AI-Agent2.0驱动的科研全链路:LLM与Notebooklm应用、自动化编程、体验多模型“圆桌会议”、N8N与OpenClaw、Claude Code构建的自主智能体

培训费用

课程安排

第一章:LLM与Agent（Claude Code、Codex、OpenClaw、Hermes）、NotebookLM的能力边界与科研场景选型策略

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.科研工具型Agent快速对比与轻量使用Claude Code：代码、文档、项目文件与论文材料修改Codex：代码生成、网页/数据/视频工程化产物生成OpenClaw：个人AI助手、多步骤任务编排与科研写作辅助Hermes：研究、写作和项目任务中的记忆化助手与技能化封装入口通用LLM vs 工具型Agent：一个更擅长回答和构思，一个更擅长进入文件、代码和流程本章讲工具入口、适合场景和上手方式。

3.NotebookLM：以“你的资料”为核心的科研AINotebookLM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”

4.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”

Prompt提示词的使用和收藏（通过LLM举一反三生成Prompt提示词）

5.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”

²案例1：

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）

2）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》

3）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、洗浄与统计结果自动解读实战

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

6.LLM分析数据质量是否能用于科研

²案例2：

1）上传实验数据→LLM自动完成：

统计分析

图表生成思路

2）结课成果：

一套「Excel+LLM数据分析模板」

通过大语言模型生成数据统计图

第三章:LLM × Python科研计算自动化与数据分析、机器学习与科研级可视化

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：

1.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

2.科研人员应该如何“正确使用Python”

3.为什么Excel只能解决30%的科研数据问题

4.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（如何使用机器学习方法处理数据，包括分类和回归方向）

5.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

6.LLM自动生成科研级Python代码

7.结合Python编程，生成机器学习算法并处理高质量科研数据

²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

²案例3：

1）任务：上传一份真实实验数据（CSV/Excel）

2）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

3）结课成果：

一个可复现Python脚本

一段可直接写进论文的结果描述

一张可直接用于论文的图（结合LLM生成可用于全球统计分布结果图）

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

Zotero的配置和安装

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.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）

²案例4：

1）任务：导入20篇某研究领域核心论文

2）系统自动完成：

3）Zotero：文献分类与标注

4）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）

5）LLM（ChatGPT/Claude）：

6）将分析结果转化为：

文献综述草稿

引言逻辑段

第五章:Overleaf + LLM全流程科研写作

把论文写作变成“流程”

核心内容：

1.Latex语言的应用

2.Overleaf科研写作规范

3.LLM生成论文结构

4.分章节生成论文初稿

5.Open AI Prism如何助力科研写作

²案例5：

如何通过Open AI Prism实现全流程写作，快速处理数学公式，论文引用，如何通过GPT5.5大模型的多模态功能，将手写公式直接导入论文，避免复杂公式的时间消耗。

第六章: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：

1.科研图像的设计逻辑

2.API调用Gemini/Nano Banana

3.如何通过Gemini/Nano Banana和NotebookLM生成系列的PPT和信息概念图，科研机制图。

4.如何通过Google Slide结合Nano banana处理AI生成科研图细节错误

5.当前Nature期刊表达AI生成的图不能放入论文中，我们有什么办法处理这个问题（通过Adobe Illustrate工具）

6.利用NotebookLM生成学术汇报级Video和音频文件

7.批量处理视频网页，结合Gemini的多模态系统，学习网上优质视频，自我成长

²案例6：

1）Codex生成3D科研、教学图片

输入论文方法描述→自动生成：

通过Prompt提示词优化Nature和Science原图

批量生产高质量科研示意图

汇报用动画视频

2）结课成果：

一套论文插图+汇报Video

NotebookLM能根据相同的内容，不同提示词设计风格和颜色产生不同的概念图（下面两图为相同内容不同设计分割和颜色）

第七章:Odysseus+Ollama本地LLM部署、私有科研Agent构建与个人知识库搭建

保护科研IDEA，构建专属AI助手

核心内容：

1.Ollama部署LLAMA/DeepSeek

2.本地模型性能优化

3.RAG构建个人知识库

4.微调vs RAG的选择策

5.Open WenUI本地部署，

6.如何结合Zotero和Open WenUI搭建本地知识系统

7.在本地环境里构建类似NotebookLM的科研生态系统（不需要科学上网，就能运行）

8.Odysseus本地ChatGPT工作台安装与配置：账号、模型端点、默认模型与浏览器访问

9.如何结合Zotero、PDF文献和Odysseus搭建本地知识系统

²案例7：

1）本地部署DeepSeek→构建：

专属科研问答系统

私有文献分析Agent

2）结课成果：

一个私有科研AI Agent

第八章:多模型"圆桌会议"机制设计与AI创新科研头脑风暴

用AI进行真正的科研头脑风暴

核心内容：

1.多LLM分工机制

2.批判型/创新型Agent设计

3.自动迭代研究方案

4.模型的能力越强，Idea的创意更好

²案例8：

1）ChatGPT+Claude→自动进行多轮讨论，生成创新研究方向。

2）结课成果：

一份「可投稿级研究IDEA说明书」

第九章:8N × LLM 构建高效科研自动化与智能化工作流

实现“科研自动化”

核心内容：

1.N8N基础与部署

2.多软件自动联动

3.多模型优势整合

4.全流程科研自动化设计

5.整合Google工作系统流

²案例9：

1）构建一个完整系统：2）通过DeepSeek创建全自动科研文献搜索总结系统

3）结课成果：

一套可长期使用的科研文献搜索总结自动化系统

第十章：Open Claw与Agent Skill进阶——构建自主式写作智能体

实现自助式写作智能体

核心内容：

1.Open Claw核心机制

2.Claude Code的使用

3.Agent Skill技能封装

4.本地化环境搭建

5.写作指南(Writing Guide) 建立

²案例10：

1）构建自助式写作智能体 

2）任务描述：根据相关数据和论文，由Agent Skill的智能体自动撰写一份科研文章。

3）结课成果：

自动化流水线：无需人工干预，系统自动运行。

高价值摘要：可结合知识库一起使用

论文稿件：根据数据生成文章，同时使用斯坦福的paper review Agent模仿审稿人提出意见，自动修改论文。

第十一章：Seedance 2.0×Codex/HyperFrames视频生产与代码化科普视频自动化制作流程

科研科普视频的“内容结构模板”

核心内容：

1.Seedance 2.0的“科研视频可控生成”关键概念

2.用 Seedance 2.0自动化生成科研科普视频：标准工作流

²案例11：

1）输入：一篇论文（PDF）或一段科研报告2）输出：一个60–90秒的竖屏科普视频（9:16），包含：

讲解员（可选）、机制动画

结果对比图、字幕+ 配音

3）实操流程：

资料准备：论文PDF+你自己写的5行要点（可选）

NotebookLM：提取“核心机制、方法、结果、限制”（可溯源）

LLM：把提取内容转成“8镜头分镜表 + 旁白稿”

Seedance 2.0：按分镜逐镜生成（每镜5秒）

Codex/HyperFrames代码化生成科研视频：标准工作流

Codex：根据论文内容自动生成脚本、分镜、字幕、旁白稿和素材清单

HyperFrames：将分镜写成HTML/GSAP时间线，自动完成排版检查、关键帧抽检与MP4渲染

Seedance + Codex/HyperFrames双路径：Seedance负责视觉镜头生成，Codex/HyperFrames负责可控剪辑、字幕、配音、转场与工程化复用

²案例12：

1）输入论文PDF或项目汇报材料→自动生成60–90秒科研科普视频源工程和MP4成片

2）结课成果：

Codex/HyperFrames科研视频自动化模板