科研写作进入“双AI审稿”时代!两天产出可投稿论文草稿!

直播课

基于claude code、codex双AI协同论文写作撰写与质量校准：从"数据分析→论文初稿→交叉审稿"全流程

直播时间：7月25日-26日

【两天教学、提供全部资料、代码及长期回放】

已关注

关注

重播分享赞

视频详情

核心差异化

【为什么是这门课】

AI科研新范式不是让模型替你写论文，而是把论文变成一条可追踪、可审稿、可迭代的科研生产线——数据→写作依据文件→AI初稿→独立AI压测→逐轮提分→投稿包，全程文件可复查、责任在人。

【AI写论文的新范式&论文总体结构】：

科研新范式vs旧范式：旧范式：一个人写→同一个人改→AI只用来润色英文→审稿意见自己消化→上下文断了就重来，整个过程全手动执行。新范式：数据→写作依据文件→ AI生成可追踪初稿→独立AI担任审稿人→逐轮提分→投稿材料包，全程文件可复查、可审计、可复现——科研人员从"写论文的体力劳动者"升级为"科研工作流的设计者与最终责任人"。

从润色段落→审查数据链：旧范式让AI改英文，结果是漂亮文字掩盖结果不足；新范式先把数据、统计、图表、文献和核心claim整理成可追溯的写作依据文件，再生成论文——从根上避免 Discussion泛泛而谈、引用缺口、数字不齐、claim 越界。

双AI 分工≠一个写一个润色：Claude Code把分析结果写成可追踪初稿，Codex CLI在独立子进程里独立扮演审稿人——专查overclaim、统计缺口、图表不支撑结论、引用缺失。两者只通过draft.md/review_round_N.md文件交换信息，跨进程独立review打破单AI自查盲区，形成真实的"投稿前测试"。

论文总体结构参考高水平综合期刊（Science / Nature 等）常见叙事结构，具体格式按目标期刊调整：训练"问题→空白→方法→数据→边界"的科研叙事：Title→Abstract（broad significance第一句）→Intro（知识空白与本文贡献）→Results（每个数字配effect size+95%CI+n+检验+精确p）→ Discussion（机制、对比、局限性）→ Methods→Figures（每图服务一个核心claim）→ References（DOI人工核验，篇数按目标期刊调整）。

科研合规与人工责任边界+跨学科可迁移：AI不替代作者判断、不署名、不自动生成未经核验的引用；全程留下draft/review/revision/score_history/citations_todo/claim校准/prompt日志，构成可审计的科研写作档案。学科迁移按"数据形态"匹配——只要能整理出数据+分析脚本+统计结果 + 图表+核心结论，流程即可迁移。

课程定位

1.目标学员：所有以数据为基础的定量研究方向均适用，只要你能整理出数据+分析脚本+统计结果+图表+核心结论，流程就能迁移。覆盖理工、农林、地学、环境、生态、医学、公共卫生、药学、心理、社科定量、经管、教育、信息等领域的研究生、博士生、博士后、青年教师及科研人员。

2.前置要求：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：讲师演示使用一份通用公开数据集——用"通用数据"跑出"科研实战"：完整走通数据获取→清洗→统计→图表→论文初稿→双AI审稿→投稿材料包全流程。方法完全通用，学员可直接替换为自己领域的数据（CSV/Excel/JSON/Parquet/SQL/NetCDF/HDF等格式均支持）；

5.课程产出：一篇经过多轮AI交叉审稿、具备投稿前内部打磨基础的论文草稿（Markdown + DOCX），含符合主流期刊投稿格式的图表、Cover Letter、citations_todo、claim 校准报告与完整审稿轨迹。

两天完整产出

【课前准备与环境配置（重要）】：

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

备注：课程需要科学-上网方式。

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《AI科研自动化技术》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：3580元

Ai尚研修会员费用：会员政策参会

课程安排

第一天：阶段⓪范式入门（M1）+阶段①数据生产（M2-M4）+阶段②初稿生成（M5-M6）

产出：完整 Claude Code 项目环境 + analysis_results.json（写作依据文件）+ figures/ + draft.md v1 + ai_disclosure.md

模块一、阶段⓪范式入门科研新范式：传统写法vsAI时代科研写法

【为什么把范式入门放在第一节】不先讲清楚"传统论文写作"与"AI 时代科研写作"的根本差异，后面10个模块容易被误读成"10个AI工具使用技巧"——而它们本质上是同一条科研生产线的不同环节。

1、传统论文写作逻辑回顾——文字驱动/线性/留不下数据

起点：脑子里想→Word打开→一字一句堆出来

工具：Word + EndNote +自己脑子；AI最多润色英文

工作流：思考→大纲→写正文→自己看→同事帮看→投稿

痛点：上下文易丢、claim容易越界、引用容易编、Discussion容易泛泛、被审稿人退回时回滚困难

2、AI时代科研写作新范式——数据驱动/流水线/全程可审计

起点：先建写作依据文件（analysis_results.json + figures + claims.yaml）

工具：Claude Code写+ Codex CLI独立审稿；两个AI跨进程协作

工作流：数据先行→AI读数据生成初稿→独立AI压测→逐轮迭代→投稿封装

全过程留下：

draft/review_round_N/revision_round_N/ score_history/claim_calibration/citations_todo/prompt日志

3、三个本质区别（对照表精讲）

驱动方式：文字驱动→数据驱动（先有数字、再有句子）

质控方式：自查+同事抽空帮看→内部AI压力测试，按高水平综合期刊常见叙事标准做投稿前自查

可追溯：大脑+Word→文件系统全程可审计

4、角色升级——你不是"被AI替代"，而是"升级为科研工作流的设计者与最终责任人"

你定义：研究问题/数据边界/方法学选型/目标期刊/claim强度

AI干：生成、挑错、对照、打分、打包

5、本节带来的认知锚点——后续每个模块都会回扣这个范式：M2是为这条流水线搭环境，M3是建写作依据文件，M5是把数据写成文字，M7-M9是独立测试，M10是按清单封装。

验收标准：学员能用自己的话回答两个问题——"为什么不能直接让 ChatGPT一次性帮我写完整篇论文？"以及"我这条论文生产线的每一步留下了什么文件？"。

模块二、阶段①数据生产Claude Code科研环境搭建

【范式转移】每次开新项目都要从头跟AI解释一遍课题背景→把课题背景沉淀进项目配置，AI在第一轮回复中就能用上你课题的术语、数据约束和目标期刊。

1、Claude Code + Codex CLI双工具安装与模型选型（Opus / Sonnet / Haiku 的成本与能力权衡）

产出：可用的双AI环境（claude --version + codex --version通过）

2、CLAUDE.md：把研究问题、数据来源、方法学约束、目标期刊写成 AI 永久可读的项目配置

产出：项目专属CLAUDE.md

3、Memory系统：跨对话保持研究上下文（research question/data/ findings）

产出：Memory配置

4、项目骨架：my-paper/{data, figures, runs, submission}

产出：完整科研项目骨架

验收标准：claude--version + codex --version输出有效版本号；CLAUDE.md含研究问题/数据/方法/期刊四项；my-paper/下data、figures、runs、submission四个目录全部存在；同样的提问，有CLAUDE.md与无 CLAUDE.md的两个回答质量肉眼可分。

【范式转移】下载/清洗/统计脚本写3天、bug反复改→自然语言描述假设，AI输出可运行脚本+字段齐全的统计结果JSON（每个数字都可追溯到来源脚本）。

模块三、阶段①数据生产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（CSV / Excel / JSON / Parquet / SQL）

产出：清洗脚本

3、自然语言→分析脚本：描述研究假设，Claude Code 协作设计分析方案（作者最终决定方法学选型）

产出：200+行Python脚本

4、统计严谨度全套：Bootstrap CI、Cohen's d效应量、多重比较校正、精确p值

产出：analysis_results.json（论文的"写作依据文件"）

验收标准：analysis_results.json中每个主要结果必含estimate/ ci_low /ci_high/n/test/p_exact/script_path七个字段；脚本可在干净环境复跑、结果可复现。

模块四、阶段①数据生产科研绘图：图表作为数据结构

【范式转移】图表是写完文字后再补的"装饰"→图表先于文字成型，每张图作为一个claim的数据载体（图表即论证结构的一部分）。

1、符合主流期刊投稿格式的图表标准（字体/DPI/配色/error bars/ colorblind-safe）

产出：matplotlib模板

2、常见图表类型实操：scatter、heatmap、bar+CI、时间序列、forest plot

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（fig1_*.pdf + .png）

4、每张图 ↔一个claim的强绑定（参考顶刊论文图组组织方式）

产出：figures/投稿可用图表目录

验收标准：每张图配caption并标注对应的claim id；error bars/单位/ colorblind-safe三项自查通过；figure与analysis_results.json字段对应可追溯。

模块五、阶段②初稿生成论文初稿自动生成

1、论文结构按

Title→Abstract（broad significance）→Intro→Results→Discussion→Methods拆解

产出：论文大纲

2、Results：AI读JSON，自动嵌入effect size + 95% CI + n + 检验方法+精确p

产出：Results初稿

3、Discussion：机制解释+文献对比+局限性（不过度解释、不overclaim）

产出：Discussion初稿

4、Introduction：broad significance+知识空白+本文贡献

产出：draft.md完整初稿v1

关键技巧：让AI引用真实数字而非编造；用Memory防止长文写作中上下文丢失

验收标准：draft.md中每个核心数字都标注JSON来源字段（如[from: aod_trend.estimate]）；Discussion每段对应一个claim id；无 [NUMBER_NEEDED] 占位符遗留；引用全部为 [CITATION_NEEDED: 主题] 占位（不允许AI编造DOI）。

模块六、阶段②初稿生成AI合规：贯穿式质控钩子

1、主流期刊AI使用政策（Nature/Science/Elsevier/AC /AGU最新规定）+各期刊披露模板

2、贯穿式质控钩子：M1留CLAUDE.md/Memory配置；M2留 analysis_results.json + script_path；M4留prompt日志；M6/M7留review_round_N.md + revisions_log；M9留citations_todo.md + DOI核验状态

3、引用核验规则：AI生成的引用一律标记[CITATION_NEEDED]，DOI / PMID /原文核验状态写入citations_todo.md，签字前100%人工核验

产出：ai_disclosure.md+数据上传红线清单+全程审计档案目录

验收标准：每条AI输出都能在runs/目录追溯到对应prompt +模型版本+时间戳；ai_disclosure.md含披露段+数据上传红线清单+引用核验状态字段。

第二天：阶段③压力测试（M7-M9）+阶段④投稿封装（M10-M11）产出：3轮审稿轨迹 + score_history.json + claim_calibration.md + manuscript.docx + cover_letter.md +学员自己课题的端到端样例

模块七、阶段③压力测试Codex首次独立审稿

【范式转移】写完只能等同事或导师挑刺，反馈慢、面子薄、不彻底→内部AI压力测试审稿人，按高水平综合期刊常见叙事标准做投稿前自查，不带情绪、不顾忌面子，按文件交付审稿报告。

1、Codex CLI配置+进程隔离验证（Codex在独立子进程运行，看不到 Claude 的system prompt，是真正独立的第二个AI）

产出：可用的Codex环境

2、把draft.md发给Codex：要求打分、列弱点、找overclaim

产出：review_round_1.md（典型4-5/10——低分是故意保留涨分空间）

3、解读首次审稿报告：overclaim/missing citation/statistical gaps/ 图表不支撑结论

产出：问题清单

学员关键时刻："论文被打低分=看见涨分空间"——比让同事帮看更彻底、更可追溯

验收标准：review_round_1.md包含总分+问题分类（overclaim/stats/ citations/figures/structure）+具体修改建议；每条建议可对应 draft.md中的具体段落。

模块八、阶段③压力测试双AI迭代改进

【范式转移】审稿意见看一遍就大改特改、越改越乱 → 一轮只修一类问题、每轮独立打分、分数曲线作为质量信号。

1、Round 1：措辞收敛（proves→is consistent with；rules out→argues against）

Codex重打分，预期变化+1~2分

2、Round 2：补引用+加统计检验+完善limitations

Codex再次审稿，预期变化+1分

Round 3：针对性修复剩余弱点→进入可继续打磨的内部初稿状态

3、核心能力：

科研措辞分寸：从"proves"到"is consistent with"（observation ≠ causation）

引文补充：用Claude Code的WebSearch查找缺失引用

每轮改进对照记录（revisions_log + score_history.json）

验收标准：score_history.json记录每轮总分与各维度分变化；revisions_log_round_N.md列出每轮修改前后对照；每轮针对一类问题修复且修改可对照（分数趋势作为参考，引入更严格标准时短暂回调正常）。

模块九、阶段③压力测试Claim校准——两个AI交叉质询

【范式转移】自己拍脑袋决定 claim强度，要么过强要么过弱→两个AI用同一把尺子独立打分，分歧暴露后由作者拍板。

1、/claim-check双盲打分流程：Claude和Codex看同一份claims.yaml，各打各的分

产出：双方评分对比表

2、分歧聚焦：哪些claim双方都打低分？哪些只有一方打低？为什么？

产出：claim_calibration.md

3、调整claim强度落地到正文：从过强/过弱拉回到数据支撑区间

产出：校准后的措辞清单（科研合规的最后一道把关）

验收标准：每个claim在claim_calibration.md中获得support_level: strong/moderate/weak/unsupported；分歧claim（两AI分差≥2）单独列出并附作者裁决理由。

模块十、阶段④投稿封装审图+投稿材料初版生成（人工核验后定稿）

【范式转移】投稿前1周突击拼凑cover letter、改图、补引用，焦头烂额→/finalize按核验清单组装投稿材料初版，作者按核验清单逐项定稿。

1、Codex审图：标签、单位、配色、可读性、colorblind-safe

产出：审图报告

2、修图：去夸张标题、加error bars、统一字体大小

产出：终版图表

3、Claude Code生成manuscript.docx初版（嵌入图表）——作者最终决定是否定稿

产出：submission/manuscript.docx

4、引用格式化（按目标期刊：Nature-style/APA/国标）+DOI/PMID人工核验清单

产出：submission/citations_todo.md（每条引用一行：DOI、核验人、核验状态）

5、Cover Letter初版生成+novelty陈述+推荐审稿人草拟——作者改写定稿

产出：submission/cover_letter.md

验收标准：manuscript.docx + cover_letter.md + citations_todo.md三件齐全；citations_todo.md中所有引用核验状态非空；AI披露段已写入正文；作者签字确认。

模块十一、阶段④投稿封装工作流迁移：把双AI流水线落到你自己的研究领域

【范式转移】学完只会复用讲师那个示例→现场把整条科研生产线按"数据形态"翻译成你自己学科的版本：同一条SOP，跑出N个不同学科的论文。这一节不是"加餐"，而是验证你能否独立把课程方法迁移到下一个、下下一个课题。

1、学科映射四件套：把通用流水线翻译成"我的学科版"

数据形态映射：你的研究数据长什么样？时空遥感/临床随访/实验测量/调查问卷/模型输出/文本与日志/多模态影像

统计标准映射：你领域Reporting怎么写？effect size + 95% CI / OR +95% CI /β+ SE / Bayesian credible interval/Hazard Ratio

claim模式映射：你领域的claim粒度是什么？因果/相关/机理/关联/预测/探索性

目标期刊映射：你目标期刊偏好哪种结构？S/N broad significance/ IMRaD/CONSORT-style/工程基准+消融/注册报告

2、迁移实操：用自己学科的CLAUDE.md模板搭建my-paper/+跑通最小闭环

把学科特化的CLAUDE.md放进my-paper/，写入研究问题/数据约束/方法学习惯/目标期刊

跑通"一段数据→一张图→一个claim→Codex审一轮"最小闭环

产出：my-paper/自己领域版项目骨 + fig + claim + review_round_1.md

3、迁移难点集中答疑（20min）

数据合规：未发表/临床/涉密/企业合作数据怎么本地化跑

统计习惯：自己领域常用统计与课程示例的差异怎么改prompt

期刊政策：目标期刊的AI披露要求怎么写进ai_disclosure.md

产出：自己领域版CLAUDE.md模板+ my-paper/项目骨架+端到端样例+持续路径清单

验收标准：

学员的CLAUDE.md包含自己学科的报告标准/数据合规边界/目标期刊政策三项

端到端样例已跑通：data→figure→claim→review_round_1.md完整链路

结课前能给出"下周我把这条流水线推到[具体课题]的第一步动作"

能用自己的话回答："这套流水线最难迁移的一环是哪一环？我打算怎么解决？"

【课前准备】课前请准备一份小样本数据（CSV/Excel/JSON均可，建议 ≤ 100行示例）；

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。