前言：

     内容特别强调“养龙虾式科研助手养成”思路，即把AI从一次性对话工具，逐步培养成懂你的课题、目录、规则、写作风格和科研流程的长期助手，最终形成一套可以持续进化的个人科研工作台。

优势：

1.以真实科研任务为牵引，不停留在空泛概念介绍
2.强调OpenClaw、Agent工具和多模型系统在科研场景中的可落地性
3.将模型配置、编程、写作、数据处理与知识管理打通为统一工作流
4.同时覆盖本地部署与云端协同两类科研使用路径
5.每个模块尽量形成明确案例、模板或流程产出，便于课后复用

交付成果：

1.一个已完成基础配置的OpenClaw科研环境
2.一份《科研任务-模型-Token选型卡》
3.一份《本地大模型部署与接入说明卡》
4.一份《科研Agent编程工具对比表》
5.两个科研Skill初稿
6.一份《科研MCP接入蓝图》
7.一份《科研云端数据管理与下载流程模板》
8.一套个人多模型论文写作自动化流程图
9.一份《个人OpenClaw科研助手搭建方案》
10.一份《NotebookLM、Claude Code、Obsidian的知识工作流》 
11.一份《科研文献调研与综述写作Skill包》（含批量精读、主题归类、对比矩阵、综述初稿生成）
12.一份《科研选题、研究假设与实验设计提示词卡》（多模型互评、变量梳理、可行性分析）

目标：

1.独立完成 OpenClaw、Hermes的安装、配置、模型接入与基础使用。相对于Openclaw，Hermes具有自我成长的功能。
2.理解 Token、上下文窗口、调用成本与模型能力边界
3.学会比较并选择不同大模型，尤其是 DeepSeek 、Qwen、Chatgpt、Opus、Gemma4、Kimi、GLM、Minimax
4.掌握开源大模型本地部署的基本路径，如Ollama的适用场景，Ollama本地部署Gemma4和Qwen3.5后运行Claude，保存本地数据隐私性。Openclaw、Codex、Claude Code运行本地大模型
5.学会建立科研数据的云端存储、快速下载与版本化管理流程
6.掌握Vibe Coding在科研编程中的正确工作方法
7.学会用Agent完成科研数据可视化与结果解释
8.学会使用Cursor、VS Code、Codex、Claude Code 完成科研代码任务
9.学会编写科研SKILL，理解MCP的扩展价值
10.设计一套属于自己的多模型论文写作自动化工作流
11.掌握一套从NotebookLM、Claude Code、Obsidian知识管理自动化工作流（无论是老师还是学生都可以复现MIT研究生48小时掌握一门课）
12.通过Hermes Agent生成Karpathy的LLM-Wiki的Obsidian知识库
13.掌握「文献调研→精读笔记→主题归类→综述初稿」的科研知识闭环，让Agent批量处理几十上百篇论文，沉淀可复用的文献资产
14.掌握科研选题、研究假设生成、实验设计的多模型协同方法，缩短从「想法」到「可执行方案」的周期
15.学会用Agent完成科研项目管理：实验记录、组会汇报、阶段性进展报告、课题日志的自动生成与归档
16.掌握开题报告、结题报告、专利交底书等科研文书的AI辅助写作方法，从立项依据到技术路线一站式生成
17.学会用Agent模拟同行评审：在投稿前对自己的论文进行预审，提前发现方法漏洞、数据可疑点和表述问题

重点专题说明：

1.如何讲清楚Token选择：
1)Token是模型处理文本的基本计量单位，不等于简单字数
2)选模型不仅看“聪不聪明”，还要看上下文、速度、成本和稳定性
3)真正高效的科研工作流通常是多模型分工，而不是只用一个最贵模型
4)要教会学员把高质量模型用在关键步骤，把高性价比模型用在重复步骤
2.中国两个大模型与美国三个大模型对比：
1)DeepSeek适合推理链、代码、数学与结构化任务
2)Qwen适合中文理解、通用办公、生态兼容和平台接入
3)Gemini的Nano Banana适合绘图
4)Opus搭配Claude Code适合写代码和论文
5)Chatgpt5.4搭配Codex适合执行任务
6)教学中应强调“任务分工”而不是简单比较谁更强
3.如何“养龙虾进行科研”：
1)长期培养一个懂你课题和工作习惯的科研助手
2)用规则、Skill、MCP、知识材料和模板持续迭代Agent
3)把每次科研实践沉淀成可复用的流程资产
4.本地部署与云端协同：
1)敏感数据、私有材料和高频重复任务优先考虑本地模型
2)高质量推理、长文写作和复杂审阅可调用云端强模型
3)最实用的方案往往不是全本地或全云端，而是“本地保密+云端增强”的混合策略
5.如何让AI真正参与科研全流程（科研落地路径）：
1)文献调研阶段：用Agent对几十上百篇论文做批量精读、对比矩阵生成与主题归类，输出可直接用于综述写作的素材库
2)研究设计阶段：用多模型互相质疑迭代研究假设、实验方案与变量设置，提前暴露逻辑漏洞和可行性问题
3)数据分析阶段：用Vibe Coding完成统计建模、可视化、稳健性检验，确保结果可复现而不是“能跑就行”
4)论文写作阶段：用Skill固化各章节(Introduction/Methods/Results/Discussion)写作风格，多模型分工生成与互审
5)投稿审稿阶段：用OpenClaw沉淀课题组的投稿历史档案，Claude Code根据目标期刊检索过往同类论文的投稿轨迹（哪轮被拒/接受、关键修改点），辅助选刊与改稿决策
6)课题管理阶段：让Agent自动维护实验日志、组会汇报、阶段性进展报告，沉淀为课题组的长期知识资产

内容简要：

模块一：大模型本地部署与私有科研环境搭建

1.为什么科研人员需要本地部署模型
2.Ollama的特点与选型
3.本地部署的硬件、显存、量化与速度认知
4.本地模型与云端模型如何协作
5.隐私数据、本地文献和课题资料的安全使用边界
案例与产出：
案例：部署一个本地中文/代码模型并接入OpenClaw
产出：《本地大模型部署与接入说明卡》

模块二：大模型选型、Token理解与国产模型应用

1.什么是Token、上下文窗口、输入输出成本
2.如何按任务长度、预算和精度选择模型
3.科研场景中的模型分工：检索、总结、写作、编程、评审
4.DeepSeek与Qwen的对比：中文、推理、代码、接入与生态
5.国际模型与国产模型如何协同使用
6.分学科的模型偏好建议（理工/生命科学/医学/人文社科）：哪些模型擅长公式与代码、哪些擅长长文综述、哪些擅长中英文学术润色
7.SCI论文场景下的模型分工：英文表达打磨、专业术语校对、长文连贯性检查、中英文转换的模型选择
案例与产出：
案例：同一科研任务交给不同模型处理并比较效果
产出：《科研任务-模型-Token选型卡》

模块三：OpenClaw配置部署与科研实践应用    

1.OpenClaw的定位与适合场景
2.本地安装、目录结构、模型接入、工作目录管理
3.API Key、模型路由、项目上下文管理
4.如何把OpenClaw用成长期科研助手而不是一次性聊天工具
5.“养龙虾”理念在科研中的落地方式
6.如何把课题组的论文库、数据集、写作规范、组会纪要注入OpenClaw上下文，让助手真正“懂你的课题”
7.多课题并行管理：用OpenClaw的项目级目录隔离不同研究方向，避免上下文污染、引用错乱
案例与产出：
案例：完成OpenClaw和Hermes初始化与一个科研项目目录配置
产出：一份个人OpenClaw科研环境检查清单

模块四：Vibe Coding在科研编程中的实践

1.什么是Vibe Coding
2.科研人员如何用自然语言驱动代码生成、调试和重构
3.如何清楚描述输入、输出、约束和验证标准
4.如何避免“代码能跑但结果不可靠”
5.科研编程中的验真与复现意识
6.学术绘图复现：从论文图反推matplotlib/seaborn/ggplot2绘图代码，并适配自己的实验数据
案例与产出：
案例：生成一个科研数据清洗与绘图脚本并调试到可复现
产出：Vibe Coding科研提示词模板+代码验真清单

模块五：VS Code、Codex、Claude Code等Agent科研应用

1.VS Code的科研工作流兼容性
2.Codex的终端协作与文件级执行能力
3.Claude Code的长上下文与重构能力
4.如何按科研任务类型选择合适的Agent编程工具
5.Agent工具在科研代码评审、论文实验复现、Bug定位中的取舍：哪一类用Codex，哪一类用Claude Code
6.如何用Agent工具完成开源科研项目的fork、改造与本地化部署，把别人的代码真正用到自己的课题里
案例与产出：
案例：同同一代码任务分别用不同Agent工具演示
产出：《科研Agent编程工具对比表》

模块六：SKILL封装，让常用科研动作可复用

1.什么是SKILL，为什么它是科研提效关键
2.如何把提示词、规则、模板和流程封装成Skill
3.适合科研封装的Skill：文献速读、审稿回复、图注生成、代码审查
4.Skill的维护与团队共享方式
5.高频科研Skill建议库：实验记录Skill、组会汇报Skill、文献精读摘要Skill、研究假设生成Skill、统计方法选择Skill、文献对比矩阵Skill
6.课题组Skill版本管理与共享：让全组共用同一套科研Skill，新成员入组就能直接接手研究流程
案例与产出：
案例：编写“论文精读摘要”Skill和“科研绘图诊断”Skill
产出：2个科研Skill初稿

模块七：MCP扩展，让OpenClaw接入外部工具

1.什么是MCP，为什么它对Agent很关键
2.MCP与普通聊天工具的区别
3.科研常见MCP场景：文件、论文库、Zotero、Git、表格、知识库
4.Skill与MCP的协作关系
5.MCP接入Zotero/EndNote打通文献库，实现「问一句话→自动检索相关文献→批量精读→生成对比表」
6.MCP接入arXiv/PubMed/Google Scholar，每日自动拉取相关领域最新论文并生成简报，避免错过领域动态
7.MCP接入实验数据库与Git仓库，让Agent直接操作课题数据、提交代码版本、追溯实验记录
案例与产出：
案例：设计一个科研知识管理或文档处理型MCP工作流
产出：《科研MCP接入蓝图》

模块八：数据云端存储、快速下载与科研可视化

1.常见科研数据云端组织方式：网盘、对象存储、服务器目录、Git LFS
2.如何建立“云端存储+本地缓存+版本留痕”机制
3.批量下载公开科研数据与课题组共享数据的高效方法
4.用Python与Agent快速完成数据整理、可视化与图表解释
5.从原始数据到论文图的最短路径设计
6.主流公开科研数据库的批量下载与缓存策略：GEO/SRA/TCGA/UK Biobank/ImageNet/Kaggle/HuggingFace
7.实验数据从原始记录到论文图的可追溯流程：让审稿人也能用同一份代码与数据复现你的图
案例与产出：
案例：完成一次云端数据快速下载、清洗和自动绘图流程
产出：《科研云端数据管理与下载流程模板》+一套可视化脚本样例

模块九：多模型论文写作自动化工作流

1.如何把论文写作拆成选题、提纲、证据整理、段落生成、润色、审稿回复等环节
2.不同模型在写作中的分工：构思、长文重写、中文润色、英文表达、批判审阅
3.文献摘要、Related Work、方法说明、图注和 Cover Letter的自动化生成思路
4.如何降低幻觉、保证引用与事实一致性
5.多模型串联下的论文写作自动化框架
6.课题组写作风格知识库：把历史发表论文、成功投稿稿件、过往审稿意见沉淀到本地知识库，Claude Code可直接读取调用，让新论文从第一段起就有课题组味道
7.多课题并行的论文写作流水线管理Claude Code的Memory/Subagents分层，让导师/学生/合作者推进多篇论文而互不污染上下文
案例与产出：
案例：围绕一篇真实论文，搭建“读文献-出提纲-生成初稿-批改润色-生成回复”的写作流水线
产出：《多模型论文写作自动化流程图》+一套论文写作提示词模板

模块十：NotebookLM,Claude Code，Obsidian自动化工作流

1.NotebookLM如何快速整理文档内容
2.Claude Code如何连接NotebookLM
3.Claude Code如何将NotebookLM的内容存储到本地Obsidian仓库
4.把课题组所有未发表论文、组会PPT、实验记录建成NotebookLM研究笔记本，用问答方式秒级检索课题历史
5.用Claude Code+Obsidian构建可演化的「个人学术知识图谱」：每读一篇论文都自动加入双链笔记网络
案例：掌握一套从NotebookLM、Claude Code、Obsidian的知识工作流

模块十一：综合演练与个人科研助手落地方案

1. 如何把两天内容整合为个人科研系统
2. 维护规则、Skill、知识材料和模板
3.生成一个自动更新的知识库
4.把两天的Skill、MCP、模型选型整合为面向具体课题的「私人科研操作系统」，实现选题→文献→实验→写作→投稿全流程闭环
5.课题组共享版本：把个人科研助手扩展为3-5人小组共用的科研中台，统一文献库、写作风格、实验记录格式
6.学员结业作业：基于自己的真实课题，提交一套「个人科研助手+论文写作流水线+课题知识库」的完整方案
案例与产出：
案例：Hermes Agent生成Karpathy的LLM-wiki的Obsidian知识库
产出：《个人科研助手知识库》

推荐阅读：

1、科研提效革命！LLM + OpenClaw/Hermes 自动化编程，从数据分析到顶刊论文全程加速

2、最新Hermes Agent 技能封装与科研自动化实战：以 Meta-Analysis 为例-实现从文献检索到绘图的一站式工作流

3、OpenClaw+N8N+LLM+Seedance2，全链路 AI 赋能，论文写作 / 视频一键搞定，打造你的“个人AI助手”

4、基于claude code、codex双AI协同论文写作撰写与质量校准：从"数据分析→论文初稿→交叉审稿"全流程