AI论文指北

前言¶

在使用agent之前，你需要掌握的东西，虽然不是必备，但如果了解的话会有更好的体验。也可以直接跳过前言直接读正文。如果有些我没有详细展开的东西，请务必善用搜索引擎/AI

1、关于科学上网¶

我们的agent工具一般都是运行在命令行里面，而命令行一般是不走系统代理的，当我们使用Claude等外国模型时，可能会遇到连接不上的问题，这时候就有两种办法解决。

• 一种是在代理软件开启虚拟网卡（tun）模式，让没有默认走系统代理的软件也走系统代理。
• 另一种就是将系统代理注入当前命令行（推荐该方式，因为如果代理开启tun模式很有可能访问不了学校内网，需要来回切换很麻烦），注入的命令如下。需要注意的是，该命令只对当前窗口的命令行有效。
  

  Bash
  1	export https_proxy="http://127.0.0.1:你的代理端口"

关于梯子的稳定性¶

另一件事情就是科学上网梯子的稳定性，如果梯子是很多人共用一个IP的话，在使用Claude的时候很可能面临封号的风险，当然如果不使用Claude的话可以跳过这一段。

首先需要在 ping0.cc 这个网站查看梯子的纯净性，如图全绿基本上就没问题

如果共享人数过多，那就说明是机场提供的节点质量不太好。解决思路有两种：一是换一个机场，选一个贵一点的套餐（当然如果一个月超过35元基本上都是坑人的）；二是自建节点，这就难以展开了，可以让GPT一步步教_{~（vultr买vps，大概5美元/月起，一个月1T，用vless+reality协议，核心用Xray，本地用v2rayn，跟GPT提这些东西，让它一步步教就行了）}~

2、关于命令行¶

如果之前没有接触过命令行相关知识的话，可能会很难上手/习惯终端里的agent，当然，可以选择使用vs code/codex这种图形化（GUI）的界面，但是命令行（CLI）有它自己的好处。

比如说，我的电脑是macbook Air M4 24g内存版本，而在使用codex的时候，甚至会发烫（？），不知道是codex的性能优化不好还是啥，内存占用也很高，而CLI基本不会有这种问题，CLI本身的性能开销比图形界面少得多。

再比如说，如果熟悉命令行的操作的话，CLI可以衔接地非常好（但是命令行也确实是有学习成本的，这点可能算不上是啥优势。。）

而GUI的话，上手会容易得多，可以自行选择，先入坑agent再补命令行的知识也不迟。

命令行的学习可以参考该课程：missing-semester

3、 关于模型的选择/订阅的方法¶

目前主流的大模型有Claude、GPT、Gemini、DeepSeek，其它的也可以尝试，但体验不一定会那么好。

（1）Claude¶

就我自己的使用体验而言，Claude确实是目前（2026.6）最强的模型，coding和非coding场景都是，特别是6月9日最新发布的fable模型。

使用Claude的前置条件前文也提到了，你需要现有一个稳定的梯子，还要有一个Google账号，而且Google账号不能太新。

除此之外，在Claude注册时，还会有手机号验证码的环节，这时候就要使用到接码平台，如hero-sms。

Claude的订阅：每个月20💲的pro计划基本够日常使用（虽然有时候也会很紧张。。）。至于如何订阅，主流方法有：
- App Store礼品卡：使用Apple美区ID（可以自己注册一个，不用挂梯子，使用国内手机号就行，具体的可以网上搜教程），在支付宝pockytshop买礼品卡充值到App Store余额，然后就可以在app里订阅了
- Google play：这个我不熟（）
- 咸鱼代充，这个就得擦亮眼睛了，而且容易封号，比较看运气。

虽然但是，Anthropic反华乱&封号&营销是真出生。。

（2）GPT¶

在几个月之前，还能够买到不到20人民币/月的GPT plus的时代，GPT确实是最好的选择，然而，在closeAI补上漏洞之后，20💲/月+砍额度的GPT唯二的优势：
- 生图模型很强
- 基本不封号

目前来看，codex的额度甚至比Claude还要少。。

（3）Gemini¶

降智，不评。。。不推荐。。。Gemini CLI额度也是少得要死。。。

（4）DeepSeek¶

DeepSeek的模型能力虽然比不上Claude和GPT，但是它太便宜了，而且完全不需要挂梯子，支付宝/微信就能充值。

但也存在长上下文幻觉比较严重的问题。

关于DeepSeek API的调用，可以参考 deepseek官方文档

一、关于AI的使用方法¶

1、agent和chat的区别¶

我们使用AI一般会有两种方法，一种是chat，即常见的网页聊天，另一种就是AI agent。它们的区别在于，chat只返回文本，而agent可以运行在本地/云端运行终端写文件。

按原来的流程，我们需要不断地上传文件，复制AI返回的内容，自己编译/调试/运行，报错还要把错误代码发给AI，这就会非常麻烦，而且不一定能够把所有的错误信息搜集好，生产效率会比较低。

而使用agent，AI可以直接阅读project中的文件，调用终端自行编译调试，这给我们带来了很多不一样的可能性。

2、agent工具的选择与安装¶

市面上有很多agent工具，我使用过的有：Claude code，open code，codex，vs code中的copilot。

按照使用逻辑来看，Claude code和open code是在终端中的，而codex，copilot是有图形化界面（也有CLI版本）的。可以按照自己的习惯来选择，如果不习惯终端操作的话，那就去学（），那有图形化界面的工具确实会比较友好。

这里就主要谈一谈Claude code和codex吧。

（1）Claude code¶

Claude code是Claude官方推出的agent工具，一方面，它可以使用Claude的模型，另一方面，搭配ccswitch也可以调用别的模型的API。

安装参考 claude-code官网

Claude code有很多使用技巧，比较常用有：
- /init命令，可以在开始时运行，让Claude搞清楚你的项目
- /clear命令，清除上下文，模型都是有上下文限制的
- /resume命令，还原该项目之前的对话内容。这里有一个邪修就是，在Claude模型的额度跑完之后，如果不想停止工作，那可以exit，然后使用ccswitch切换Claude code中的模型为DeepSeek，然后再进入Claude code，使用/resume命令还原对话内容，继续使用DeepSeek无缝衔接工作。
- /exit命令，退出
- /usage命令，查看额度使用情况
- /skills命令，查看有什么skill可用
- skills：skill是一套固定的工作流，本质就是一套写好的提示词，可以在不同的场景使用。GitHub有很多高star的skill都可以去尝试，不过最适合自己的肯定是自己做的skill，在完成一个project之后就可以让AI自己复盘本次工作，形成一份skill给自己部署
- 比较常用的就这些，剩下的可以使用/help命令自行查看

（2）codex¶

codex是GPT（OpenAI）的推出的agent工具，具有图形化界面。

codex会有一个比较大的问题就是，每次对话之前都会reconnect5次，其实就是因为默认不走系统代理，尝试5次失败之后才走系统代理，解决方法就是在codex的配置文件里面，让它默认走系统代理，如果不会的话跟它说可以让codex自己改。

codex的好处就是：
- 图形化界面，使用门槛比较低
- 沙箱运行，不需要你老是点同意（当然了，Claude code也能实现）

二、学术写作¶

除了传统的coding之外，agent用于学术写作（水论文史上雕花）也是非常有用的。
在高强度使用了三天AI（Claude code/codex/Claude code + deepseek)，消耗了巨量的tokens/订阅额度之后，终于把满意的论文写出来了。。

一件有意思的事情是：6月9日早上起床发现claude推出了最新的fable模型，为了推广该模型还提前给我刷新了额度，这大概是最幸运的一件事情。

一些基本原则：
1、分步处理，不要一次性让它做完工作
2、让它记住做好readme的维护，记录好工作
3、参考文献需要你自己wos/cnki自己检索然后下载，高级检索式可以让AI给你生成

三、一些使用体验¶

先说一说Claude/codex/DeepSeek的使用体验。

DeepSeek是真的便宜，但是也是真的难以产出高质量的文章，容易出现数据失真、逻辑不畅、引用造假、联网搜索不准确的问题。在上下文长了之后这些问题更大。

而codex的问题在于，产出的文章过于简单，没有老师要求的“创意”。。如果要做复杂的话，plus的额度难以胜任。

Claude code是这些产品里面使用体验最好的，之前（3、4月份）的格局是codex的额度极高，而Claude code的额度非常少，而在现在来看，Claude和GPT相同价格的订阅，Claude即便是使用最新的fable模型，消耗也没有codex那么快。而codex的“computer use”实际使用体验其实并没有多好。

Claude code的优势在于：
1、上下文记忆非常好，一开始说明的写作规范基本上是记得住的
2、/init命令可以初始化项目，让Claude清楚这个仓库是干什么的，并写入CLAUDE.md作为该项目的长期记忆
3、/resume命令可以恢复上次的对话
4、写latex的时候不会出现引号不对应的问题（DeepSeek和codex都会犯这种错误。。）
5、联网搜索能力比DeepSeek强得多，对于基本的文献搜索基本不会出现幻觉

四、AI辅助学术写作流程¶

因为写的是一篇实证类的课程论文，所以本文就只写这种论文的流程，别的也可以参考着流程来。

在正式进入写作之前，应该使用AI的网页版对话搜寻自己需要的数据集，下载好数据本身，更重要的是，需要下载好数据制作者编写的数据使用指南/手册

以下是我在写一篇课程实证论文所运用的提示词，仅供参考

而对于AI写实证论文，我也打包好了一个skill，发布在GitHub上了，有需要的可以自行下载使用， empirical-paper-workflow

1、AI帮忙梳理写作流程

1

我现在要与AI agent协同撰写*****论文，先帮我梳理计划任务表格，我的初步想法是，AI读课程内容- AI读数据-确立选题- AI生成文献检索正则- 我去下载文献- AI读文献- AI根据写作目标处理数据- AI写latex。先帮我一步一步细化好各部分的工作流，现在不用完成具体的任务。

2、AI开始初步梳理

1

现在开始做课件梳理，读取class文件夹中的课件，交付形式：在notes文件夹里创建class_notes文件夹，里面存放梳理的课件markdown；读取论文写作规范pdf，在根目录下写requirements.md，不遗漏任何一条要求；写readme.md用于记录工作

3、根据数据+课件确认选题

1

现在开始读****手册、问卷和codebook，在notes文件夹里做好分类记录，然后再做课程主题和数据变量选题矩阵。

4、确定选题，细化对数据的梳理

1

锁定选题教育机会不平等，细化对****手册、问卷、codebook的阅读，做好记录，更新readme.md

5、AI生成文献检索正则+人工下载文献

1

在reference中生成需要在web of science和cnki中检索的正则表达式markdown表，包括相似研究和方法论相关文献，文章定位实证研究

注意需要保留好RIS文件（wos）/导出文献的所有数据（cnki）为txt
导出的时候一定要导出摘要，因为在你进行人工审查的时候，可以直接对着摘要审，看AI引用地到底对不对、真不真实。

对于wos的文献，直接使用zotero批量查找全文即可。这里会碰到一个问题，zotero在下载完之后，文献存放非常抽象，一篇文章存在一个抽象命名文件夹里，非常不便于移动到本项目。这时候就需要用到zotmoov插件进行移动。

对于cnki的文献，可以使用知网的知网研学这个软件批量下载，不过要注意，一个IP24小时内下载量最多为100篇。

6、AI文献处理：筛选+记录

1

现在开始文献处理的任务，你需要读取RIS/文献汇总报告.txt文件，筛选出适合用到该论文写作的文献，把它们复制到reference/selected，在selected文件夹中生成selected.md，记录每篇文献的作用

7、AI正式开始论文框架搭建+数据处理
因为前期工作做的差不多了，这里可以简化提示词

1

现在开始论文框架搭建和数据处理

8、AI撰写latex文章
使用latex是因为，AI写latex/markdown比直接写word要更好，因为直接写word，AI是采用python脚本来写，一旦需要大改，AI就要重写脚本，会消耗很多额度和时间，而且word的排版并没有latex那么规范。比如，AI在写word的时候，使用的引号很可能会是英文引号来引用中文，很容易穿帮；参考文献的引用也不够规范
对于latex来说，只需要知道：下载好latex编译器+知道编译命令即可。
如果要修改什么的，直接让AI改就可以了，如果AI改得不符合心意再去学习也不迟。
参考 ctan

1

现在开始撰写latex论文

9、使用skill进行审阅并根据审阅意见进行修改
推荐使用academic-research-skills中的/academic-paper-reviewer，可以在GitHub上面下载

10、人工核定修改
如，参考文献使用是否真的符合文献的原意，排版的视觉效果是否符合要求。一定要自己过一遍，AI不一定完全靠谱

11、AI复盘工作流形成skill
下一次还可以复用

1

复盘整理本次AI辅助写作，形成一份workflow.md，并形成一份skill给我部署