夜雨聆风
麻烦常常不在删图那一下，而在删完以后，正文、SI 和回复信里的每一个“Figure 3”都开始漂。
Reviewer 2 轻飘飘一句话，能让一个晚上塌掉。
“Figure 2 信息量不足，建议删除。”
你看着这句话，第一反应可能还挺平静。删图嘛，打开稿子，选中，删除，两分钟的事。
麻烦从第三分钟开始。
原来的 Figure 3 变成 Figure 2，Figure 4 变成 Figure 3；正文里十几处 “as shown in Figure 5” 一下子指错了对象；补充材料里有一张图被挪进去，Fig. S2 又变成 S3；最要命的是回复信——你前一轮写的“我们已新增图 3，详见正文第 7 页第 145 行”，现在图错了，页码错了，行号也早就飘了。
于是你开着三个文档，正文、SI、response 来回切。
一边改编号，一边查 caption，一边担心自己把 Reviewer 1 和 Reviewer 2 的回复搞混。改完一遍不放心，又从头扫一遍。扫到一半，发现刚才改正文时多加了一段话，页码又动了。
返修里最折磨人的，往往不是科学问题。
是这种会 连锁崩塌 的体力活。
这事为什么天生容易错
因为你以为自己在改一张图，其实你在改一个小系统。
正文、SI、回复信是三个文件。格式可能还不一样：正文是 LaTeX，SI 是 Word，回复信是 Markdown 或 docx。它们在硬盘上互不相干，但在语义上绑得很死。
一张图被删掉，编号会变；一张主图被挪进 SI，前缀会变；正文多一段解释，页码和行号会变；回复信里那句“见第 7 页第 145 行”，看起来像礼貌，实际是一颗定时炸弹。
LaTeX 的 \ref 和 \cref 能救一部分。
如果所有图表、公式、章节都从一开始老老实实用 label 管起来，删图之后重新编译，编号会自动重排。这很好。但它救不了所有场景。
它管不到另一个文件里的回复信。它也管不到你手写的“新图 3”“第 X 页第 Y 行”。更不用说很多人写 response letter，本来就是复制粘贴、半自然语言、半格式要求。
Word 用户也一样。Word 有题注和交叉引用，全选 F9 可以刷新域。但前提是你从第一天就规规矩矩用了题注工具；而且跨正文、SI、回复信，仍然不是一个按钮能全管住。
这套麻烦拆开看，就是 跨文件、跨格式、带自然语言定位的一致性问题。
人来做，最累的是注意力会漏。你会记得 Figure 4 变 Figure 3，却忘了 response 里还有一句 “new Fig. 4”。你会改掉正文里的图号，却忘了补充材料里那句 “see Fig. 2 in the main text”。你会相信自己已经检查完，直到 PDF 里跳出一个问号。
这类活，正好是 coding agent 比较对口的地方。
把论文返修当成一个代码仓库
写代码的人早就被这种痛苦教育过。
你改一个函数名，项目里几十处调用都得跟着动。以前靠人肉搜索，后来大家学会了：不要硬编码；能引用就引用；大改之前先建映射；改完跑测试；最后看 diff。
论文返修也可以这么处理。
把 manuscript.tex、si.tex、response.md、figures/、supplementary/ 放进一个目录。对 Claude Code 或 Codex 来说，这就是一个小项目。它可以跨文件搜索，列出所有图表引用，帮你生成 before→after 对照，改完再跑编译或导出命令，把可疑项单独拎出来。
OpenAI 的 Codex CLI 官方仓库说得很直接：它是一个在本地电脑运行的 coding agent。GitHub API 里这个仓库的主语言是 Rust，许可证是 Apache-2.0。OpenAI 的 Codex CLI 文档也把 AGENTS.md、插件、subagents、review 相关能力放在同一套开发者文档里。
Claude Code 也是类似思路。Anthropic 文档里明确写到，CLAUDE.md 是你放在项目根目录的 Markdown 文件，Claude Code 每次会在会话开始读取它，用来记录编码标准、架构决策、偏好的库和 review checklist。
这些工具原本是给代码项目准备的。
但返修编号联动，很像代码项目。
图号是变量名，caption 是定义，正文引用是调用，回复信里的页码行号是外部文档指针。你删一张图，等于改了一个基础符号；所有引用它、依赖它、指向它的地方，都应该被重新检查。
别让自己像 grep 工具一样过夜。
路线 A：LaTeX 先治本，把硬编码清掉
如果你的正文和 SI 都是 LaTeX，最值得先做的是“去硬编码”。
不要让正文里到处写死 Figure 3、Table 2、Eq. 5。让 AI 帮你把这些自然语言编号换成 \cref{...}，给 figure、table、equation、section 补规范 label。SI 里的图表单独用 fig:si-、tab:si- 之类前缀区分，再配好 S 编号。
这一步不是为了炫技。
它是在把未来返修里的雷，提前拆掉。
你可以把任务这样丢给 agent：
这个目录是我的论文 LaTeX 源码：main.tex 是正文，si.tex 是补充材料，response.md 是回复信。 请先做一次“去硬编码”审计，只动引用方式，不动科学内容、数字和结论： 1. 扫描 main.tex 和 si.tex，找出所有写死的图、表、公式、章节编号。 2. 给对应环境补规范 label，正文用 fig/tab/eq/sec，SI 用 fig:si- 这类前缀。 3. 把写死编号替换成 \cref{...}，不要手写 Figure/Table。 4. 编译一次，列出 undefined reference / multiply defined label warning。 5. 拿不准的对应关系不要猜，单独列出来让我确认。 最后给我 before→after 清单和新增 label 清单。这里有个细节一定要盯住：LaTeX 里引用不存在的 label，很多时候不会让编译直接失败，只是在日志里给 warning，PDF 上留下问号。
所以 agent 跑完不是结束。
你要看日志，看 PDF，看它列出来的不确定项。AI 可以替你扫雷，不该替你签字。
路线 B：混合格式就先建全局映射表
更常见的情况是混着来：正文是 Word，SI 是 Word，回复信也是 Word；或者正文 LaTeX，回复信 docx；或者老板改了一版 PDF，你手里还有 Markdown 草稿。
这时不要让 AI 上来就改。
先让它只读，建一张全局映射表。
这张表应该回答几件事：每张图现在叫什么，caption 第一句是什么，在正文、SI、回复信里分别被哪些句子引用；删掉 Figure 2 之后，新编号怎么排；哪些回复信里的页码、行号、图号会失效；哪些地方它拿不准。
提示词可以更硬一点：
我在返修论文，三个文件：manuscript.docx、SI.docx、response.docx。Reviewer 要求删除原 Figure 2。 请分两步处理。第一步只读，先不要改文件。 第一步：建立全局引用映射表： - 每张图/表当前编号、caption 第一句、在三个文件里被哪些句子引用； - 删除 Figure 2 后，每张图/表的新编号； - response.docx 中所有图表编号、页码、行号定位，哪些会失效； - 任何你无法确定对应关系的地方，标为“需人工确认”。 等我确认映射表之后，再进入第二步：按新编号统一更新三个文件，并输出 before→after 对照。“先看后改”是这里最值钱的一步。
很多人怕 AI 改错，所以干脆不用。其实更稳的做法是，把 AI 的第一份产出变成一张地图。地图错了，你马上能看出来；地图对了，再让它动手，比直接改完再救火省心多了。
这里尤其适合 Codex / Claude Code 这种终端 agent。因为它们不只是聊天框，能在目录里读文件、搜引用、改文件、跑命令。你可以要求它先不写入，只生成 mapping report；确认后再放开编辑权限。
这比“帮我检查一下有没有错”靠谱。
路线 C：回复信要单独过一遍
很多返修翻车，问题出在回复信。
Reviewer 顺着回复信找证据，关心的是你承诺的改动能不能在正文里落地。
“我们已在第 7 页第 145 行补充说明。”
这句话看起来很普通。可正文后来多插了一段方法解释，第 145 行早就不是那句话了。你不更新，reviewer 顺着定位去找，找不到。哪怕你的科学回答是对的，可信度也会掉。
我会把回复信单独设成一关：
这是最新正文 manuscript.tex / manuscript.docx，以及回复信 response.md。 请逐条核对 response 里所有指向正文或 SI 的定位： - 图/表编号是否还正确； - 页码、行号是否需要按最新版本更新； - response 里说“已新增/已修改”的地方，正文里是否真的能找到对应改动； - 如果找不到，单独标红，不要猜。 不要改正文，只更新回复信里的定位信息，并输出核对清单。最后那条最重要：说了改，其实没改。
这比编号错还伤。编号错像粗心；承诺找不到，会让人怀疑你在敷衍。
AI 在这里很有用，因为它擅长“自然语言定位 + 跨文件检索”。它能把 response 里每一句 “we have added” 拿出来，去正文和 SI 里找对应证据。找得到，更新定位；找不到，拎出来让你处理。
这就是把脑子留给科学问题，把苦力交给机器。
项目根目录先写规矩，别每次重新交代
每次开新对话都说一遍“不要改数据，不要乱动结论，不要猜编号”，太累，也太容易漏。
把规矩写进项目根目录。
Claude Code 用 CLAUDE.md，Codex 用 AGENTS.md。内容不用复杂，关键是硬：
## 文件 - manuscript.tex：正文 - si.tex：补充材料 - response.md：点对点回复信 ## 铁律 - 不许硬编码图、表、公式、章节编号，优先用 \cref。 - 只能改引用、编号、交叉指针、格式和语言润色。 - 不许修改实验数据、统计结果、科学结论。 - 不许改 reviewer 原始评论文本。 - 拿不准的对应关系不许猜，列为“需人工确认”。 - 涉及编号改动后必须重新编译或导出，并报告 warning。 ## 工作习惯 - 动手前先看 git status。 - 大改前提醒我先 commit。 - 输出 before→after 对照，方便我 review diff。这份文件不是仪式感。
它是刹车。
你要让 agent 知道，它可以碰的是“管线”，不是“科学”。编号、引用、格式、定位、回复信指针，这些可以交给它；实验结果、统计数字、结论强弱、审稿人原话，不许碰。
返修最怕的不是 AI 不够聪明。
是它太顺手，把不该改的也顺手改了。
现成轮子可以捡，但别当自动驾驶
这类工具已经有不少现成项目，不必从零写。
Imbad0202/academic-research-skills 是一套 Claude Code 学术研究技能，README 里覆盖 research、write、review、revise、finalize，也给了 plugin 安装方式。它的许可证标的是 CC BY-NC 4.0，所以商用或机构场景要先看清楚。
chingswy/Skill-Research-Figure 更偏画图，README 写的是 Claude Code skills，支持 LaTeX TikZ 和手绘风 SVG，适合返修时补 method pipeline 图。
LigphiDonk/academic-figure-generator 是 AI 驱动的学术配图生成工具，GitHub API 显示 MIT license，README 里也把流程写成“上传论文 → AI 分析内容生成 Prompt → 一键生成科研配图”。
wanshuiyin/Auto-claude-code-research-in-sleep，也就是 ARIS，定位更重一些，README 里写的是 Markdown-only skills、cross-model review loops、idea discovery、experiment automation。它不一定适合每个人直接上手，但里面很多“让 AI 做研究流程守门”的设计值得偷。
这些轮子我不会建议你一股脑全装。
返修这种活，最好从一个最小动作开始：先让 AI 给你的项目做一张“图表引用全局映射表”。只读，不改。你看完觉得它理解对了，再让它处理一小段联动修改。
能稳稳省下一小时，比搭一个看起来很完整、但你不敢用的自动化系统更有价值。
几条底线，真的别省
第一，先 commit。
哪怕你只是让 AI 改编号，也先把当前版本存住。返修稿不是练手项目。agent 改错了，有 git 你能回滚；没有 git，你只能一边骂一边人工复原。
第二，逐行看 diff。
不要只看它的总结。总结会写得很漂亮，diff 才是真相。尤其看它有没有动数字、动结论、动 reviewer 原话。
第三，隐私自己把关。
本地 CLI 工具会读你本地文件，但提示词和上下文可能会发到模型服务。没发表的稿件、合作方数据、临床信息、商业项目，都要先看机构政策和供应商条款。能脱敏就脱敏，不能喂就别喂。
第四，责任不外包。
AI 能把“通宵对照三个文档”压成“半小时看映射表和 diff”。但最后投出去的每一个图号、每一个页码、每一个结论，仍然算在你头上。
这点别自欺欺人。
把深夜还给真正的返修
返修里真正值得你较劲的，是 Reviewer 那两三个动到筋骨的问题：为什么这个机制站得住，为什么这个对照还不够，为什么这组数据能支撑你的解释。
不是 Figure 4 该不该变 Figure 3。
也不是 response 里那句第 145 行现在漂到了第 162 行。
这些活当然要准确，但它们不应该吃掉你最清醒的几个小时。让 agent 先做编号审计员，先画全局映射表，先跑一遍交叉核对，先把悬空引用和疑点拎出来。
然后你再坐下来，看真正的科学问题。
删一张图，别再靠人肉去追三份文档的影子。
先把地图铺出来。
地图对了，再动刀。
参考资料与工具
• OpenAI Codex CLI GitHub
• OpenAI Codex CLI docs
• Claude Code overview
• Claude Code memory / CLAUDE.md docs
• Academic Research Skills
• Research Figure Skills
• Academic Figure Generator
• ARIS / Auto-claude-code-research-in-sleep
往期推荐
• 别再把 Codex 只当聊天工具了，装上这套技能以后，它更像一个能交付的工程队友
• Claude 用量翻倍背后：科研 Agent 的真实瓶颈
• 把 VASPKIT 交给 Codex，晶体计算的苦活会少很多
