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。【AI写论文的新范式论文总体结构】科研新范式vs旧范式旧范式一个人写→同一个人改→AI只用来润色英文→审稿意见自己消化→上下文断了就重来整个过程全手动执行。新范式数据→写作依据文件→ AI生成可追踪初稿→独立AI担任审稿人→逐轮提分→投稿材料包全程文件可复查、可审计、可复现——科研人员从写论文的体力劳动者升级为科研工作流的设计者与最终责任人。从润色段落→审查数据链旧范式让AI改英文结果是漂亮文字掩盖结果不足新范式先把数据、统计、图表、文献和核心claim整理成可追溯的写作依据文件再生成论文——从根上避免 Discussion泛泛而谈、引用缺口、数字不齐、claim 越界。双AI 分工≠一个写一个润色Claude Code把分析结果写成可追踪初稿Codex CLI在独立子进程里独立扮演审稿人——专查overclaim、统计缺口、图表不支撑结论、引用缺失。两者只通过draft.md/review_round_N.md文件交换信息跨进程独立review打破单AI自查盲区形成真实的投稿前测试。论文总体结构参考高水平综合期刊Science / Nature 等常见叙事结构具体格式按目标期刊调整训练问题→空白→方法→数据→边界的科研叙事Title→Abstractbroad significance第一句→Intro知识空白与本文贡献→Results每个数字配effect size95%CIn检验精确p→ Discussion机制、对比、局限性→ Methods→Figures每图服务一个核心claim→ ReferencesDOI人工核验篇数按目标期刊调整。科研合规与人工责任边界跨学科可迁移AI不替代作者判断、不署名、不自动生成未经核验的引用全程留下draft/review/revision/score_history/citations_todo/claim校准/prompt日志构成可审计的科研写作档案。学科迁移按数据形态匹配——只要能整理出数据分析脚本统计结果 图表核心结论流程即可迁移。两天完整产出第一章阶段⓪范式入门M1阶段①数据生产M2-M4阶段②初稿生成M5-M6产出完整 Claude Code 项目环境 analysis_results.json写作依据文件 figures/ draft.md v1 ai_disclosure.md模块一、阶段⓪范式入门科研新范式传统写法vsAI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产出项目专属CLAUDE.md3、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。【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。模块三、阶段①数据生产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、Cohens 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、barCI、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figurefig1_*.pdf .png4、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 iderror 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→Abstractbroad significance→Intro→Results→Discussion→Methods拆解产出论文大纲2、ResultsAI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、Introductionbroad 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_pathM4留prompt日志M6/M7留review_round_N.md revisions_logM9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。第二章阶段③压力测试M7-M9阶段④投稿封装M10-M11产出3轮审稿轨迹 score_history.json claim_calibration.md manuscript.docx cover_letter.md 学员自己课题的端到端样例模块七、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 withrules out→argues againstCodex重打分预期变化1~2分2、Round 2补引用加统计检验完善limitationsCodex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、核心能力科研措辞分寸从proves到is consistent withobservation ≠ causation引文补充用Claude Code的WebSearch查找缺失引用每轮改进对照记录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.md3、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.docx4、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 Ratioclaim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.md3、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大家的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完整链路结束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【准备】准备一份小样本数据CSV/Excel/JSON均可建议 ≤ 100行示例