用 Claude Code / Codex 做科研与项目开发自动化：从入门到多智能体

装好了 Claude Code 或 Codex，大多数人只把它当「高级代码补全」用——让它写个函数、修个 bug。但这类工具真正的价值在于把整段工作流交给它自动推进：文献整理、实验代码、数据分析、论文图表、项目从 0 到 1。这篇讲怎么把它用到这个层次，特别适合研究生和独立开发者。

第一层：把重复劳动全部交出去

科研和开发里大量时间花在「不需要思考但很费时」的事上，这些都是一句话就能委托的：

claude "把 data/ 下所有 csv 合并，按被试分组算均值和标准差，用 matplotlib 画分组柱状图，图例和坐标轴用中文"
claude "把这篇实验代码里的超参数全部提取到 config.yaml，并加上命令行覆盖支持"
codex "给这个仓库补上 pytest 测试，覆盖 utils 和 models 两个模块"

要点：描述目标而不是步骤，让工具自己决定怎么做；它每一步的修改都可以确认，不放心就逐步审。

第二层：给项目写「说明书」，让 AI 记住你的规范

在项目根目录放一个说明文件（Claude Code 读 CLAUDE.md，Codex 读 AGENTS.md），写清楚：

# 项目说明
- 这是一个 EEG 数据分析项目，数据在 data/raw，勿修改原始数据
- 用 conda 环境 eeg310，跑测试用 pytest tests/
- 画图统一用 scienceplots 风格，输出到 figures/
- 所有分析脚本要能从命令行复现（argparse）

之后每次对话它都会遵守这些约定，不用反复交代——这是从「问答工具」变成「项目成员」的关键一步。

第三层：安装 skills（技能），扩展专业能力

Claude Code 支持 skills 技能系统：一个技能就是一份写好的专业流程说明（放在 .claude/skills/ 或 ~/.claude/skills/ 下的 SKILL.md），AI 在遇到匹配任务时自动调用。社区已有大量现成技能（文献综述、论文写作、数据可视化、幻灯片生成等），也可以自己写：

# .claude/skills/lit-review/SKILL.md
---
name: lit-review
description: 文献综述整理流程
---
收到论文 PDF 或标题列表时：
1. 提取每篇的研究问题、方法、数据集、结论、局限
2. 按主题聚类，生成对比表格
3. 输出 markdown 综述草稿，标注每条论断的来源

装好后你只需要说「把这 20 篇论文做成综述」，它会按你定义的流程执行。把你领域的方法论沉淀成技能，是长期收益最高的投入。

第四层：多智能体扮演不同角色，长期推进课题

复杂课题可以拆给多个 AI 实例扮演不同角色并行推进：

终端多开：开几个终端窗口，各跑一个 Claude Code/Codex，分别负责「实验代码」「数据分析」「论文撰写」，共享同一个仓库，用 git 分支隔离；
角色化：给每个实例不同的说明文件或开场指令——「你是本项目的统计审稿人，只负责检查分析方法的正确性」「你是工程师，只负责让代码可复现」；互相 review 比单实例自查靠谱得多；
长任务持续推进：把课题拆成 roadmap 写进仓库（如 PLAN.md），每天让 AI 读进度、做下一步、更新进度文件。配合 --dangerously-skip-permissions（可信目录）可以挂机跑批量实验。

这套玩法对额度消耗不小，建议：日常主力用订阅（Pro/Max），批量挂机任务走便宜的 API 中转额度，用 Claude Code Router 做自动分流。

学术使用的边界提醒

AI 可以加速文献整理、代码实现、图表制作，但论文的核心论点、实验设计和结论必须自己负责；多数期刊和学校要求披露 AI 使用情况，引用一定要逐条核实（AI 会编造不存在的文献）。把它当高效的研究助理，而不是代写。

起步清单

装好工具：Claude Code 教程 / Codex 教程；
给当前项目写 CLAUDE.md / AGENTS.md；
挑一件本周最烦的重复劳动，完整委托一次；
把成功的流程写成 skill，逐步积累；
课题稳定后再上多智能体并行。