夜雨聆风
直播课程
课程定位
1.目标学员：理工科、地学、环境、生态、医学等定量研究方向的研究生、博士生、博士后、青年教师及相关科研人员。
2.前置要求：能跑Python脚本、有科学上网条件、课前完成环境预装（提供详细指南和助教支持）
3.核心工具：Claude Code + OpenAI Codex CLI + VS Code。
4.教学数据：讲师演示使用NASA MODIS公开卫星数据；方法完全通用，学员可替换为自己领域的任何数据。
5.课程产出：一篇经过多轮AI交叉审稿的可投级论文草稿（Markdown+DOCX），含图表和Cover Letter。
课程核心差异化
1.双模型交叉审稿：Claude Code写代码和论文，Codex作为独立审稿人打分、挑错、提改进意见——两个不同AI系统互相review迭代，比单一AI自查深入一个层次。
2.真实全流程：数据获取→清洗分析→统计检验→论文撰写→多轮审稿→投稿准备，两天走完核心环节。
3.真实案例：讲师以自己论文为例，展示Codex审稿从4/10逐步改进到8/10的完整轨迹（12轮迭代，课堂展示精华3轮）。
4.Claim校准：让两个AI分别评估论文核心结论的可信度，教学员用AI做批判性思考而非盲目接受。
5.学科通用：核心方法适用于任何"数据→分析→论文"的定量研究场景。
两天完整产出
课前准备与环境配置
1.安装Python 3.10+、Git、VS Code
2.注册Claude账号+OpenAI账号
3.安装Claude Code CLI和Codex CLI
4.网络环境测试
5.准备科研素材
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；
证书及学时
发票开具
培训费、会议费、资料费、技术咨询费，配有盖章文件，用于参会人员报销使用；
培训费用
课程安排
第一天：Claude Code科研深度使用——从数据到论文初稿
产出：完整Claude Code项目环境-- 数据已下载、清洗、分析
1、Claude Code安装验证与模型选型（Opus/Sonnet/Haiku的成本与能力权衡）
产出：可用的Claude Code环境
2、CLAUDE.md：用一个配置文件教AI理解你的项目背景和规范
产出：项目专属CLAUDE.md
3、Memory系统：跨对话保持研究上下文（方向、数据、发现）
产出：Memory配置
4、实操：为自己的科研课题创建Claude Code项目结构
产出：完整项目骨架
案例实践：对比有/无CLAUDE.md时的回答质量——从"通用聊天"变成"懂你课题的助手"
模块二、数据获取与自动化分析
1、用Claude Code生成数据下载脚本（API/FTP/Web多种方式）
产出：下载脚本
2、数据清洗：缺失值、异常值、格式转换（NetCDF/HDF5/CSV/Excel）
产出：清洗脚本
3、自然语言→分析脚本：描述研究假设，Claude Code自动设计分析方案
产出：200+行Python脚本
4、统计检验：Bootstrap CI、Cohen's d效应量、多重比较校正
产出：统计结果JSON
案例实践：一句话需求→自动生成完整脚本→跑通→输出结果
模块三、科研绘图
1、投稿级图表标准（字体、DPI、配色、error bars）
产出：matplotlib模板
2、常见图表类型实操：scatter、heatmap、bar+CI、时间序列
产出：3-4张图
3、多panel组合图：gridspec布局与统一配色
产出：组合figure
模块四、论文初稿自动生成
1、论文结构设计：Title → Abstract → Intro → Results → Discussion → Methods
产出：论文大纲
2、Results：Claude Code读取JSON结果，生成带精确数字的段落
产出：Results初稿
3、Discussion：机制解释、文献对比、局限性
产出：Discussion初稿
4、Introduction：背景、知识空白、本文贡献
产出：完整初稿v1
关键技巧：如何让AI引用真实数字而非编造；如何用Memory防止长文写作中上下文丢失
模块五、AI伦理与期刊政策
1、主流期刊的AI使用政策（Nature/Science/Elsevier/ACS/AGU最新规定）
2、AI辅助写作的披露规范：哪些必须声明、怎么声明
3、数据隐私与保密：什么数据不能上传到云端API
4、可复现性：Prompt日志、环境版本
第二天：Codex交叉审稿 + 迭代改进 + 投稿准备
产出：论文经过3轮交叉审稿，含完整改进记录-投稿级图表-论文DOCX + Cover Lette-学员自己课题的初步成果
模块六、Codex首次审稿
1、Codex CLI配置与使用方式（consult模式发送审稿请求）
产出：可用的Codex环境
2、把论文初稿发给Codex：要求打分、列弱点、找overclaim
产出：首次审稿报告（预计4-6/10）
3、解读审稿意见：overclaim、missing citations、statistical gaps
产出：问题清单
关键时刻：学员亲眼看到论文被打低分——"AI审稿比真人审稿更直接"
模块七、双AI迭代改进
1、Round1：修复措辞（confirms→supports, rules out→argues against）
Codex审查：重新打分
预期变化：+1-2分
2、Round2：补引用、加统计检验、完善limitations
Codex审查：再次审稿
预期变化：+1分
3、Round3：针对性修复剩余弱点
Codex审查：终审
预期变化：达到可投级
核心重点：
-科研措辞分寸：从"proves"到"is consistent with"
- 引文补充：用Claude Code的WebSearch查找缺失引用
- 每轮改进的对照记录
备注：课程案例经过12轮才从4/10到8/10。课堂3轮是精华流程展示，学员课后可继续迭代。
模块八、Claim校准——让两个AI交叉质询
1、Claude和Codex分别评估核心结论的可信度，对比分歧
产出：双方评分对比
2、根据交叉质询结果调整论文claim强度
产出：校准后的措辞
模块九、审图 + 投稿文件生成
1、Codex审图：标签、单位、配色、可读性
产出：审图报告
2、修图：去夸张标题、加error bars、colorblind-safe配色
产出：终版图表
3、Claude Code生成DOCX（嵌入图表）
产出：论文DOCX
4、引用格式化（Nature-style/APA/国标，按目标期刊选择）
产出：引用列表
5、Cover Letter自动生成
产出：cover_letter.md
模块十、学员实操 + 进阶路径
1、学员用自己的数据/课题跑一遍核心流程（分析→初稿→Codex审稿）
时间：45min
2、共性问题集中讲解 + 讲师答疑
时间：30min
3、进阶路径概览：远程计算（AWS/阿里云）、自定义SKILL、MCP扩展、引文管理器对接
时间：15min
注：请提前自备电脑及安装所需软件。
报名方式
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。
END
Ai尚研修丨专注科研领域
技术推广，人才招聘推荐，科研活动服务
科研技术云导师，Easy Scientific Research
