夜雨聆风📚 课程一：2027年国自然与省级基金项目申报全链条实战升级暨AI人机协同撰写、立项依据精修、关键科学问题凝练、技术路线图设计、评审逻辑深度拆解、申报复盘经验融入与高质量本子打磨高级培训班
📚 课程三：基于claude code、codex多AI协同论文写作实战营：跑通数据分析→论文初稿→AI交叉审稿全流程
📚 课程五：高水平学术论文写作的“破局”之道暨AI赋能下前沿选题、智能写作、科研可视化、精准选刊与投稿、审稿博弈策略及CNS顶刊跃迁进阶全链路实践培训班
李莎：158-3333-2534（微信同步 ） QQ咨询：422573623
【往期答疑与好评】：
【课程定位】：
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。
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）核心工具：Claude Code + OpenAI Codex CLI + VS Code。
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）；
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。
【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）。
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。
【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。
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）。
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 |
【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。
【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）。
【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。
【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。
【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）；
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AI
NotebookLM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”
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
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
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
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）
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
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
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
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的选择策略
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
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
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 N8N × 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
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
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
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
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
【教学特色】：
【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
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
