AI科研新范式不是让模型替你写论文，而是把论文变成一条可追踪、可审稿、可迭代的科研生产线------数据→写作依据文件→AI初稿→独立AI压测→逐轮提分→投稿包，全程文件可复查、责任在人。
模块一、阶段⓪范式入门科研新范式：传统写法vs****
AI时代科研写法
【为什么把范式入门放在第一节】 不先讲清楚"传统论文写作"与"AI 时代科研写作"的根本差异，后面10个模块容易被误读成"10个AI工具使用技巧"------而它们本质上是同一条科研生产线的不同环节。
1、传统论文写作逻辑回顾------文字驱动/线性/留不下数据
起点：脑子里想→Word打开→一字一句堆出来
工具：Word + EndNote +自己脑子；AI最多润色英文
工作流：思考→大纲→写正文→自己看→同事帮看→投稿
痛点：上下文易丢、claim容易越界、引用容易编、Discussion容易泛泛、被审稿人退回时回滚困难
2、AI时代科研写作新范式------数据驱动/流水线/全程可审计
起点：先建写作依据文件（analysis_results.json + figures + claims.yaml）
工具：Claude Code写+ Codex CLI独立审稿；两个AI跨进程协作
工作流：数据先行→AI读数据生成初稿→独立AI压测→逐轮迭代→投稿封装
全过程留下：draft/review_round_N/revision_round_N/ score_history/claim_calibration/citations_todo/prompt日志
3、三个本质区别（对照表精讲）
驱动方式：文字驱动→数据驱动（先有数字、再有句子）
质控方式：自查+同事抽空帮看→内部AI压力测试，按高水平综合期刊常见叙事标准做投稿前自查
可追溯：大脑+Word→文件系统全程可审计
4、角色升级------你不是"被AI替代"，而是"升级为科研工作流的设计者与
最终责任人"
你定义：研究问题/数据边界/方法学选型/目标期刊/claim强度
AI干：生成、挑错、对照、打分、打包
5、本节带来的认知锚点------后续每个模块都会回扣这个范式：M2是为这条流水线搭环境，M3是建写作依据文件，M5是把数据写成文字，M7-M9是独立测试，M10是按清单封装。
验收标准：学员能用自己的话回答两个问题------"为什么不能直接让 ChatGPT一次性帮我写完整篇论文？"以及"我这条论文生产线的每一步留下了什么文件？"。
模块二、阶段①数据生产Claude Code科研环境搭建****
【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
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。
模块三、阶段①数据生产数据获取与自动化分析****
【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。
模块四、阶段①数据生产科研绘图：图表作为数据结构****
【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。
模块五、阶段②初稿生成****
论文初稿自动生成
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）。
模块六、阶段②初稿生成AI合规：贯穿式质控钩子****
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。
模块七、阶段③压力测试Codex首次独立审稿****
【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。
模块八、阶段③压力测试双AI迭代改进
【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：
²科研措辞分寸：从"proves"到"is consistent with"（observation ≠ causation）
²引文补充：用Claude Code的WebSearch查找缺失引用
²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）。
模块九、阶段③压力测试Claim校准------两个AI交叉质询****
【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。
模块十、阶段④投稿封装审图****+投稿材料初版生成（人工核验后定稿）****
【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。
模块十一、阶段④投稿封装工作流迁移：把双AI流水线落到你自己的研究领域
【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）；
点赞+关注