Claude Code+Codex+OpenClaw临床科研联合应用实战培训班

模块一

AI基础、三工具认知与医学数据安全

目标：建立临床科研智能体的整体认识，理解Claude Code、Codex与OpenClaw的协作关系，掌握医学资料进入AI工具前的脱敏、权限和人工核验要求。

核心内容：

1.智能体与普通对话式AI的区别：普通对话式AI通常围绕单次输入生成回答；科研智能体则需要围绕明确目标持续读取资料、拆解任务、调用工具、执行操作、保存文件、检查结果并根据反馈继续修正。课堂重点讲清“回答一个问题”和“完成一个科研任务”之间的差别。

2.智能体的基本任务循环：研究人员提出目标→智能体识别已有材料与缺失材料→形成执行计划→选择文件、代码或检索工具→生成中间成果→执行质量检查→交由研究人员确认。通过该循环帮助学员理解智能体不是完全自主决策系统，而是需要规则和人工监督的任务执行框架。

3.智能体核心组件：任务目标决定最终产出；提示词规定角色、步骤和边界；上下文保存当前任务信息；记忆用于保留稳定背景；Tools负责真实操作；Skills封装可重复流程；MCP用于连接外部工具和数据；Agent或子智能体承担专业子任务；日志记录执行过程；人工确认节点控制高风险操作。

4.三款工具的教学分工：Claude Code用于管理本地科研目录、批量读取文件和统筹复杂任务；Codex用于生成、调试、解释和复核Python/R代码；OpenClaw用于把已经验证的任务规则封装为Skill，连接受控工具，编排Agent并运行定时任务。强调三者存在能力重叠，课程按照科研工作流进行分工，而不是简单比较谁更强。

5.三工具联合应用路径：先由Claude Code读取病例、指南、文献和数据并生成任务说明；再由Codex根据任务说明编写和测试代码；分析结果回到Claude Code形成报告；经过人工核验后，将稳定流程放入OpenClaw，形成可重复运行的Skill、Agent任务或定时自动化。

6.医学数据的直接身份标识：姓名、身份证号、住院号、门诊号、电话号码、详细地址、社交账号、影像文件中的身份信息等原则上不得进入课堂工具。学员需要掌握删除、替换、编号化和目录隔离等基础处理方法。

7.医学数据的间接识别风险：精确出生日期、精确住院日期、极高龄、罕见病、特殊职业、极小地域、特殊手术日期、家属姓名和单位等信息单独看可能不直接识别患者，但多字段组合后可能重新识别个体，因此需要泛化、分组或删除。

8.文件层面的隐私检查：除正文外，还要检查Word修订记录、批注、作者信息、Excel隐藏工作表、隐藏列、公式引用、PDF属性、图片水印、截图边缘和文件名，避免正文已脱敏但附件仍残留身份信息。

9.人工核验的四个层级：来源核验用于确认病例、指南和文献位置；数据核验用于确认字段、单位和缺失值；代码核验用于确认清洗规则、统计方法和运行结果；结论核验用于确认AI是否夸大因果、疗效或临床意义。

10.课程统一安全原则：使用最小必要数据、最小工具权限和最小自动化范围；AI输出默认视为草稿；涉及诊断、治疗、用药、患者处置、统计结论、正式投稿和公开发布的内容必须由具备相应职责和能力的人员最终确认。

代表案例：

使用一份模拟胸痛患者电子病历，对比普通AI回答与智能体执行“读取病例—提取字段—生成时间线—保存结果—标记待复核项”的差异。

当日产出：

脱敏问题清单、胸痛病例安全版本、AI使用边界清单和医学资料上传前检查表。

模块二

Claude Code本地环境配置与脱敏病例处理

目标：完成Claude Code的最小可用环境和临床科研项目目录，掌握本地资料读取、结构化提取、结果保存和修改前确认。

核心内容：

1.环境准备与课前检查：确认Claude Code能够正常登录和启动，VS Code、Git、Python或R环境可用，课程目录具有读写权限。课堂不把大量时间消耗在下载安装，而是通过统一检查表快速识别账号、网络、权限、路径、编码和依赖问题。

2.本地科研项目目录设计：将原始病例、脱敏病例、指南、文献、原始数据、处理后数据、脚本、图表、报告、Skills和日志分别存放，避免所有材料堆放在同一目录。通过目录层级让学员理解“原始材料不可覆盖、中间文件可追踪、最终成果可定位”。

3.原始区、处理区和成果区的隔离：raw目录只读保存原始材料；deidentified或processed目录存放脱敏与清洗结果；outputs或reports目录存放最终表格、图表和报告。任何清洗脚本默认从原始区读取并写入新文件，不允许直接覆盖原始数据。

4.项目规则文件：在项目根目录写明研究主题、资料范围、允许使用的工具、禁止访问的目录、固定输出格式、文件命名规则、缺失信息表示方法、引用要求和人工审核节点。规则文件的作用是让后续不同会话和不同Agent遵循一致标准。

5.文件读取与批量处理：掌握让Claude Code读取Word、PDF、Markdown、CSV和Excel的方法；先列出文件清单和可读取状态，再决定逐个处理还是批量处理；对扫描版PDF、损坏文件、复杂表格或超长文档单独标记，避免模型静默遗漏。

6.长文档和多文件处理策略：先生成目录与内容索引，再按章节或文件分批提取，最后合并；每个中间结果保留来源文件名、页码或段落位置。避免一次性要求模型“阅读全部资料并直接写报告”，导致信息遗漏和来源不可追溯。

7.结构化提取规则：提前定义病例字段、字段类型、允许值和输出顺序；原文没有的信息标记“未记录”或“无法判断”；存在冲突的信息分别保留并标记来源；不能根据医学常识自动补写检查、诊断或治疗信息。

8.病例时间线构建：将就诊日期、症状变化、检查、诊断、用药、手术或处置、随访和结局按时间排序，并在每条记录后保留原文来源。时间不完整时使用“日期不详”或时间范围，不擅自推断精确日期。

9.结果保存与版本管理：为每次输出增加日期或版本号；保存提取计划、执行结果、修改记录和最终确认版；通过对比修改前后文件识别模型是否删除原有内容、改变字段或误覆盖人工结论。

10.常见问题与排查：路径包含中文或空格、文件被占用、CSV编码异常、Excel日期被识别为数字、PDF文字无法提取、权限不足、命令未安装等问题，应先定位错误来源，再决定修改路径、转换格式或采用备用文件，不让学员反复盲目重试。

代表案例：

对脱敏胸痛病例提取主诉、现病史、既往史、危险因素、检查结果、诊疗经过和随访结局，并按“时间—事件—来源—待核验项”生成病例时间线。

当日产出：

临床病例摘要、病例时间线、缺失信息清单、隐私复核报告和可复用的病例整理提示词。

模块三

ClaudeCode创建科研助手与文献、数据处理初体验

当日目标：把一次性提示词整理为可重复使用的临床科研助手规范，完成医学摘要信息提取和随访数据的基础质控。

核心内容：

1.科研助手的任务边界：明确助手处理的材料类型、适用研究场景、允许完成的步骤和不能完成的判断。例如文献助手可以提取研究设计和PICO，但不能把摘要未报告的内容补齐，也不能独立决定正式纳入结果。

2.科研助手规则的基本结构：角色说明、输入要求、材料范围、执行步骤、字段定义、输出模板、异常处理、禁止事项、人工复核节点和完成标准。通过固定结构减少每次重新描述任务造成的输出差异。

3.医学文献信息提取：从论文摘要或全文中提取题名、作者、年份、国家、研究类型、研究对象、样本量、干预或暴露、对照、主要结局、次要结局、随访时间、主要结果和研究局限，并保留原文位置。

4.PICO或PECO提取：明确P、I/E、C和O分别对应什么；区分研究对象特征和纳入标准、干预和实际暴露、对照组名称和参考组、主要结局和探索性结局。材料未报告时填写“未报告”，存在多个结局时按主要和次要结局分列。

5.文献初筛的三分类机制：输出“建议纳入、建议排除、待人工复核”，并为每项判断提供纳排标准对应依据。不能只给结论而不给理由，也不能因为题名相似就直接纳入。

6.数据字典的建立：为每个字段记录中文名称、英文或原始字段名、数据类型、单位、允许范围、编码含义、来源时间点、缺失值表示和备注。数据字典是后续Claude Code、Codex和OpenClaw共享任务的基础。

7.临床数据质量检查：识别空值、重复患者、重复随访、异常范围、单位不一致、日期前后矛盾、分类编码混乱、同一指标多种命名和结局变量缺失等问题，并将“可能异常”与“确定错误”分开。

8.基础统计的选择：连续变量根据分布输出均值和标准差或中位数和四分位数；分类变量输出频数和比例；同时报告有效样本量和缺失数量。第一天只建立数据概览，不急于开展复杂检验和回归。

9.文献结果与数据结果的分离：文献证据表用于描述已有研究，课堂数据分析用于描述模拟数据，两类结果不得混写，更不能用文献结论解释尚未完成统计验证的课堂数据。

10.抽样复核机制：学员随机选择若干文献和数据行，回到原始材料核对样本量、主要结局、日期、单位和异常标记。通过抽查评估助手规则是否稳定，再决定是否批量处理剩余资料。

代表案例：

创建“糖尿病合并高血压随访资料整理助手”，处理模拟摘要、病例摘要和随访Excel，整理基线血压、血糖指标、用药类别、随访指标和结局变量。

当日产出：

科研助手规则文件、文献结构化表、PICO表、数据字典、数据质量初检报告和Day1成果目录。

模块四

ClaudeCode集成与临床科研代码任务

当日目标：掌握Codex的基本使用方式，建立Claude Code与Codex基于共享项目目录的任务交接，完成临床随访数据的代码生成、调试、运行和复核。

核心内容：

1.Codex在课程中的定位：不仅用于“写一段代码”，还用于读取项目文件、理解分析任务、生成完整脚本、解释代码、修复错误、补充测试和审查另一套实现。重点让学员理解代码智能体依然需要明确的数据字典和统计要求。

2.共享项目目录的交接方式：Claude Code生成analysis_task.md、data_dictionary.xlsx或字段说明；Codex从固定目录读取任务并生成scripts目录下的代码；结果保存到outputs，运行信息保存到logs；Claude Code再读取结果形成面向医学人员的解释报告。

3.分析任务说明书的内容：写清数据文件名称、研究问题、变量角色、字段类型、分析人群、排除规则、缺失值处理、统计指标、图表类型、输出文件名和禁止事项。任务说明越明确，Codex生成代码的可运行性和可核验性越高。

4.先检查后分析：代码首先输出数据行列数、字段名、字段类型、唯一值、缺失比例、重复记录、数值范围和日期范围；只有检查结果符合预期后，才执行清洗、统计和绘图，避免错误数据直接进入分析。

5.数据清洗脚本：统一变量名称和单位，处理明显格式错误，识别重复记录，生成异常记录表；清洗规则必须写入日志，并同时保存清洗前后样本量变化。对无法确定的异常值只标记，不自动删除。

6.统计代码生成：根据数据类型选择描述指标，按预先确定的研究问题生成分组汇总或随访前后比较；代码中明确使用的统计方法、参数和软件包。若缺少研究设计信息，不让Codex自行选择复杂模型并给出确定性结论。

7.科研图表代码：指定数据来源、横纵坐标、单位、分组方式、误差线含义、图例、标题和保存分辨率；图表生成后核对样本量、分组、时间点和统计表是否一致，避免图表美观但数据对应错误。

8.错误排查方法：先阅读报错位置，再区分路径、文件编码、字段名、数据类型、缺失依赖、语法和统计逻辑问题；修复后重新运行全部流程，而不是只运行报错附近的几行，防止中间状态影响最终结果。

9.第二实现与结果复核：对于均值、缺失数、样本量和关键结局等核心结果，可让Codex生成简化检查脚本，或由Claude Code使用另一种方法核算；两套结果不一致时停止写作，先定位数据筛选和计算规则差异。

10.代码输出的可追溯性：固定保存代码版本、环境依赖、运行时间、输入文件摘要、清洗日志、统计结果和图表；后续任何报告中的数字都应能够追溯到具体结果文件，而不是直接从聊天记录复制。

代表案例：

围绕糖尿病合并高血压患者随访数据，完成缺失值检查、异常值识别、随访前后血压与血糖指标的基础分析，并生成折线图或箱线图。

当日产出：

分析任务文件、清洗脚本、基础分析脚本、处理后数据、统计结果表、科研图表、运行日志和代码核验清单。

模块五

OpenClaw Skills、MCP与科研任务自动化

当日目标：理解OpenClaw工作区、Tools、Skills、MCP、Agents和定时任务之间的关系，将已经验证的临床科研流程转化为可重复运行的能力。

核心内容：

1.OpenClaw整体结构：Workspace保存项目资料和规则；Tools承担文件、命令、浏览器或数据操作；Skills向Agent提供标准化任务说明；MCP连接外部工具与上下文；Agent或子智能体负责不同专业任务；Cron或定时任务负责按计划触发；日志用于记录执行和排错。

2.工作区的建立原则：一个科研主题对应一个相对独立的工作区，目录中包含资料、规则、Skills、输出和日志；不同研究项目不混用患者资料、变量定义和自动化配置，防止上下文串扰和结果误用。

3.最小权限设置：默认只允许读取课程项目目录；需要写入时只开放outputs、reports或logs等指定目录；删除文件、执行系统命令、发送消息、访问外部网络、修改配置和创建长期任务时单独确认。

4.Skill的适用场景：当某项任务已经在Claude Code或人工流程中反复验证，并且输入、步骤和输出相对稳定时，再封装为Skill。例如指南推荐提取、病例结构化、PICO提取或每周项目简报。尚未稳定的探索性任务不急于封装。

5.Skill文件的核心内容：明确Skill名称和用途、适用材料、输入条件、执行顺序、输出字段、引用规则、错误处理、禁止事项和人工复核点；对于医学任务增加“不得诊断、不得补写、不得替代指南原文和统计复核”等约束。

6.MCP的课程定位：用于连接文件系统、表格处理、受控检索或其他外部工具。课堂只演示1—2个稳定且权限清楚的MCP，重点讲明连接后Agent可以做什么、不能做什么以及如何检查调用记录，不追求安装数量。

7.Agent分工与主协调机制：可将指南提取、文献筛选、数据检查和报告汇总分配给不同Agent；主Agent只负责任务拆分、输入分发、结果合并和冲突提示。不同Agent必须采用统一字段和文件格式，否则难以汇总。

8.自动化任务设计：明确任务触发时间、输入目录、允许使用的工具、输出文件、异常处理、无更新时的行为和停止方式。例如每周检索公开文献并输出待筛选清单，而不是自动更新正式综述结论。

9.自动化失败处理：记录任务是否触发、调用了哪些工具、读取了哪些文件、在哪一步失败、是否生成不完整输出；失败后不直接覆盖上一次成功结果，并设置人工检查后再重新运行。

10.第三方能力审查：安装Skill、Plugin或MCP前检查发布来源、维护状态、依赖项、实际脚本、文件权限、网络请求和凭据要求；不因为名称包含“医学”“科研”就默认安全可靠。

代表案例：

案例一为“卒中溶栓指南推荐提取与核验Skill”，输出推荐意见、适用人群、推荐等级、原文位置和待确认项；案例二为“SGLT2抑制剂与心衰文献更新任务”，生成待人工筛选的公开文献清单。

当日产出：

工作区规则、权限检查表、指南提取Skill、指南推荐对照表、自动化任务配置和测试运行记录。

模块六

多步骤临床科研任务工作流

当日目标：把指南、课题素材、纳排标准、变量清单和模拟临床数据串联成一个有输入、有中间产物、有核验节点的研究准备流程。

核心内容：

1.从单项任务转向工作流：不再分别要求AI“读指南”“写研究方案”“检查数据”，而是先确定总目标，再把资料盘点、证据提取、研究问题、变量设计、数据检查、分析计划和报告输出连接成连续流程。

2.资料盘点与材料边界：列出已有指南、共识、病例、开题摘要、纳排标准、变量清单和数据文件；区分正式原始材料、课堂模拟材料和AI生成草稿；对缺失材料先列清单，不用模型自行补造。

3.研究问题结构化：明确研究对象、疾病阶段、暴露或干预、对照方式、主要结局、次要结局、观察时间、研究场景和数据来源；判断当前材料更适合PICO还是PECO，并检查研究问题是否能由现有数据回答。

4.纳入与排除标准检查：检查年龄范围、诊断依据、治疗或暴露条件、时间窗口、资料完整性和特殊人群要求；避免将结局变量写入纳入标准，也避免纳排标准过于宽泛导致研究对象不一致。

5.变量体系设计：区分人口学变量、疾病严重程度、暴露或治疗、合并症、实验室和检查指标、随访指标、结局和潜在混杂因素；为每个变量说明其在研究中的作用，而不是只列出一长串可获得字段。

6.数据字典与可获得性检查：明确字段名、定义、单位、编码、时间点、取值范围和来源；将“研究需要但数据中没有”“数据存在但定义不清”“同一变量存在多种来源”分别列出，帮助学员识别研究设计与数据现实之间的差距。

7.基础分析计划：说明描述性统计、分组变量、主要比较、结局分析和可能需要控制的混杂因素；把正式统计模型、样本量估算和敏感性分析标记为需统计专业人员进一步确认的内容。

8.证据约束与原文定位：指南推荐、研究背景和方法依据必须保留来源文件和位置；AI只能对已有证据进行整理和比较，不能将不同指南的推荐拼接为新的临床建议，也不能把低质量证据描述成确定结论。

9.中间成果的文件化：每一步形成独立文件，例如materials_inventory.md、evidence_table.xlsx、research_question.md、data_dictionary.xlsx和analysis_plan.md，后续工具只读取已确认版本，降低一次长对话中上下文混乱的风险。

10.质量门与人工确认节点：资料盘点后确认材料是否齐全；研究问题形成后确认临床意义；变量字典完成后确认字段可获得性；分析计划生成后确认方法合理；只有上一阶段通过，才进入下一阶段。

代表案例：

以“COPD患者规范管理与随访结局研究”为例，输入指南PDF、课题题目、开题摘要、纳排标准、变量清单和模拟随访字段。

当日产出：

研究问题与PICO/PECO、纳排标准修订版、证据对照表、变量字典、字段检查报告、初步分析计划、研究流程图和待补充资料清单。

模块七

OpenClaw多智能体与系统性综述实战

当日目标：理解多智能体的角色分工、并行处理、统一输出和冲突复核方法，完成系统性综述关键环节的课堂演练。

核心内容：

1.多智能体适用条件：当文献数量较多、任务能够拆分且各子任务输出结构明确时，才适合使用多个Agent并行处理。对于只有几篇文献或判断高度依赖临床经验的任务，单Agent加人工复核可能更加稳定。

2.Agent角色设计：主协调Agent负责读取统一标准、分配文献、检查完成状态和合并结果；初筛Agent负责纳入排除判断；PICO提取Agent负责结构化研究特征；质量核查Agent负责发现遗漏、冲突和证据不足。

3.任务拆分原则：每个Agent只处理明确的子任务，不同时承担筛选、统计、写作和最终结论；分配给Agent的材料范围、输出文件和完成标准必须清楚，避免多个Agent重复处理或互相覆盖结果。

4.统一输出结构：每篇文献保留唯一编号、题名、年份、研究设计、样本量、研究对象、干预或暴露、对照、主要结局、初筛结果、判断依据、原文位置和待复核项，确保不同Agent结果可以合并。

5.标题摘要初筛：根据预先确认的纳排标准输出建议纳入、建议排除或待复核；排除理由使用固定分类，例如研究对象不符、干预不符、结局不符、研究类型不符、非原始研究或信息不足。

6.PICO与研究特征提取：摘要中没有的信息不推测，全文与摘要冲突时分别保留并优先提示人工复核；同一研究有多篇报告时标记潜在重复，不直接作为多项独立研究计数。

7.Agent冲突处理：同一文献出现不同筛选结论、样本量不一致或主要结局定义不同，主Agent不能简单多数表决，应生成冲突清单，列出各自依据，由学员回到原文作最终判断。

8.PRISMA流程数据：记录检索数量、去重数量、筛选数量、排除数量、全文评估数量和最终纳入数量，并保存全文排除理由。课堂只演练数据记录和流程图草稿，不把小样本教学任务描述为正式完成的系统性综述。

9.偏倚风险与GRADE边界：介绍RoB 2、NOS和GRADE的用途、输入材料和专业判断要求；AI可帮助整理信号问题和生成初步草稿，但正式评价需要经过方法学人员逐项核查。

10.综述过程可追溯性：保存检索式、检索日期、数据库、去重规则、纳排标准版本、Agent运行结果、人工修改记录和最终确认表，使每项纳入排除决定都能够回溯。

代表案例：

使用10篇关于“SGLT2抑制剂与心衰患者结局”的公开摘要或PDF，开展迷你系统性综述流程。

当日产出：

文献筛选表、PICO提取表、纳入研究特征表、排除理由表、待复核清单、PRISMA数量记录和证据总结草稿。

模块八

科研数据、论文写作与项目自动化

当日目标：把数据质控和分析结果转化为规范的科研表达，并配置一个稳定、可停止、可人工复核的科研项目自动化任务。

核心内容：

1.分析前的数据质控：检查研究对象是否符合纳排标准，确认患者或记录的唯一标识，识别重复数据、缺失值、异常范围、单位差异、日期顺序、随访窗口、结局编码和变量时间点，形成可供后续分析引用的数据质量报告。

2.分析人群与样本量记录：说明原始记录数、排除数量、排除原因、最终分析样本量和各变量有效样本量；任何统计表和图表中的样本量变化都应能够追溯到具体筛选规则。

3.基础统计结果：根据变量类型输出总体特征、分组特征和随访变化；明确描述性结果、统计检验结果和探索性发现的区别；没有足够样本或研究设计依据时，不自动生成复杂预测模型和因果结论。

4.科研图表选择：研究流程使用流程图，连续指标分布可使用箱线图或分布图，随访变化可使用折线图，分组结果可使用点图或带置信区间的图表；每张图必须标明变量、单位、时间点、分组、样本量和数据来源。

5.图表与统计表一致性检查：核对图中均值、中位数、样本量、分组名称和时间点是否与结果表一致；检查坐标轴是否截断或夸大差异；不能为了视觉效果改变数据范围、删除不利结果或只展示部分时间点。

6.证据约束写作：论文草稿只能引用已经确认的研究问题、方法、统计表、图表和证据表；写作Agent先列出可使用材料，再按IMRaD结构生成内容，材料不足处明确标记“待补充”，不自行创造数据和引用。

7.结果部分写作：只描述已经运行的分析，不补写未执行的统计方法；数字、百分比、P值和置信区间必须来自结果文件；结果段落与表格、图表出现不一致时，以回查代码和数据为先。

8.讨论与结论边界：讨论可以比较已有研究、提出可能解释和研究局限，但需要区分已有证据与推测；结论强度应与研究设计、样本量和统计结果一致，回顾性或模拟数据不能写成确定的疗效和因果证明。

9.科研项目自动化：OpenClaw可定期读取任务清单、项目日志和输出目录，生成已完成事项、未完成事项、风险、待核验内容和下一步计划；自动化只整理项目状态，不自动修改正式数据、论文或对外发布结果。

10.版本与审核流程：保留原始稿、AI草稿、人工修订稿和最终确认稿；每次修改记录日期、修改人、修改原因和影响内容；自动化运行失败或输出异常时保留旧版本并停止后续操作，等待人工检查。

代表案例：

以“脓毒症患者临床指标与住院结局分析”为例，使用模拟数据完成变量检查、基础分析、科研图表和结构化摘要草稿。

当日产出：

数据质量报告、基础分析结果、科研图表、结构化摘要草稿、局限性清单、项目简报自动化和人工核验记录。

模块九

六类综合实践案例与结课输出

课程总结：围绕“资料安全—项目组织—代码分析—Skill封装—多智能体协作—人工核验”复盘三天课程，帮助学员形成可迁移到自身科研工作的操作框架。

六类实践案例：

1.胸痛患者病历结构化：病例字段、时间线、缺失信息和隐私复核。

2.糖尿病合并高血压随访分析：数据字典、数据质控、描述性统计和趋势图。

3.卒中溶栓指南对照：推荐意见、适用条件、证据等级和原文定位。

4.SGLT2抑制剂与心衰迷你综述：文献筛选、PICO、研究特征表和流程记录。

5.COPD管理研究设计：研究问题、纳排标准、变量清单和分析计划。

6.脓毒症结局分析与科研写作：数据检查、结果图表、摘要草稿和项目简报。

结课组织：

学员按小组选择其中1个案例，不要求每位学员完成全部6个案例。每组按照统一任务书完成资料整理、工具操作、医学核验和成果汇报。

结课成果：

每组提交1份结构化表格、1段可运行代码、1张科研图表或流程图、1份分析或证据报告、1份人工核验清单，以及1个可复用Skill或提示词模板。

评价重点：

重点检查资料边界是否清楚、任务拆解是否合理、代码是否可运行、结果是否可追溯、AI结论是否经过人工确认，而不是单纯评价输出数量。

模块十

辅助课程

1）学后交流、微信群、QQ群建立；

2）咨询、合作。

3）专业技术团队深入探讨。

4）个性化专业指导