016–2020均值3.0 → 2021–2025均值5.0
• 年均占据0.5°网格数：6.8 → 11.6
• 首次出现新省份的节点：2019年（4省）、2023年（6省）、2024年（10省）

江西婺源和江苏盐城出现了重复记录，不是偶发点，扩散趋势在空间上是有结构的。

值得一提的是，Codex在结论里主动加了这句话：

GBIF record counts reflect both animal presence and observer effort. 记录增加不能直接等同于种群扩张。

没有人要求它写这个。它自己判断这里需要一个方法论保留。这个细节让我觉得，它理解的不只是"帮你跑代码"，而是"帮你做分析"。

OpenClaw解决的是另一个问题

我想说清楚，我不是在说OpenClaw没用。

OpenClaw的核心是Agent架构——它能感知本地文件系统、跨工具调用、维持跨会话的工作上下文、在你修改需求时自动更新整条pipeline。对于那种需要同时协调ENVI/GEE/本地数据库/Word输出的重型工作流，它解决的是工具之间的摩擦，这个痛点是真实的。

但我观察到的是，很多被OpenClaw"震撼到"的同行，展示的案例其实是：输入一个问题，得到一张图，加一段结论。

这件事，Codex现在就能做。

真正的迁移成本在哪

我认为现阶段对我们这个群体来说，学习一套新Agent框架的边际收益，低于把prompt工程这件事做扎实。

朱鹮这个案例能跑出来，不是因为工具多强，是因为那句prompt写得足够清楚——物种名、数据源、地理范围、时间窗口、分析目标，每个要素都在。把问题问清楚，工具自然会处理剩下的。

这个能力，说到底是我们本来就应该有的：在提笔写Methods之前，先想清楚Research Question。

追工具没问题，但先把手边的用够。

我的Codex还有很多没探索到的角落。OpenClaw等它真的解决了我现在解决不了的问题，我再去学。

相关问题的讨论，我们在AI for Science交流群里经常进行。如果你对这个话题感兴趣，可以联系我进群：