夜雨聆风
一个课题的完整链路，通常散落在互不相通的地方：文献停在浏览器里，问卷与实验数据压在表格里，复现代码在仓库里，读过的东西堆在笔记软件里，组会前的汇报又要另起一份文档。插件要解决的正是这种割裂，让 Codex 越过工具边界，把原本各自为政的环节接成一条线。
下面先把插件、应用、Skill、Prompt 这四层的关系讲清楚，再逐个说七个真正能落到科研上的插件，以及配套的提示词写法。
一、插件不是「外部工具的入口」，而是一个已经组装好的工具箱
把插件理解成「接一个外挂」，会低估它。一个插件里可能同时装着这几样东西：
Skills：可反复调用的操作说明、提示词与工作流范式
应用连接：打通 Google Drive、GitHub、Notion、Dropbox 等外部系统
应用模板：供组织管理员配置内部专用应用
MCP 工具或服务器：为 Codex 补充额外的数据源与操作能力
浏览器能力：支撑那些必须在浏览器里完成的流程
自动化或任务模板：把固定流程固化成可重复执行的任务
其中「应用」这一层划定了边界：Codex 能读到哪些信息、能执行哪些动作，取决于哪些应用已连接、已授权。反过来说，插件依赖的应用若没连上、没拿到授权，或被工作区管理员关掉，插件里对应的那部分能力就是空转的。
Skill 则是另一回事，它是一套标准操作程序。比如一个「文献综述 Skill」可能规定的顺序是：先把每篇文献的基本信息抽出来，再识别研究问题与理论框架，接着横向比对研究方法，最后收束到争议、局限与研究空白。
四层的分工可以这样记：插件给出整套工具箱，应用负责接通外部系统，Skill 规定按什么步骤干活，Prompt 是你这一次交派的具体任务。
这也解释了一个常被误读的现象：装完插件之后，Codex 的输出往往比「随手敲一句提示词」更稳。原因不在模型变强了，而在插件除了工具，还附带了经过设计的任务流程——相当于把一部分本该由你临场写清楚的步骤，提前写好了。
二、安装与调用：三个容易踩空的地方
目前 ChatGPT 与 Codex 共用同一份公开插件目录，目录里可能既有官方插件，也有工作区内部插件，以及用户个人添加或共享的插件。
流程本身很短：在支持的桌面端或网页端进入 Plugins 页面搜索、安装；安装完通常要新开一个对话或会话，插件才会生效。使用时既可以直接描述任务、让 Codex 自行选工具，也可以用 @ 点名某个插件或 Skill。
真正需要留神的是三件事。
第一，可见不等于可用。插件出现在列表里，不代表它内部的每项功能都对你开放。
第二，插件不放大你的权限。你原本无权访问的 Google Drive 文件、GitHub 仓库或 Notion 页面，接上插件之后依然无权访问。插件只是通道，不是钥匙。
第三，写入类操作另有一套闸门。改文件、建任务、发消息这类会留下痕迹的动作，能不能执行、要不要人工确认，由应用本身和工作区的权限设置说话，而不是由你的提示词决定。
三、七个科研插件
插件一：Chrome —— 文献检索与公开资料的第一道工序
写论文的起点几乎总是检索。Chrome 类插件（或 Codex 自带的浏览器能力）处理的是当前浏览器里可访问的网页。
适用场景：检索论文与研究报告、浏览期刊站点、查阅政策文件与技术统计资料、比对不同网页给出的结论、收集选题背景。
针对当前标签页里的这篇论文，逐项抽取并汇总成一张中文表格： 问题由来 / 待解决的研究问题 / 所用方法 / 数据出处 / 主要结论 / 作者自述的局限。 原文没有明确交代的项，写「原文未说明」，不要推测补全。把现在打开的这三篇文章横向摆在一起，分别指出它们在研究对象、 理论框架、变量设计和结论上的出入。 每处差异都要落到具体页面内容，不要用一般性描述糊过去。一句必要的提醒：浏览器能力不等于自动获得全文。知网、Web of Science、Scopus、ScienceDirect 这类需要机构订阅或个人账号的平台，插件替代不了合法的访问权限。绕付费墙、绕登录校验、绕站点权限的要求，不要提。
插件二：Data Analytics —— 数据分析这一环的主力
在现行的 Codex 插件体系里，Data Analytics 属于面向特定工作场景设计的角色型插件，覆盖分析、仪表盘与数据报告一类任务。
适用场景：问卷数据分析、实验数据处理、描述性统计、回归分析、可视化、缺失值与异常值排查，以及把分析结果转写成论文语言。
这个插件最容易被用错的地方，是把数据一股脑扔进去、让模型自己挑一个统计方法。专业的用法是反过来的：先把研究问题、变量关系、分析目标交代清楚，再让 Codex 动手。四步拆解如下。
第一步，先验收数据，别急着建模。
先不要建立任何统计模型。请把当前数据当作待验收的原材料， 完成一轮质量核查并出报告，逐项覆盖： 1. 各列的变量名与数据类型； 2. 缺失值的条数与占比； 3. 是否存在重复记录； 4. 取值区间是否越界； 5. 变量编码口径是否前后一致； 6. 疑似极端值； 7. 哪些字段暂时不宜直接进入分析。 核查只做陈述与建议，原始数据一律不改动。清洗动作等我确认后再执行。第二步，描述性统计。
研究主题：【主题】 因变量：【变量名】 核心自变量：【变量名】 控制变量：【变量名】 样本对象：【研究对象】 请输出描述性统计，报告样本量、均值、标准差、中位数、最小值与最大值、 缺失情况、分布形态，并判断各变量是否存在明显偏态或离群点。 发现异常值只做标注和说明，不要凭经验直接剔除。第三步，先出分析计划，再跑模型。
研究问题：【研究问题】 研究假设： H1：【假设内容】 H2：【假设内容】 H3：【假设内容】 请结合变量类型、样本结构与上述假设，给出可行的统计分析方案，并逐条交代： 1. 这一方法为什么合适； 2. 它成立需要满足什么条件； 3. 哪些统计假设必须先行检验； 4. 因变量、自变量、控制变量分别如何进入模型； 5. 结果需要报告哪些指标； 6. 什么情形会让结论站不住。 这一步只出计划，暂时不要运行模型。第四步，把统计结果转写成论文语言。
依据已经跑出的结果，撰写论文「实证结果」一节。约束如下： 1. 只写本次分析中确实存在的结果； 2. 样本量、系数、标准误、显著性与置信区间都要报告； 3. 相关关系不得写成因果关系； 4. 不显著不等于没有关系，按「未获得支持」表述； 5. 统计事实与理论解释分开写； 6. 用正式、克制的学术语言； 7. 逐条说明每个假设是否获得支持。 若现有结果不足以支撑某个结论，直接写明不足在哪里。插件三：Spreadsheets —— 文献、数据与进度的底稿
电子表格大概是科研流程里最被低估的工具。从文献阅读到数据清洗，从写作进度到审稿意见，几乎每个环节都需要一份结构化的底稿。
适用场景：问卷数据整理、文献阅读表、样本信息管理、指标计算、审稿意见归档。
三份值得先建起来的模板：
文献阅读表：作者、年份、研究问题、理论基础、研究对象、数据来源、研究方法、核心变量、主要结论、研究局限、对本人论文的启发。
论文进度表：章节、当前状态、待补内容、截止时间、修改轮次、导师意见。
审稿回复表：审稿人编号、原始意见、修改方案、修改位置、回复内容、是否完成。
把当前表格重整为一份文献综述矩阵：统一作者、年份、研究方法、 主要结论四列的书写格式，另加「研究不足」与「可借鉴之处」两列。 原有内容保持可溯源，缺项留空并标注。核查这张数据表的空值、重复行、格式不统一以及明显离群的取值， 把问题单独标记出来（新增标记列或批注），不要删改原始数据。插件四：GitHub —— 研究代码与实验复现
计算机、人工智能、数据科学、生物信息等依赖程序分析的方向，GitHub 插件的分量很重。它能让 Codex 读懂仓库、梳理项目结构、审 Pull Request、解释某项功能怎么实现、生成项目文档。
复现一篇论文时，卡住人的往往不是命令不会敲，而是一连串定位问题：数据该放在哪、哪个文件负责预处理、哪个负责训练、参数在哪儿改、结果输出到什么位置、论文里那张表对应哪段代码。四个场景对应四种问法。
场景一，先要一份复现导读。
请通读当前仓库，产出一份面向复现的导读，依次说明： 1. 项目要解决的研究问题； 2. 各主要目录承担什么职责； 3. 数据从哪里读入； 4. 预处理经过哪些环节； 5. 模型定义在哪； 6. 训练入口； 7. 评估入口； 8. 配置项集中在何处； 9. 结果写到什么位置； 10. 跑通一次最小规模实验需要哪几步。 每条结论都要落到具体文件名、函数名或配置键。 仓库里无法确认的内容，标为「需运行验证」。场景二，体检可复现性。
请对本项目做一次可复现性体检，逐项确认是否具备： 环境依赖清单 / 软件版本锁定 / 数据获取途径说明 / 随机种子固定 / 训练超参记录 / 模型权重 / 硬件环境说明 / 评价指标留存 / 从原始数据重跑出论文图表的完整链路 / README 中的完整运行步骤。 把发现分成四档： 1. 直接导致无法复现的问题； 2. 可能改变结果的问题； 3. 文档缺失的问题； 4. 可优化项。场景三，让代码与论文方法部分互相核对。这一步实用但常被跳过。
请把代码实现与论文方法部分逐项对照，覆盖： 预处理步骤 / 样本筛选口径 / 特征构造 / 模型结构 / 损失函数 / 优化器 / 学习率 / 训练轮数 / 随机种子 / 评价指标 / 对比方法 / 消融设置。 输出三类清单： - 两边一致的； - 代码里有而论文未写的； - 论文写了而代码里找不到的； 并标出哪些差异会影响复现。 不要按「常见做法」替项目补上它并不存在的参数。场景四，据代码起草实验设置。
依据仓库中真实存在的代码与配置文件，起草论文「实验设置」一节。要求： 1. 只写代码能够证实的设置； 2. 点明数据集、参数与模型名称； 3. 交代训练与评估流程； 4. 不要补写硬件型号； 5. 不要虚构运行时长； 6. 不要虚构并未设置的随机种子； 7. 确认不了的信息统一写【待作者补充】； 8. 每处关键描述后注明来源文件或配置位置。插件五：Notion —— 把读过的东西变成能复用的知识库
读了几百篇文献，动笔时却找不到那句要用的判断，问题通常不在记性，而在资料从没被组织成可长期检索、可反复调用的结构。Notion 类插件的作用，就是把零散的文献、实验记录与写作进度沉淀成一个能追踪、能更新的知识库。
建议拆成五个数据库：文献库、研究问题库、理论与变量库、实验记录库、论文修改记录库。
请把现有的 Notion 文献笔记按下列维度重排： 研究主题 / 理论框架 / 研究对象 / 研究方法 / 核心结论 / 存在争议的观点 / 研究局限 / 与我当前研究的关系。 重复条目只做归并提示，不要删除原始笔记。 无法回溯到原文的内容，标为「来源待核实」。基于已整理的文献笔记，推断可能的研究空白。 每条判定必须落在以下情形之一： - 某类研究对象尚未被充分覆盖； - 某理论未在该情境下受到检验； - 既有研究结论互相冲突； - 所用数据或方法本身存在局限； - 变量之间的作用机制尚未讲清； - 研究的时间、地域或样本范围受限。 每条空白同时给出： 1. 支撑它的文献证据； 2. 值得研究的理由； 3. 可以由此提出的研究问题； 4. 可能用到的数据； 5. 预计会遇到的困难。 「相关论文数量少」不能直接算作研究空白。插件六：Presentations —— 组会、开题与答辩材料
文献汇报、组会、毕业答辩、会议报告，这些场合都要把已有材料重新组织成讲得出来的形式。Presentations 类插件负责的就是从论文或科研材料到汇报稿的这一步转换。
请把这篇论文转成一份 15 分钟组会汇报，总页数控制在 12 页以内，顺序为： 研究背景 / 研究问题 / 理论框架 / 数据与方法 / 核心结果 / 主要创新 / 研究局限 / 值得讨论的问题。 要求： - 每页只承载一个核心观点； - 每页要点不超过 5 条； - 能上图表就不要写长段落； - 论文作者的主张与汇报人的评价分开标注； - 每页配 30 至 60 秒的口述备注； - 末页留 3 个讨论问题。插件七：Dropbox —— 科研资料与论文版本
一个课题往往横跨数月甚至数年，文件只会越积越多。缺一套统一结构的后果相当典型：文件名一路滑向「最终版.docx」「最终版2.docx」「最终版真的不改了.docx」，原始数据被覆盖，某张图找不到对应代码，投稿版本用的是哪一次分析结果说不清，团队成员各自手里还留着不同版本。
Dropbox 类插件可以让 Codex 检索、梳理并分析已获授权的项目文件。官方列出的适用场景中，也包含对 Dropbox、Google Drive、Notion 等文件与知识来源做整理、写作和分析。
一套可直接照搬的目录结构：
研究项目名称/ ├── 00_项目说明/ ├── 01_文献资料/ ├── 02_原始数据/ ├── 03_清洗数据/ ├── 04_分析代码/ ├── 05_实验记录/ ├── 06_结果表格/ ├── 07_结果图像/ ├── 08_论文正文/ ├── 09_投稿材料/ ├── 10_审稿返修/ └── 11_汇报与答辩/命名统一走「项目名_文件类型_版本号_日期」：
生成式AI学习研究_论文初稿_v03_20260815.docx 生成式AI学习研究_原始问卷_v01_20260720.xlsx 生成式AI学习研究_清洗数据_v02_20260725.csv请按当前项目里实际出现的文件类型，设计一套科研文件管理结构，要求： 1. 原始数据与清洗数据分开； 2. 分析代码与输出结果分开； 3. 论文正文与投稿材料分开； 4. 审稿意见与返修记录单独归档； 5. 为每类文件给出统一命名规则； 6. 列出疑似重复的文件。 移动、改名、删除一律先不要做，方案先交我确认。对比论文初稿与最新修改稿，按章节输出： 新增内容 / 删除内容 / 核心观点的改动 / 数据或结果的改动 / 图表变化 / 参考文献变化 / 可能牵连全文一致性的改动 / 仍未解决的问题。 请把文字润色与实质性修改分开列。四、工具箱不是越多越好
七类插件覆盖的分别是检索、分析、底稿、代码、知识沉淀、汇报与归档，正好对应一个课题从起手到投稿的主要环节。但把它们全装上，本身不构成任何优势。
Codex 的定位是一个能调度多种工具的科研助手，值得投入的不是插件数量，而是围绕自己手上的研究任务，搭出一条清晰、稳定、每一步都能回查的流程。上面所有提示词都刻意留了同一类约束：不删原始数据、不补代码里没有的参数、确认不了的标出来。这类约束看着啰嗦，却是让 AI 参与科研这件事能站得住的前提。
真正省下来的时间，应该流回科研里那些无法外包的判断上。
最后，有没有人和我一样，是不是也经常被文献、数据、论文、代码搞得头大？真心想认真推荐一下，基于双 AI 智能体（Claude Code + Codex）的 自动化科研工作流构建与应用实战，真香！自动化生成代码、分析数据、润色论文，两个AI智能体分工协作，从数据处理到论文图表全包圆。一套流程全搞定。强烈安利给所有科研人员、高校师生和公司研发同学！
不过说实话，自己研究部署确实有点麻烦，用不好反而浪费时间。
2026 / 08 / 07 — 08 / 09热招中
广州市 + 线上直播（6 日报到）
2026 / 08 / 21 — 08 / 23
北京市 + 线上直播（20 日报到）
2026 / 09 / 04 — 09 / 06
杭州市 + 线上直播（3 日报到）
2026 / 09 / 18 — 09 / 20
武汉市 + 线上直播（17 日报到)
