科学网-近期提升AI技能高级研修班——Codex • Claude Code • WorkBuddy • DS Harness-齐云龙的博文

切换到桌面版

近期提升AI技能高级研修班——Codex • Claude Code • WorkBuddy • DS Harness

2026-10-29 16:12

阅读：295

AI智能体全家桶 Codex • Claude Code • WorkBuddy • Deepseek Harness

11月20-23日南京+线上｜26章实战，把四大 AI 智能体调教成你的科研办公外脑

四大全家桶.png

▲ 封面｜把文献检索、数据分析、论文写作交给智能体，科研效率翻倍

📄 “大模型智能体在GIS数据处理和分析中应用”高级研修班 ——（11月7日-9日）

📄“WorkBuddy赋能智能办公与自动化数据分析实战”研修班——（11月14日-15日）

📄 “AI智能体全家桶 Codex•Claude Code•Workbuddy•Deepseek Harness赋能高效科研与日常办公实战”研修班——（11月20日-23日）

中科人才近期课程+.png

课程宣传台卡——中科泓图——齐云龙.png

为什么科研人必须重新认识 AI

当前，以大语言模型为核心的人工智能技术正在快速进入智能体（AI Agent）时代。AI 已不再局限于简单问答，而是逐步具备自主规划、工具调用、任务执行、结果反馈与持续优化能力，正在重塑科研创新、教育教学和日常办公的新模式。

科研全流程：文献检索、论文精读、数据分析、科研绘图、论文写作与项目申报——每一环都可以交给智能体完成。

教学提效：课程设计、教学评价效率提升，课件、讲义、题库与教学分析一条链路全部提速。

办公自动化：文档处理、数据分析、会议管理和流程自动化，把重复劳动交给它，人只做判断。

然而，面对 Codex、Claude Code、WorkBuddy、Deepseek Harness 等快速发展的智能体工具，如何选择适合自己的工具、如何完成部署配置、如何构建安全、高效、可持续运行的智能工作流，成为当前 AI 应用落地的重要挑战。

江湖地位 · 四大工具凭什么值得学

这不是四个“网红工具”，而是全球开发者正在用真金白银投票的产业级基础设施。先看四组公开数据，理解它们各自的分量：

54%	Claude Code｜企业级编码智能体份额第一据 Menlo Ventures 数据，Anthropic 在企业级编码市场约占 54% 份额，领先 OpenAI 的 21%；2026 年 2 月 Claude Code 年化营收已超 25 亿美元。JetBrains 2026 年 1 月万名开发者调查中，18% 的人在工作中使用它，满意度 91%、NPS 54 均为品类最高，并被 46% 的资深工程师评为“最喜爱”的工具。

400 万+

Codex｜Gartner 企业级 AI 编程智能体领导者

OpenAI 官方披露 Codex 每周有超过 400 万人使用，客户包括 Cisco、Datadog、Dell Technologies 与 NVIDIA；2026 年 4 月入选 Gartner 企业级 AI 编程智能体魔力象限“领导者”象限。Cisco 用 Codex 开发其 AI Defense 安全平台的主体部分，交付周期从数个季度缩短到数周。

1115.23万

WorkBuddy｜国内 AI 办公智能体总榜第一

据 2026 年 7 月“AI 产品榜 · 桌面榜（PC）”，WorkBuddy 以 1115.23 万月活位列国内 AI 办公智能体总榜第一，环比增长 304.40%；沙利文《2026 年智能体市场研究报告》中，企业级应用与个人应用两个榜单均位列第一；IDC《中国企业级通用 Agent 产品技术评估》综合得分第一，9 项评估维度中 6 项获得满分。

全球第一	DeepSeek｜OpenRouter 全球路由流量第一 2026 年 6 月，DeepSeek 在聚合全球开发者 API 流量的 OpenRouter 平台上以 17.6% 路由流量、每周 5.13 万亿 token 位列全球第一；Hugging Face 模型累计下载 3.71 亿次；国内 App 月活达 1.29 亿（QuestMobile）。其 App 曾登顶 156 个国家和地区的 App Store 免费榜。

一句话概括这门课的工具格局：Claude Code 负责深度工程与多文件重构，Codex 负责企业级自动化与并行开发，DeepSeek 提供高性价比的国产模型底座，再用 WorkBuddy 承接日常科研协作——四个工具各司其职，才是一套完整的外脑。

你是不是也卡在“装上了，却跑不起来”？

很多人装上工具的第一天就放弃了：命令行报错看不懂、模型 API 不会配、上下文一超就崩、换台电脑环境全丢。问题不在工具不好，而在没人教你怎么把它真正跑起来。这门课要解决的，正是从“会使用”到“能落地”的能力升级。

🔬 核心主张　三天课程贯穿一条主线：工具选型 → 环境部署 → 工作流编排 → 科研场景落地。全套主流智能体一次讲透：Claude Code 打底、Codex 上手、WorkBuddy 承接日常协作、Deepseek Harness 做自主学习扩展，再一路打通文献批量采集、数据统计绘图、知识库问答、论文写作复现，直至专利转化。全程“讲师示范 → 你上机 → 现场复核 → 阶段验收”闭环，零基础也能一步步跟下来。

课程收获 · 八项硬能力

■① 掌握 AI Agent 核心原理与发展趋势，建立智能体应用基础认知；

■② 独立完成四大 AI Agent 工具部署，具备独立搭建智能体环境的能力；

■③ 掌握大语言模型接入与配置方法，接入不同大语言模型及 OpenAI 兼容 API 服务；

■④ 构建个人 AI 助手工作体系，掌握身份配置、记忆管理、上下文维护和任务规划方法；

■⑤ 掌握 AI Agent 工具选型方法，建立智能化教学工作流程，构建自动化任务执行流程；

■⑥ 搭建科研文献智能处理流程，提升科研数据处理与分析能力，实现科研数据管理自动化；

■⑦ 掌握 Nature-skills 智能体系统科研插件，完成科研论文项目全流程技能，掌握项目申请与专利材料辅助方法；

■⑧ 建立智能化教学工作流程，实现日常办公自动化，掌握 Skills 开发与个性化扩展能力。

课程特色 · 六大优势

■① 全家桶一次讲全，不再纠结选哪个：Claude Code、Codex、WorkBuddy、Deepseek Harness 从产品形态、模型生态、工具扩展、记忆、自动化、权限安全到典型场景全方位对比，按你的岗位给出选型结论。

■② 从“装上”到“跑通”，环境部署手把手：命令行与终端、IDE 集成、API 配置与密钥安全管理、cc-switch 模型切换与计费路径、用量监控与成本优化——每一步都是课堂上机实操，当场跑通。

■③ 不止会用，还能自己造工具：讲透 Skills 模块化技能的架构原理与标准开发规范（SKILL.md + scripts + references + assets），明确定义触发条件、执行步骤、验证标准与边界范围，把重复工作封装成一句话触发的技能。

■④ 记忆、子智能体、插件、钩子四大件打通：多层级记忆架构、上下文管理三大策略、SubAgent 并行协作、MCP 插件化扩展、Hooks 生命周期钩子——组合运用构建个人专属高效工作流。

■⑤ 科研场景全链路，学完直接用在课题上：从 PubMed 论文批量采集、百篇文献结构化处理、数据统计与科研绘图，到课题设计书、论文写作复现、文献综述，直至专利权利要求书转化，一条链路全部覆盖。

■⑥ 安全合规与可持续运行：只授权当前任务真正需要的文件和数据，遵守科研数据与保密管理规定，高风险操作设置人工确认，建立数据备份意识——让智能体长期稳定地为你工作。

授课导师

本期课程由胡老师主讲——AI 公司创始人，10 年人工智能项目开发经验与8 年人工智能行业培训经验，出版人工智能书籍《深度学习从0到1》。先后为上海通用汽车、上海气象局及多所学校、研究所、企业完成图像、NLP、语音、搜索等多类人工智能项目，研发经验丰富。

从业背景：AI 公司创始人；10 年人工智能项目开发经验，8 年人工智能行业培训经验；

专业著作：出版人工智能书籍《深度学习从0到1》；

项目经验：为上海通用汽车、上海气象局及多所学校、研究所、企业完成图像、NLP、语音、搜索等多类人工智能项目；

企业内训：为中国移动、中国电信、中国银行、中国海关、华夏银行、太平洋保险、国家电网、中海油、中国铁道学院、格力电器、松下电器等几十家企业开展人工智能相关企业内训；

授课规模：网络课程学员几十万人，线下培训学员人数超过 100000 余人；

授课特点：课程结构清晰、专业严谨且通俗易懂，深耕 AI 与数据科学人才赋能；每个模块一轮“讲师示范 → 你上机 → 现场复核 → 阶段验收”闭环，全程以上机实操为主。

适合谁来学

■■ 企事业单位、高校师生、科研机构研究人员；

■■ 需要提升科研效率的博士生、硕士生——文献、数据、论文三线并进，早半年出成果；

■■ 希望引入 AI 自动化流程的科研团队负责人与实验室 PI；

■■ 对 AI 智能体感兴趣，但缺乏实操路径的研究者——从装不上到跑得通；

■■ 想用 AI 提升备课、课件、考核与教学评价效率的高校教师；

■■ 从事数据分析、需要处理大量科研数据与报表的工程技术人员；

■■ 准备申报课题、撰写项目申请书与专利材料的科研工作者；

■■ 希望把个人经验沉淀成可复用 Skills 与自动化工作流的进阶用户。

时间 · 地点

时间：2026年11月20日 — 11月23日（第1天报到，授课3天）

形式：南京线下 + 线上直播同步授课

主办：北京中科泓图资环信息技术有限公司

课堂节奏：以动手实操为主，每模块一轮“示范 → 上机 → 复核 → 验收”闭环

费用 · 证书

培训费用：3980元/人（含报名费、培训费、资料费、证书费、会员费）；住宿可统一安排，行程及食宿费用自理。

培训后可获得由中职人才测评中心颁发人才专业能力提升 AIGC《人工智能应用工程师》证书。该证书可用于专业技术培养、职称评定、招投标加分、企业资质认定、工作晋升、人才聘用、岗位准入、教育考核等用途，属职业技术高级测评认证。证书申报资料：2寸电子版标准证件照（蓝底）及身份证（正反面）复印件，详情请咨询报名老师。

课程大纲 · 26章八大模块

三天课程覆盖“工具认知与部署 → 文献与数据工程 → 知识库与教学应用 → 智能体协作 → 科研全流程实战”的完整闭环，下面按八大模块提炼每章核心要点与课堂实操。

先上课程知识地图——26 章、八大模块，一图看清：

▲ 课程知识地图｜26章 · 八大模块完整体系（建议保存收藏）

模块一　认知与技术栈（第1章）

第一章　2026年 Agent 智能体最新进展和技术栈讲解

■Agent 是什么：智能体到底能帮我们做什么——从“对话式问答”到“自主执行”的范式转变，2026 年 Agent 技术最新进展；

■全家桶横评：Claude Code、Codex、WorkBuddy、Deepseek Harness 全方位对比——产品形态、模型生态、工具扩展、记忆、自动化、权限安全与典型场景；

■大模型类型：向量模型、多模态模型、聊天模型的差异与适用场景；

■技术栈图谱：Skills、Tools、Memory 等智能体技术，以及 Agent、MCP、RAG、知识库等大模型体系技术；

■选型方法：关键性能指标对比（上下文容量、输出能力、文件处理、多模态识别）、国内模型 vs 海外模型的差异化优势与科研场景适配、模型选型的成本效益分析；

■提示词工程：终极方法论与高级应用技巧。

🔬 实战案例　现场申请几个可以免费使用 Token 的模型，完成第一次模型接入与连通性测试（课堂实操）。

模块二　Claude Code 工程化（第2-4章）

第二章　科研智能体的工程化起点：Claude Code 环境搭建与基础研究范本构建

■底层工具链：命令行 / Shell 的选择，命令行文件与路径管理速成；

■开发环境：配置跨平台集成开发环境（IDE）与终端，安装 AI 编程智能体核心引擎与依赖管理；

■模型接入：接入多模型科研计算后端——API 配置与密钥安全管理；

■模式与参数：Claude Code 不同模式说明，深度配置科研专用参数与交互模式；

■验证与成本：实现首次启动验证与基础功能测试，建立用量监控、成本分析与资源优化策略。

🔬 实战案例　从零搭建一套可用的 Claude Code 科研环境，并完成首次运行验证（课堂实操）。

第三章　Claude Code 智能体高级架构设计——记忆、子智能体与插件生态

■记忆系统：多层级记忆架构的设计理念与使用策略；

■上下文监控：上下文容量监控与资源分配，上下文使用情况的可视化分析方法；

■上下文策略：上下文管理三大核心策略——不同策略的特点与最佳使用时机；

■子智能体：SubAgent 子智能体系统——并行任务分配、独立上下文与动态调度机制，以及多种使用模式与典型应用场景；

■插件化扩展：MCP 模型上下文协议——实现智能体“插件化扩展”的标准接口机制，科研常用 MCP 插件及其安装与配置方法；

■生命周期钩子：Hooks 五大关键节点的自动化控制与应用场景。

🔬 实战案例　管理与优化智能体上下文使用，体验子智能体并行协作，并安装核心 MCP 插件完成功能验证（课堂实操）。

第四章　Claude Code 工作流工程化实践——Skills 系统、流程编排与效率优化

■Skills 架构：模块化技能系统的架构设计与渐进式加载原理，标准开发规范、文件结构与配置字段详解；

■设计模式：正确的 Skill 设计模式 vs 常见设计误区，自动化 Skill 创建工具的使用与最佳实践；

■会话管理：历史会话的状态回溯、恢复与对话导出管理；

■模型调度：多模型动态切换策略与任务—模型匹配方法论；

■界面集成：IDE 集成方案与可视化工作界面配置；

■融会贯通：组合运用全部高级功能，构建个人专属高效工作流的系统化方法。

🔬 实战案例　把记忆 + 子智能体 + 插件 + 技能 + 钩子五大功能融为一体，创建自定义的科研论文选题评分 Skill，并把“撰写文献综述论文”的工作流封装成 Skill（课堂实操）。

模块三　Codex 部署与工作流（第5-7章）

第五章　Codex 安装部署与国内外模型接入

■核心安装：安装 AI 编程智能体核心引擎与依赖管理，完成 Codex 桌面端安装部署；

■模型配置：cc-switch 的下载与安装——ChatGPT 以及国内模型配置，国内模型 API 注册与接入 Agent 演示；

■切换与计费：模型配置切换、连通性测试、官方登录和第三方 API 计费路径；

■模式与安全：Codex 三种不同模式切换和安全等级说明，深度配置科研专用参数与交互模式；

■验证与成本：实现首次启动验证与基础功能测试，建立用量监控、成本分析与资源优化策略。

🔬 实战案例　完成 Codex 桌面端部署，并打通国内模型 API 完成一次真实任务（课堂实操）。

第六章　Codex 记忆与项目上下文系统

■记忆架构：多层级记忆架构的设计理念与使用策略；

■上下文监控：上下文容量监控与资源分配，上下文使用情况的可视化分析方法；

■管理策略：上下文管理三大核心策略——不同策略的特点与最佳使用时机；

■协作模式：子智能体的多种使用模式——常见协作方式与典型应用场景。

🔬 实战案例　管理与优化 Codex 上下文使用，并体验子智能体并行协作的任务流程（课堂实操）。

第七章　Codex 工作流工程化实践——Skills 系统、流程编排与效率优化

■Skills 原理：模块化技能系统的架构设计与渐进式加载原理，标准开发规范、文件结构与配置字段详解；

■标准结构：自定义 Skill 的标准结构——文件夹内包含 SKILL.md、scripts、references、assets，必须明确定义触发条件、执行步骤、验证标准和边界范围；

■设计误区：正确的 Skill 设计模式 vs 常见设计误区；

■会话与调度：历史会话的状态回溯、恢复与对话导出管理，多模型动态切换策略与任务—模型匹配方法论；

■系统整合：组合运用全部高级功能，构建个人专属高效工作流的系统化方法。

🔬 实战案例　把五大功能融为一体，设计并开发一个符合规范的自定义 Skill，配置多模型切换策略，并构建一个整合记忆、子智能体、插件与 Skills 的完整科研工作流（课堂实操）。

模块四　科研文献与数据工程（第8-12章）

第八章　Claude Code、Codex 智能体科研论文批量下载

■合规先行：科研数据采集的法律合规要点与风险规避策略；

■方案选型：主流采集技术方案的对比分析与选型指南，网页数据结构解析与浏览器开发者工具的实战应用；

■零基础写爬虫：无需编程基础，通过自然语言描述需求即可快速构建采集程序；

■PubMed 实战：基于 PubMed 的医学论文定向采集——按关键词、时间范围、期刊等条件自动获取目标文献数据；

■增量与联动：最新论文的实时追踪与增量采集方案设计，采集数据与大模型 API 联动分析的端到端工作流；

■定时部署：定时自动化任务的设计与系统级部署——让采集系统每天自动运行。

🔬 实战案例　构建一个基于 PubMed 的论文自动采集程序，与大模型 API 联动分析，并配置为每天定时运行（课堂实操）。

第九章　Claude Code、Codex 批量化科研论文处理

■模型准备：国产模型 API 的申请流程、环境配置与密钥安全管理实践；

■处理流水线：构建批量文献处理流程——论文下载 → 智能分析 → 结构化输出；

■格式转换：基于 AI 分析结果的文件批量转 Markdown 格式；

■信息提取：科研论文关键信息的多维度自动提取技术与实现方法；

■规模化与容错：从单篇到百篇的规模化处理策略与工程化实施方案，API 驱动的结构化分析报告自动生成，以及批量处理中的成本控制、错误处理与容错机制设计。

🔬 实战案例　构建一套完整的科研文献批量智能处理系统（课堂实操）。

第十章　AI 驱动的科研数据处理与自动化管理

■格式标准化：仪器数据格式转换与标准化处理的自动化实现方案；

■文件整理：基于外部数据匹配的影像 / 样本文件自动化整理方法；

■质量管控：异常数据的自动检测、标记与质量报告生成机制；

■多源融合：多源异构数据的融合处理与统一管理策略设计；

■公开数据：国家统计局多层级数据的自动化采集与结构化存储；

■全生命周期：科研数据全生命周期管理的标准化工作流设计与实施，大批量科研文件的智能重命名与分类归档体系构建。

🔬 实战案例　构建一套科研数据自动化管理系统（课堂实操）。

第十一章　AI 智能体全栈开发架构认知

■角色转变：AI 时代程序员角色的转变——从单纯写代码到“指挥 AI 开发”；

■架构认知：现代软件架构的核心模块与协作机制（结合类比讲解）；

■前端体系：前端技术体系概览——从基础三件套到现代框架的发展路径；

■后端与数据：主流编程语言对比及科研场景下的选择，两大数据库类型的特点、操作方式与应用场景；

■接口原理：API 接口的基本原理——前后端之间的通信机制，一次完整请求的执行流程；

■一体化开发：AI 编程智能体如何整合前端 + 后端 + 数据库 + API，实现一体化开发。

🔬 实战案例　用类比方式讲清一套系统是怎么跑起来的，为后续构建论文查询系统打底（课堂实操）。

第十二章　Claude Code 构建科研论文查询系统

■素材准备：把前期下载到数据库的论文作为素材；

■角色编排：构建统一协调 subAgent、后端开发工程师 subAgent、前端架构师 subAgent、测试工程师 subAgent 四类角色；

■协作生成：基于多 Agent 协作架构，生成一个完整的科研论文查询系统；

■质量与验收：让测试工程师检查代码是否有 Bug，并在系统中对论文进行增删改查操作。

🔬 实战案例　指挥多个 subAgent 分工协作，从零生成一个可运行的科研论文查询系统（课堂实操）。

模块五　知识库 · 教学 · 统计 · 课题（第13-17章）

第十三章　科研知识库构建理论基础

■Embedding 基础：Embedding 模型是什么，维度的作用与相似度算法；

■Embedding 选型：常用的 Embedding 对比与不同场景下的模型选择；

■向量数据库：向量数据库介绍与不同场景下的选择策略；

■检索体系：什么是 RAG——向量检索、Reranker 重排序检索、混合检索（Hybrid Search）三者的协同关系与技术选型建议；

■图谱扩展：图数据库、知识图谱和 graphRAG。

🔬 实战案例　为自己的研究方向选定一套 RAG + 向量库技术方案（课堂实操）。

第十四章　Claude Code、Codex 构建基于知识库的科研问答智能体

■本地部署：本地向量数据库自动安装部署，配置向量模型；

■效果优化：知识库效果优化方法；

■内容入库：把中医药内容写入知识库，把科研论文 PDF 转 Markdown 格式并保存到知识库目录；

■前端与服务：开发智能体前端页面并启动服务，通过知识库对外提供问答服务。

🔬 实战案例　搭一个能基于自有文献回答问题的科研问答服务，并启动前端页面（课堂实操）。

第十五章　Agent 提效教学应用：备课、课件、课堂、考核

■课程设计：基于培养方案、课程目标和学生特点，智能生成课程设计方案——教学大纲、章节规划、授课方案和课堂实施脚本；

■资源转化：将教材内容、科研文献和真实案例快速转化为课件、教学讲义、知识图谱、课堂任务和微课内容；

■资源体系：搭建课程智能资源体系——知识库、案例库、概念库和拓展学习资源，支持内容更新与来源管理；

■活动与考核：生成课堂讨论、实践任务、案例分析、项目作业及配套评价标准，智能生成试题库、综合案例题、实践项目任务、评分规则及标准答案；

■教学评价：对学生作业和考试结果进行分析，形成个性化反馈、学习问题诊断和教学改进建议。

🔬 实战案例　基于一份课程资料，自动构建覆盖“教学设计—课件制作—课堂活动—考核评价—教学分析”的完整课程资源包（课堂实操）。

第十六章　科研数据采集、统计分析、科研绘图

■数据采集：从公开数据集、开放 API、机构平台及本地实验目录批量获取数据；

■数据预处理：完成去重、异常值与缺失值处理、编码统一、格式转换、特征工程及数据字典构建；

■探索性分析：开展描述性统计、分布与相关性分析、组间比较，并输出数据质量报告；

■建模任务：覆盖分类、回归、聚类及时序预测等典型机器学习与深度学习任务；

■模型规范：执行标准化数据划分、交叉验证、超参数搜索与多维度评价，重点识别并规避数据泄露、过拟合及类别不平衡问题；

■协同调试：基于 Python 与 MATLAB 协同开发，实现报错自动解释与程序修复；

■科研可视化：绘制折线图、柱状图、箱线图、热力图、森林图、相关矩阵及多面板组合图。

🔬 实战案例　从原始数据出发，完成采集—清洗—建模—绘图，产出一张可直接放进论文的组合图（课堂实操）。

第十七章　Agent 辅助生成课题设计撰写流程

■确定领域：帮助研究者从宏观学科领域逐步聚焦到具体、可操作的研究子方向；

■梳理现状：梳理所选子方向的核心研究现状，同时强制 AI 在梳理过程中主动标识出一份“初步研究空白清单”，为下一步深度挖掘提供直接锚点；

■发现空白：深入分析每个空白点的研究价值、可行性和创新性，筛选出真正值得投入的课题切入点；

■确定问题：将切入点转化为清晰、具体、可回答的研究问题，同时生成多个备选问题供研究者选择；

■目标与假设：将研究问题拆解为总目标与具体分目标，提出可验证的假设，构建完整的逻辑推导链条；

■方案与评估：详细设计研究方法、数据来源、样本量估计、技术路线图和实验计划，并从创新性、数据可行性、技术可行性、时间资源和伦理合规性五个维度评估方案；

■形成设计书：将所有内容按开题报告的标准结构整合，生成一份完整、可直接提交或进一步修改的课题设计书。

🔬 实战案例　AI 辅助产出一份结构完整、可直接提交或进一步修改的课题设计书（课堂实操）。

模块六　WorkBuddy 与 Deepseek Harness（第18-20章）

第十八章　WorkBuddy 安装与环境篇

■环境与权限：了解系统要求和账户权限，完成软件下载、安装及运行环境检查；

■安全来源：注册并登录科研专用账户，核验软件来源，不从非官方渠道下载；

■基础配置：配置必要的浏览器、插件和依赖组件，完成模型、语言和工作界面等基础设置；

■连接与熟悉：连接经授权的文件、文件夹或科研平台，熟悉任务输入、执行记录、文件管理和历史会话入口；

■测试与备份：进行简单测试任务确认软件正常运行，建立数据备份意识，不将敏感科研数据保存在默认位置。

🔬 实战案例　完成 WorkBuddy 本地安装与科研环境配置，并跑通第一个测试任务（课堂实操）。

第十九章　认识 WorkBuddy，安全开启科研协作

■认知差异：理解 WorkBuddy 与传统聊天工具的区别，掌握“自然语言提需求 → 智能规划 → 执行交付”的工作方式；

■任务表达：学会向 WorkBuddy 提出完整科研任务，掌握 Ask、Plan、Agent 等模式的适用场景；

■文件规范：按课题建立规范的科研文件目录，明确任务所需输入文件、输出形式和验收标准；

■最小授权：只授权当前任务真正需要的文件和数据，遵守科研数据、个人信息和保密管理规定；

■风控习惯：对高风险操作设置人工确认环节，形成“先规划、后执行、再审核”的使用习惯。

🔬 实战案例　用一套真实科研任务走通“提需求 → 规划 → 执行 → 审核”全流程（课堂实操）。

第二十章　Deepseek Harness 快速上手

■产品定位：通用型个人智能体，具备持续自主学习能力，能够自主创建并迭代改进 Skills，实现任务自动化与个性化扩展；

■系统兼容：支持 Deepseek Harness Desktop 桌面端，覆盖 Windows 与 macOS 操作系统，确保主流开发环境下的稳定运行；

■部署流程：依次执行官方安装器，完成模型下载、环境依赖检查与基础配置；

■模型生态：原生支持 OpenAI、Anthropic、Gemini 等国际主流模型，同时兼容国内模型接口，满足多样化推理需求；

■配置体系：涵盖 CLI 命令行交互、会话断点恢复机制、多用户 Profiles、配置文件管理、.env 密钥存储以及高频常用命令速查；

■与 WorkBuddy 对比：两者均为开源项目，支持模型热切换、消息平台集成、Skills 扩展、持久化记忆、自动化工作流，定位于长期陪伴式智能助手；Deepseek Harness 突出终端 / TUI 沉浸体验、跨平台 Gateway 统一入口、Skills 自我改进机制、多后端沙箱隔离环境与配置一键迁移能力；

■进阶路径：在已掌握 WorkBuddy 的基础上聚焦差异化功能进行实操演练，适用于需要高自由度终端控制、跨平台服务编排、Skill 动态演化与多模型混合调度的高级用户与开发者。

🔬 实战案例　完成 Deepseek Harness 本地部署，并跑通第一个自动化任务（课堂实操）。

模块七　论文写作与复现（第21-23章）

第二十一章　AI 辅助论文写作通用方法论

■两大方法：提高 AI 生成结果准确性与深度的两种方法——结构化输出与模板化输出；

■提示词套路：提示词结构套路与模板生成套路；

■投喂式写作：指定引用内容的写作；

■模仿式写作：指定范文、给出观点、套用格式；

■数据驱动写作：连接论文数据库进行写作——搜索相关论文并参考其内容。

🔬 实战案例　用模板化 + 投喂式完成一段论文正文，并连接论文数据库进行改写练习（课堂实操）。

第二十二章　Claude Code、Codex 辅助论文复现，7 步搞定你的 SCI

■精准定位：1 小时锁定与你课题最“对口”的高分范文——用 AI 语义搜索在海量文献中秒级找到结构、方法、数据均可复用的“黄金模板”；

■数据获取：破解数据壁垒，合法获取可复现的研究数据——掌握从补充材料、公开数据库到 GitHub 仓库的“挖矿”技巧；

■论文拆解：像外科医生一样解剖范文，一键提取逻辑骨架、方法论流程图、可视化图表库以及专属写作模板；

■数据武装：基于上一步的分析需求，系统性地收集、清洗、整理你自己的研究数据；

■模型复现：使用 Codex / Claude Code 等工具，将范文中的核心算法或分析流程在你的数据上快速跑通；

■成果转化：套用“万能模板”将你的发现写成一篇标准论文，快速填充内容形成初稿，告别从零开始的恐惧；

■查漏补缺：用 AI 检查论文的逻辑一致性、参考文献格式，并进行初步润色。

🔬 实战案例　7 步完整跑通一篇范文的复现流程，产出自己的初稿（课堂实操）。

第二十三章　Claude Code、Codex 构建从 0 到 1，全流程托管式论文生产

■【破局】：别再大海捞针——用 AI 理解你的研究方向，推荐结构最匹配、数据最易得的参考论文；

■【基建】：数据是王道——掌握从论文附件、专业社区到学术云盘的数据溯源全流程，拿到能“跑得动”的公开数据集；

■【拆解】：庖丁解牛——把一篇顶会论文自动分解为写作框架、模型架构图、数据分析流水线、图表配色方案；

■【组装】：我的数据 + 它的骨架——把自己的数据填入范文“骨架”，用 Codex / Claude Code 自动化处理数据预处理和特征工程；

■【爆肝】：一键 Run Code——用自然语言指挥 AI 编写、调试、运行代码，快速得到初步结果；

■【出片】：格式不重要，内容才关键——不再纠结 LaTeX 或 Word 排版，把图表、结果和讨论无缝嵌入写作模板，瞬间拥有论文雏形；

■【升华】：从“像”到“是”——用 AI 检查创新点是否突出、论证链条是否完整，让论文不仅有“形”，更有“神”。

🔬 实战案例　完整走一遍“选题 → 实验 → 成稿”的托管式论文生产链路（课堂实操）。

模块八　综述 · 发表 · 专利 · 总结（第24-26章）

第二十四章　Codex 辅助文献综述论文撰写

■从不足到问题：不是简单罗列前人没做什么，而是识别“矛盾点”“空白点”和“延伸点”，提炼有价值且可操作的研究问题，产出一份清晰的研究缺口陈述；

■初始化项目：建立文献综述项目管理表，设计一套“搜得全、筛得准”的检索策略——关键词组合、数据库选择和布尔逻辑，产出检索策略表与项目文件夹结构；

■分组与初筛：按策略分批执行搜索，通过标题和摘要快速初筛并剔除明显不相关文献，产出初步纳入文献列表（含排除原因备注）；

■全文提取：对筛选后的文献精读，提取研究目的、方法、结论、局限性，产出结构化文献信息提取表；

■逐段写作：先绘制文献关系图或概念框架，理清不同研究之间的脉络与争议，再按逻辑线索逐段展开，产出文献关系图谱与综述初稿；

■统稿定稿：检查全文逻辑流畅性、段落过渡自然度、引用的准确性和格式的一致性，产出格式规范的文献综述终稿。

🔬 实战案例　产出一份格式规范、可直接投稿的文献综述终稿（课堂实操）。

第二十五章　Claude Code 从数据检索到论文发表 & 专利转化工作流

■课程目标：基于 Nature-skills，从数据检索到论文发表 & 专利转化，一站式掌握可复现、可发表的科研方法；

■锁定热点：精准锁定热点——掌握数据检索与证据表构建；

■挖掘空白：从数据、方法、临床三维定位发表级 Gap；

■假说设计：数学化假说设计——构建含交互项的 ΔAUC 可验证预测假设；

■实验工程：极简实验工程——一键生成 Python 全自动化训练与评估代码；

■论文速成：基于实验结果自动生成 Nature 结构化初稿，并模拟 3 位审稿人进行对抗式审稿演练，找出致命统计缺陷；

■决策与解释：DCA 决策分析填补临床落地空白、超越单纯的 AUC 指标；SHAP 可解释性用 TreeExplainer 揭示交互机制；

■专利转化：将预测模型转化为中国发明专利权利要求书；

■成果汇报：Journal Club 神器——自动生成高颜值中文汇报 PPTX 文件。

🔬 实战案例　走完“检索 → 实验 → 投稿 → 专利”的一站式链路，并产出一份汇报 PPTX（课堂实操）。

第二十六章　课程总结、成果展示与持续成长

■体系回顾：回顾三天课程的知识体系与核心要点；

■技能自评：对二十五个模块的关键技能进行总结与自评；

■持续成长：AI 技术持续学习的资源与信息跟进策略；

■后续支持：学员社群建立与后续答疑支持说明。

🔬 实战案例　展示自己的结业项目，并制定回去后的落地计划（课堂实操）。

报名与咨询

📱 报名 / 合作咨询

齐云龙个人微信二维码.png

扫码添加好友，备注 AI智能体研修班

扫码添加好友，备注“AI智能体研修班”，即可咨询报名。

11月20日开班——从“装不上”到“跑得通”，往往只差一次系统上手。三天时间、二十六章、八大模块，把文献、数据、论文这条科研主线全部交给智能体。名额有限，报满即止，建议尽早锁定席位。