科研四件事交给 Codex:一个任务一个文件夹,先规则后干活
你在科研里开始用 Codex 了吗?如果没有,那就从今天开始。相信它可以让你的科研效率翻很多倍。
这篇内容从研究生最常见的几个任务讲起:论文搜索、综述写作、数据分析、答辩 PPT,看看 Codex 是如何辅助科研的。
第一步:不要只把 Codex 当聊天机器人
更建议把 Codex 当成「任务型 Agent」来用:一个具体任务建一个小文件夹,让每个任务都有自己的上下文、输入和产出。
比如你现在要做文献搜索,就建一个文件夹:
mkdir -p literature-search/{queries,papers}
如果你现在要做数据分析,就建另一个文件夹:
data-analysis/
├── AGENTS.md
├── data/
├── scripts/
└── outputs/
这里最重要的是 AGENTS.md。它可以理解成你写给 Codex 的任务规则。
一个文献搜索任务里的 AGENTS.md 可以这样写:
# 任务:文献检索
## 角色
你是文献检索助手,不负责凭空推荐文献。
## 工作流程
1. 先把研究主题拆成概念矩阵(研究对象、变量、结局、方法等维度)。
2. 基于概念矩阵生成可执行的检索式(布尔逻辑 + 字段限制)。
3. 调用检索工具真实执行,记录数据库、检索日期、命中数。
4. 输出 papers.csv,至少包含标题、作者、年份、期刊、DOI/PMID、链接、摘要。
## 约束
- 不得编造文献或 DOI。
- 每条记录必须能回溯到数据库。
- 检索结果先给我确认,再进入下一轮筛选。
一个数据分析任务里的 AGENTS.md 可以这样写:
# 任务:问卷数据分析
## 工作流程
1. 读取 data/ 下的原始数据,先做数据体检(行列数、变量类型、缺失率、异常值)。
2. 输出 analysis_plan.md,说明每个研究问题对应什么统计方法。
3. 经我确认后,在 scripts/ 下写 Python/R 脚本并运行。
4. 所有图表和表格保存到 outputs/,脚本必须可复现。
## 约束
- 不得手写或虚构统计结果。
- 不得在未确认数据分布的情况下直接套用检验方法。
- 统计方法的选择要给出理由。
这样做以后,你给 Codex 的第一条指令就不是「帮我做科研」,而是:
请先阅读本文件夹下的 AGENTS.md,按其中的流程执行任务。现在开始第一步:……
这一步很关键。它会让 Codex 先进入任务上下文,而不是直接开始自由发挥。
第二步:Skill 不是提示词,而是成熟 SOP
Codex 里很重要的一个东西叫 Skill。
我对 Skill 的理解很简单:它不是一句提示词,而是一套成熟 SOP(标准作业流程)。
提示词解决的是「这一次我怎么问 AI」。Skill 解决的是「以后每一次遇到类似任务,Agent 都应该按什么流程做」。一个好的 Skill 里通常会写清楚:什么时候使用、需要什么输入、应该按什么步骤执行、能调用哪些脚本、最后输出什么结果、哪些事情不能做。
这也是为什么同一个 Codex,如果配置了不同 Skill,能力会差很多。没有 Skill 的时候,它更多依赖模型自己的通用能力;配置了合适 Skill 以后,它会沿着一个更稳定的流程干活。
但是这里一定要提醒大家:不要因为一个 Skill 很火,就直接拿来写自己的论文。
比如现在 K-Dense 的 Scientific Agent Skills 很受关注。它的 GitHub README 显示,这个仓库包含 148 个科学和研究 Skill,覆盖癌症基因组学、药物靶点结合、分子动力学、RNA velocity、地理空间科学、时间序列预测、科学数据库等很多方向。它当然很强,但从领域上看,里面大量内容更偏生物、化学、医学、组学、药物发现和科学计算。
这就意味着,如果你是教育学、新闻传播、管理学、社会学,或者做计算机论文写作,你不能只看「这个 Skill 很火」。你要看它的工作流是不是适合你的研究任务。
我建议大家安装任何 Skill 以后,先不要急着让它干活,先让 Codex 读一遍这个 Skill 的流程。可以直接复制这段:
请阅读你刚安装的 <skill-name> Skill 的完整说明,用中文总结:
1. 它适用于什么任务;
2. 需要哪些输入;
3. 执行步骤是什么;
4. 会调用哪些脚本或工具;
5. 输出什么结果;
6. 有哪些限制和不能做的事。
先不要执行任务。
如果 Codex 总结完以后,你发现这个 Skill 的默认流程和你的学科不匹配,不要硬用。你可以让 Codex 基于这个 Skill 修改一版更适合自己的流程,也可以把自己实验室经常使用的流程沉淀成自己的 Skill。
举个例子,老师们经常有一套固定的论文终稿检查流程:查数值、查图表编号、查参考文献、查统计符号、查格式、查基金号。这种流程就非常适合写成 Skill。以后每次终稿前,不用重新写一堆提示词,直接让 Codex 调用这个 Skill 就可以。
第三步:论文搜索:先生成检索路径,再让 Codex 真实检索
论文搜索这一步,最容易犯的错误是直接问 AI:
帮我找这个方向的最新论文。
这个问法很危险。因为它可能会凭模型记忆给你列一批看起来很像真的文献,但你不知道它到底有没有真实检索,也不知道有没有 DOI、PMID、数据库链接。
更好的做法是:先让 Codex 拆主题,再生成检索式,再用 Skill 或脚本真实检索,最后整理文献表。
比如我们的主题是:
短视频使用对青少年注意力的影响
第一步,可以先让 Codex 生成概念矩阵:
研究主题:短视频使用对青少年注意力的影响
请生成概念矩阵,把主题拆成 4-5 个维度(研究对象、暴露/干预、结局指标、研究方法、时间范围),
每个维度列出中英文同义词和上位/下位词,用表格输出。
它可能会拆出这样的检索入口:
研究对象:青少年 / adolescents / teenagers / 中学生
暴露因素:短视频 / short video / TikTok / Douyin / social media use
结局指标:注意力 / attention span / sustained attention / cognitive control
研究方法:实验 / 问卷 / 纵向追踪
第二步,再让 Codex 生成检索式:
基于上面的概念矩阵,为 Google Scholar 生成 6-8 条检索式:
- 使用布尔逻辑 AND/OR,必要时加引号做精确匹配;
- 标注每条检索式想覆盖哪类文献;
- 给出筛选标准(年份、文献类型、语言)。
如果你是社科、教育学、管理学方向,可以用 Google Scholar 类 Skill 或其他真实检索工具去执行这批检索式。比如 ClawHub 上有 Google Scholar Search Skill,可以按关键词、作者、年份等条件检索,并导出元数据。使用时可以这样给 Codex 下指令:
使用 Google Scholar Search Skill,执行 queries/ 下的检索式,
按年份 >= 2020、文献类型为期刊论文/会议论文筛选,
导出题录到 papers/google_scholar.csv,字段包含标题、作者、年份、期刊、DOI、链接、摘要。
如果你是医学、生物医学或公共卫生方向,可以用我之前开源的 pubmed-paper-finder。它不是让 AI 编文献,而是让 Agent 把一个医学主题拆成多个 PubMed 检索模块,调用 NCBI E-utilities 获取 PMID、标题、期刊、年份、DOI、摘要、PubMed 链接,再按相关性、证据类型和新近程度生成候选阅读清单。
安装可以让 Codex 直接帮你做:
帮我安装 pubmed-paper-finder 这个 Skill,地址是:<仓库地址>
安装完成后先读一遍它的流程,再等我指令。
如果你已经有一批论文列表,还可以接上另一个 Skill:paper-quality-filter。这个 Skill 的作用不是判断一篇论文「学术价值高不高」,而是根据来源层面的证据给出阅读优先级,比如 JCR 分区、影响因子、中科院分区、CCF 会议等级、EI 收录、北大核心、CSSCI、AMI 核心、科技核心等。
使用 paper-quality-filter Skill,对 papers.csv 里的每条记录标注来源等级,
按阅读优先级分成 A/B/C 三档,并说明分档理由。
安装方式很简单,你直接告诉 Codex:帮我安装某某 Skill,地址是 ***。
这一节最重要的原则是:论文搜索不是让 AI 凭空推荐论文,而是让 Codex 帮你设计检索路径、执行真实检索、整理可核查结果。
第四步:综述写作:AI 很适合做阅读理解,但必须基于真实论文
我一直觉得,文献综述是最适合 AI 辅助的论文环节之一。
原因很简单:综述写作本来就需要大量阅读、归纳、比较、分类。AI 很擅长做阅读理解,也很擅长把一堆材料整理成主题矩阵。
但这里有一个前提:必须基于真实论文。
建议给 Codex 接入论文搜索的 API。如果不想额外安装 API,论文搜索更建议用已经接了论文库的 YILA。
不要直接问:
帮我写一篇关于 XX 的综述。
更好的做法是先准备一个综述写作文件夹:
review-writing/
├── AGENTS.md
├── papers/ # 真实论文 PDF 或题录
├── matrix.md
├── outline.md
└── draft.md
AGENTS.md 可以这样写:
# 任务:文献综述写作
## 前置条件
- 只使用 papers/ 目录中真实存在的论文。
- 引用必须能对应到具体文献,不得虚构。
## 工作流程
1. 阅读 papers/ 中的文献,输出文献矩阵。
2. 基于矩阵归纳 3-5 个主题,写出综述大纲。
3. 我确认大纲后,再逐节写正文。
4. 每段结论后标注支撑文献。
## 约束
- 不得在未读原文的情况下总结。
- 不得把多篇文献的观点混为同一篇。
然后可以让 Codex 先做文献矩阵:
请阅读 papers/ 下的所有论文,生成文献矩阵表格,列包括:
作者/年份、研究问题、理论基础、研究方法、样本/数据、核心结论、局限性、与本研究的关系。
每行一篇,不要合并。
这一步做完,再让 Codex 写综述大纲:
基于 matrix.md,归纳出 3-5 个主题聚类,
给出综述大纲:每个主题的核心争议、代表性文献、演进脉络,
并指出当前研究缺口。
最后再写正文:
按 outline.md 第 X 节写正文,800-1200 字。
要求:每个论点后标注支撑文献(作者,年份);有争议的地方并列不同结论;
不要引入 papers/ 之外的文献。
如果你想借助现成论文写作 Skill,可以参考 Research-Paper-Writing-Skills。这个仓库主要面向 ML/CV/NLP 论文写作,包含 Abstract、Introduction、Method、Experiments、Conclusion 等部分的写作和自查流程,也适合用来做 claim-evidence alignment(主张与证据对齐)和投稿前自审。
这里我想强调一句:综述写作最怕的不是 AI 不会总结,而是它总结了不存在的文献。
所以一定要让 Codex 先读真实论文、先做矩阵、先写大纲,最后再写正文。顺序不能反。
第五步:数据分析:让 Codex 写代码跑结果,不要让大模型直接画图
数据分析是 Codex 特别适合参与的一个环节。
很多学生不是不想分析数据,而是卡在技术门槛上:R 不熟,Python 不熟,SPSS 点来点去又怕点错。尤其是问卷数据、实验数据、访谈编码表,真正麻烦的不是「讲道理」,而是清洗变量、检查缺失值、跑统计、导出表格、画图、写报告。
Codex 的优势是,它可以写代码、运行代码、看到报错、修改代码,再把结果保存下来。
但这里一定要有一个底线:数据分析结果必须通过代码和真实数据生成,不能让大模型凭空生成统计图。
比如我们有一份模拟问卷数据:
data-analysis/
├── AGENTS.md
├── data/
│ └── survey_raw.csv
├── scripts/
├── outputs/
│ ├── tables/
│ └── figures/
└── analysis_plan.md
文件夹可以这样建:
mkdir -p data-analysis/{data,scripts,outputs/tables,outputs/figures}
第一条指令不要直接让它「分析结果」,而是先做数据体检:
请先做数据体检,不要开始分析:
1. 读取 data/survey_raw.csv,报告行列数、每个变量的类型;
2. 统计缺失率、唯一值数、异常值(如超出合理范围);
3. 标出需要反向计分的题项、需要合并或重编码的变量;
4. 输出 data_health.md。
第二步,再让它生成分析计划:
基于 data_health.md 和研究问题(<列出你的研究问题>),
写 analysis_plan.md:每个研究问题对应什么统计方法、需要什么变量、预期输出什么表/图,
并说明选择该方法的理由和前提假设。
第三步,才让 Codex 写代码并运行:
确认 analysis_plan.md 后,在 scripts/analysis.py 中写代码并运行:
- 完成数据清洗和描述统计;
- 按计划做推断统计;
- 输出 tables/*.xlsx 和 figures/*.png;
- 把运行日志和报错贴给我。
这样生成的图,才是可以追溯的。你可以打开 scripts/analysis.py 看它到底怎么算的,也可以检查 correlation_matrix.xlsx 和图是否一致。
如果你想用现成数据分析 Skill,可以参考 ClawHub 上的 Data Analyzer。它支持 Excel、CSV、Word、PDF、TXT、Markdown 等文件,可以做文件夹扫描、数据汇总、统计、趋势分析和报告输出。
安装方式:
帮我安装 Data Analyzer Skill,地址是:<Skill 地址>
安装后先读一遍流程,再等我的分析任务。
安装后,我仍然建议先让 Codex 读 Skill 流程:
请阅读 Data Analyzer Skill 的说明,告诉我它默认会做哪些步骤、输出什么、有哪些限制。
等基础图表生成以后,还可以用图表打磨类 Skill 做第二轮优化。比如你有 Nature Figure 类 Skill,就可以让它基于真实代码和真实数据优化图,而不是重新「想象」一张图。
例如:
使用 Nature Figure 类 Skill,基于 scripts/analysis.py 已生成的数据和 figures/ 中的原始图,
优化配色、字号、图例和分辨率,输出期刊投稿规格的图。
不要改变数据本身,也不要重新生成数据。
这里的逻辑一定要讲清楚:Codex 可以帮你写代码,可以帮你跑分析,可以帮你美化图表,但数据解释和统计方法选择仍然要由研究者判断。
第六步:答辩 PPT:论文写好了,不要再手搓每一页
最后一个场景,是答辩 PPT。
很多同学论文写完以后,最崩溃的不是正文,而是把论文改成 PPT。论文是长文本,PPT 是现场表达。你不能把论文复制粘贴到 PPT 里,也不能每页塞一大段字。
论文到 PPT 的核心,不是「换个格式」,而是「重新组织答辩逻辑」。
我建议先建一个答辩 PPT 文件夹:
defense-ppt/
├── AGENTS.md
├── thesis.md # 论文全文或摘要 + 章节要点
├── logic.md
├── outline.md
└── slides/
AGENTS.md 可以这样写:
# 任务:答辩 PPT 制作
## 目标
把论文重新组织成 10-15 分钟的现场表达,不是论文搬家。
## 工作流程
1. 拆解论文:研究问题、方法、核心结果、贡献、局限。
2. 生成答辩逻辑链和 PPT 大纲(每页一句主张 + 支撑证据)。
3. 经我确认大纲后,再调用 PPT Skill 生成页面。
4. 为每页写演讲备注。
## 约束
- 每页只讲一个观点,正文不超过 5 行。
- 不得把论文段落整段复制到幻灯片。
- 数据页必须标注来源和样本量。
第一步,让 Codex 拆论文逻辑:
请阅读 thesis.md,输出:
1. 答辩逻辑链(问题 → 方法 → 结果 → 贡献 → 局限);
2. PPT 大纲,每页包含:页码、页面标题、一句话主张、支撑图表、演讲备注要点。
控制在 12-15 页。
第二步,让它生成 PPT 大纲,确认后再进入下一步。
第三步,再使用 PPT Skill。
比如 codex-ppt-skill 可以把文章、报告、论文、课程笔记、Markdown、PDF、Word 等材料转换成图片式 PPT。它的流程不是直接一口气生成完,而是先规划大纲和视觉风格,生成样张确认,再逐页生成幻灯片图片,最后组装成 .pptx。它还会生成 speech.md,并写入 PPT 每页备注。
安装方式:
帮我安装 codex-ppt-skill,地址是:<Skill 地址>
安装后先读一遍它的流程,再等我确认大纲。
使用时可以这样写:
使用 codex-ppt-skill,根据 outline.md 生成答辩 PPT:
- 先给我 2-3 张视觉样张确认风格;
- 确认后逐页生成幻灯片图片;
- 最后组装为 .pptx,并把 speech.md 写入每页备注。
这里也要提醒大家:codex-ppt-skill 主要生成的是整页图片式 PPT,优点是视觉统一、速度快,适合快速把论文变成可讲的答辩稿;缺点是页面元素本身不一定能像普通 PPT 那样逐个编辑。如果你后面还要精修,可以继续用可编辑 PPT 转换类工具,或者在 PowerPoint 里手动调整关键页。
最后
如果你觉得不会用 Codex,不用焦虑。教你一个简单的办法:你只需先下载 Codex,然后把这篇内容复制给它,让它引导你做每一个工作。
我经常思考现在有 AI 和没有 AI 下我每天工作效率的变化。如果说 ChatGPT 的出现让我的工作效率提高了 5 倍,Codex 让我的效率提升到了 20 倍。科研里存在非常多琐碎、重复的工作,让 Agent 帮我们完成吧!我们可以把更多的时间用在创造和享受生活。