模块一：Claude Code科研环境搭建

1、Claude Code安装验证与模型选型（Opus/Sonnet/Haiku的成本与能力权衡）

产出：可用的Claude Code环境

2、CLAUDE.md：用一个配置文件教AI理解你的项目背景和规范

产出：项目专属CLAUDE.md

3、Memory系统：跨对话保持研究上下文（方向、数据、发现）

产出：Memory配置

4、实操：为自己的科研课题创建Claude Code项目结构

模块二：数据获取与自动化分析

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（NetCDF/HDF5/CSV/Excel）

产出：清洗脚本

3、自然语言→分析脚本：描述研究假设，Claude Code自动设计分析方案

产出：200+行Python脚本

4、统计检验：Bootstrap CI、Cohen's d效应量、多重比较校正

模块三：科研绘图

1、投稿级图表标准（字体、DPI、配色、error bars）

产出：matplotlib模板

2、常见图表类型实操：scatter、heatmap、bar+CI、时间序列

产出：3-4张图

3、多panel组合图：gridspec布局与统一配色

模块四：论文初稿自动生成

1、论文结构设计：Title → Abstract → Intro → Results → Discussion → Methods

产出：论文大纲

2、Results：Claude Code读取JSON结果，生成带精确数字的段落

产出：Results初稿

3、Discussion：机制解释、文献对比、局限性

产出：Discussion初稿

4、Introduction：背景、知识空白、本文贡献

产出：完整初稿v1

模块五：AI伦理与期刊政策

1、主流期刊的AI使用政策（Nature/Science/Elsevier/ACS/AGU最新规定）

2、AI辅助写作的披露规范：哪些必须声明、怎么声明

3、数据隐私与保密：什么数据不能上传到云端API4、可复现性：Prompt日志、环境版本

模块六：Codex首次审稿

1、Codex CLI配置与使用方式（consult模式发送审稿请求）

产出：可用的Codex环境

2、把论文初稿发给Codex：要求打分、列弱点、找overclaim

产出：首次审稿报告（预计4-6/10）

3、解读审稿意见：overclaim、missing citations、statistical gaps

模块七：双AI迭代改进

1、Round1：修复措辞（confirms→supports, rules out→argues against）

Codex审查：重新打分

预期变化：+1-2分

2、Round2：补引用、加统计检验、完善limitations

Codex审查：再次审稿

预期变化：+1分

3、Round3：针对性修复剩余弱点

Codex审查：终审

预期变化：达到可投级核心重点：-科研措辞分寸：从"proves"到"is consistent with"- 引文补充：用Claude Code的WebSearch查找缺失引用- 每轮改进的对照记录

模块八：Claim校准——让两个AI交叉质询

1、Claude和Codex分别评估核心结论的可信度，对比分歧

产出：双方评分对比

2、根据交叉质询结果调整论文claim强度

模块九：审图+ 投稿文件生成

1、Codex审图：标签、单位、配色、可读性

产出：审图报告

2、修图：去夸张标题、加error bars、colorblind-safe配色

产出：终版图表

3、Claude Code生成DOCX（嵌入图表）

产出：论文DOCX

4、引用格式化（Nature-style/APA/国标，按目标期刊选择）

产出：引用列表

5、Cover Letter自动生成

模块十：学员实操+ 进阶路径

1、用自己的数据/课题跑一遍核心流程（分析→初稿→Codex审稿）

2、共性问题

3、进阶路径概览

原文：基于claude code、codex多AI协同论文写作实战营：跑通数据分析→论文初稿→AI交叉审稿全流程