claude能帮助完成学术论文吗

ok， 今天给大家录一下怎么样去三十分钟出一篇带时政的经济学分析论文。首先给大家介绍一下两个工具，一个是 cloud code， 是 这个页面啊，别的不行，一定要是这个编程的页面。还有一个是 codex， 就是 这个专门用来编程的，是一个很强的生产力工具，这两个工具是现在目前最强的 ai 模型，你需要充一个二十美刀的 cloud code 会员啊，或者是 gpt plus， 就 可以使用这两个东西了。然后呢，具体的操作流程就是调用我写的这个 skill， 是 一个写论文的全流程，地址是这个，然后我也会发在评论区，十分简单，就就跟这个 codex 说一下， 你去搜一下这个地址，然后他下载下来，然后直接调用就可以了。开始之后呢，他会去问你论文的类型，还有字数范围和地址日期，接着他会给你进行一个头脑风暴， 从选择题开始。选择题是很重要的，因为这是你在全流程里面为数不多可以动脑的东西，就是决定你研究题目，你看他给了这五个，你看有没有和你心意的这个题目， 当然这五个就太宽泛了，你看这这都啥？所以你要后面再去细划这个论文的研究方向。你看我说我感觉这个选择题都跟经济学不太搭，尬吗？ 然后他就说其实这五个都属于经济学类题目，这时候我就说了，感觉这个题目要宽泛，要不锁定在一个区域里面。 ok， 我 就说这个就可以，接下来就他全流程自动了， 他会自己去确认这个成不成立，然后设计研究问题，设计假设设计这个变量，因变量，这变量，那变量，然后去自己去找这个数据，自己去确定计量方法，他给出这个一切的 time， 但其实都不用考虑这个 time， 直接让他一天暴干 二十分钟出一篇得了。这是个出稿，来看一下他二十分钟出来这么一篇大致可用的出稿吧，但是肯定不是说没一点没问题， 肯定有小问题，但是小问题就后期在修缮的时候了，你看一下他第一版给我出的时候，他只出了四千多个词，四千八百个词吧啊？四千六百多个词，然后让他拓展一下到六千左右，他要去执行， 那这个时候怎么样去让他看起来像人写的？这个时候要做的就是把他丢给两个网页版的 ai， 然后让网页版的 ai 去审这个初稿怎么样？哪里有什么逻辑问题啊？或者说哪里有什么格式问题，包括这个语句的修改，你就问他说哪有 ai 味重的地方，比如说这个句式太工整，或者这个逻辑都一样，那去让他挑出来，然后让两个 ai 互相挑，就这么左手倒右手去实现一篇可以看得过去的论文就可以了。哎，其实我说实话，这论文谁看啊？尤其是经济学啊， 咱也不是拿诺奖的人，就随便写个实证就得了，对不对？我感觉学经济学就是混混的也没啥用，你说学这个计量嘛， 这些专业的东西 ai 全给跑了，这 ai 出的代码又快又好，然后数据他也都全找了，你看这数据，这表格一点毛病都没有，这图像他这些二院全出了。所以说以后的科研只会越来越简单，之前这么痛苦的学习的日子已经不复存在了， ai 带来的竞争力提升已经是巨大巨大了。你要说这算不算什么学术不端？我觉得不算，因为这是属于科技进步带来的这个解放我们的体力劳动了，对吧？你说因为之前感觉这个科研吧，也就是劳神费力， 也没有那多么多么的有技术含量，尤其是这种经济学，如果你不是那种很前沿的科技的话，需要做实验那种，那你这个写这论文，写那论文也没啥用，其实大家都知道，就混一混，搞一搞就得了。所以说 学好新技术，学会用 ai 是 现在目前最重要的事情。 ok， 关注我，获得更多 ai 相关知识。

学术论文全自动，专业写 skill 来了。以前写论文呢，总是挨个凑 ai 工具用，拆 gpt、 润色口、 pad 写代码，只网查引用好几个工具来回切换。现在有人把这些环节全部打包了。 github 项目上呢， academic research skills 把 code 技能机制做成了一套学术研究的套件，覆盖了全流程， 从研究到钻研，到完整性的检查，到审阅，到苏格拉底时的辅导，到修改，到再审，到再修改，一直到最终完整性的检查定岗流程总结，这不是一个 prompt， 而是一套可以执行的科研流水线和脚手架。它把科研这些事儿拆成了十个 stage， 每一个 stage 都有明确的输入输出、验收标准。我是兵哥，关注我，带你走进学术的 ai 世界！

我靠 club 的 用来写论文做深度调研真的太牛了吧，使用到了这个深度思考， 然后呢？谈不清，思考了五分钟，查看了一千多个网页啊，还在自己去进行搜索，帮我们去进行修改论文， 查找更好的数据啊，这还挺不错的，我倒也想使用到 club 的 用来写作科研，做数据分析，写代码等等都可以点击我主页的置顶作品找到我。

今天发现使用到 club 这个深度研究啊，写论文真的非常的强啊，我们一起来看一下他一个问题思考了二十分钟，浏览了一千多个网页，直接让他输出一个三万五千字的论文， 权威，他直接一次性就能输出啊，并且里面的数据啊查询都是真实的，而且也是比较新的，并且呢，在这还可以去下载各种各样的文档啊。我代理也想使用到 club 的， 用来写作科研，做数据分析，写论文等等，都可以点击我主页的置顶作品找到我。

呃，最近用 color code 加 d c 加 maclab 附上了一个顶上的论文，就是哎这篇二二年 t a c 上的一个抗扰动墨烯色控制的论文。呃，可以先看看结果，我感觉它做的整体上还是不错的。嗯， 这是图一，然后啊，它对的应该是图三，这是图四的，就是可以看到基本上基本差不多，然后图五的 图六的这个扰动观测器的结果，从地上看就是他做的还不错，但是其实我也是和他叠带了很多人，他才能做成这个样子。比如说就是在和他对话的时候，首先呢，我想最开始就是告诉他 就是按照步骤完成一下任务，然后他就开始做，做完之后做，做的过程中会遇到各种问题，然后就就我就觉得在做的时候自己得懂这个事情。比如说，呃，我当时就发现迷你扰动观测器估计的已经很准了，为什么我就会发现他这个扰动加大了，少成了一个零点一，然后成上之后呢，就会好很多，然后再包括后面的这里。呃， 就是我发现这个就是控制为负，然后说明当前情况下无补无扰动补偿的小车正在倒车追踪轨迹，然后请修复，反正就是跟他经过这些迭代之后。呃，最后就得到了这个结果。 总结一下就是，也许这样的任务让 gpt 或者可拉的 api 来做可能会更好，但是我还是觉得首先我们自己得懂得有最基本的发现问题的能力，这样技能就完成我们的需求，而而且还比他一通瞎搞更节省头啃。我觉得最好的一种就是这个事我只想做，不代表我不会做。然后最后就是我觉得这篇论文不仅访真做的不代表我不会做，然后最后就是我觉得这篇论文不仅访真做的很漂亮，就是做非限性 npc 和抗扰动的同学可以看看。

最近跟同学一直在用 ai 打架论文，那我讲一个最近我发生的事情，最近我在用 ai 来帮我去复现一些论文的结果，主要是因为我在做一个 a 卷来可以自动化的跑一些模拟。 结果呢，我碰到了这篇文章，我之前有发过一个视频，说 ai 可以 在三十分钟之内做完一套，问论文的复现结果也是相当的符合， 但 ai 什么时候做不了呢？就是当你这个论文的参数是错误的时候， 那这个模拟的具体数据呢？是这么一个蛋白塞在了一个大概八十乘八十乘一百一十个单位的这么一个盒子里。 然后他文章说在最后这个体系里面是有六万一千五百八十四个实际的原子， 但是呢，我用 ai 做怎么都做不出来这个结果。最后 ai 实在没有办法了，他就直接让我去要不给佩佩的通讯录发一下八十乘八十的体系里面怎么塞下一个一百零五长度的蛋白？ 然后呢，我一开始还是比较相信这个作者，毕竟这么顶开的文章不会有啊这样子的妙物。于是我就让另外一个 ai 去核实这个结果，结论呢，也是啊，核实完成说基本准确 没有问题。然后最后的实际的这个原子数呢，也是远超这个 paper 所说的六万一千五百八十四个， 所以说也无法塞下这个盒子。那还方便我去视觉上看到这个蛋白，在这个盒子里，他直接画了这个模拟的图， 可以看到，不管怎么样去旋转，这个蛋白质，几乎总是有部分会在这个盒子外面。然而呢，哎，他非常善良，说，既然啊，佩佩这个文章是这么写的，他有可能写错了，写反了， 是应该是 x 方向是一百一，其他方向是八十，那他就勉强的把这个蛋白质塞进了这个盒子里。 然后呢，如果你做了这一步的话，你会发现你所需要的原子量会大幅的飙升到所谓的七万七千个，与 paper 所声明的六万一千五百八十四个是严重不符合的。 当然了，我也不是说这个论文在造假，但是在这个 ai 使技术和知识都贫权的时代，职业科学家们尽量严谨一些好吗？

哈喽，朋友们好，给大家说个好消息，就是我被 coco 创始人点赞的 ai 小 工具已经正式上线了，然后链接呢，我就放在评论区了，大家可以赶紧去试用一下 啊。这个工具的主要的作用呢，就是帮助像我一样的学生把你的论文文献从 pdf 转成可识化的 html。 我做这个产品的初衷呢，就是解决我自己一个非常大的痛点，因为我自己在学校就要写非常多的论文，然后读读那种 pdf 呢，真的是又臭又长，然后又读不下去。但是用这种 html 的 方式呢啊，就是你会发现它非常简洁，然后可释化， 然后我也可以把自己的这种啊笔记啊，或者说这个标注啊，可以加上去啊大，如果用完觉得好呢，可以帮我点赞转发一下。最后呢也感谢大家的支持，大家有什么建议的话可以赶紧私信告诉我。

哈喽，大家好，我刚用 ai 做了个工具，可以把晦涩难懂的这个论文文献用 html 的 方式呈现出来。但如果有写过论文的经历，就会发现这种很很多论文文献真的是非常的晦涩难懂，然后因为格式的原因，它本身的字体也非常小， 再加上作者本身写的可能也非常的深奥，就是不方便阅读，那就会看起来非常的困难，可能你读半天都不知道作者在讲什么，你想搜索一个什么关键词的话，也没法搜索。所以呢，我就用 ai 做了一个这个工具，来用 html 的 方式来呈现这些文献。相比传统的一些论文格式来讲的话， 这个用 html 读论文，我觉得是非常简洁，非常方便。然后大家可以看到就是它这个这个字体你也可以进行自主的调节，你也可以用 ai 来帮助你辅助阅读 啊，进行一些提炼和总结。用 html 这种方式来阅读的话，你就会可以把每个自然段都读的非常的透彻，这样你写起文章来说的话，就是非常的顺手。 你也可以记自己的笔记，然后在阅读的途中把你的这个想法都写下来，哪怕我忘记了刚才读什么，我也可以快快速的回去看一眼我刚才的这个笔记或者说内容。我去用 html 的 好处就是你可以快速理解你的这个文献，所以我推荐大家以后都用 html 的 方式来读你的论文。

上期视频我们总结了 nature skills， 分享了如何写 skills。 今天我们来看一篇最近很火的文章， cloud code one hundred two for academic researchers。 作者是 mash tucker， 丹麦男，大学博士。他长期在 x 上分享 ai 怎么辅助学术研究、文献阅读，论文写作，受众主要是博士生和科研工作者。他之前写过一篇 cloud code 幺零幺，阅读量超过四百万一百零二是接在幺零幺后面的进阶篇。今天讲的就是这篇。 先一句话说清楚这篇文章在干什么。他不是教你用 cloud code 代写论文，而是教你把 cloud code 变成一个有目录、有规则、有分工的长期论文助理。他想解决的问题是，直接用 ai 写论文，很容易遇到三个麻烦，材料全堆在一起， ai 分 不清哪些是证据， 叫他帮你找文献，给的是主题相关，不是真正支撑。那句话的任务一复杂，没有计划和规则，结果根本没法检查。 这篇文章给出的答案是，先把项目管理这件事做好，再让 ai 参与进来。我这里准备了一个模拟论文项目方向是知识图谱，里面有一篇 word 初稿，两篇 pdf 文献，一份导师意见，还有一份会议纪要。这是我们的项目目录。 基于这篇文章的建议，结合 nature skills 的 写法规律，我们提炼了一个写作模板，写了三个技能，这三个 skills， cloud codex 和 codex 都能用。第一个技能叫论文工作台搭建，它的作用不是写论文，也不是找文献，而是先把论文项目整理清楚， 直接使用 ai a 键词。很多人会把 pdf 草稿、导师意见、会议纪要都放在一起，然后直接问 ai。 这时候 ai 很 容易搞不清楚哪些是可引用文献，哪些只是作者草稿，哪些是导师建议，哪些是会议记录。 所以第一个技能做的事情很简单，把项目拆成几个区域，它生成了这几个文件夹。同时，它还给每个文件夹生成了一个说明文件。比如文件。文件夹的说明会告诉 ai， 这里的材料可以作为论文证据， 但必须检查原文是否真的支撑论文句子。草稿。文件夹的说明会告诉 ai， 这里是做旧草稿，不能随便编造实验结果、公式、图表和参考文献反馈材料。文件夹的说明会告诉 ai， 导师意见和会议纪要只能作为修改建议， 不能当做文献证据。这一步看起来不复杂，但它很重要，它的价值是先让人工智能分清材料身份，避免后面乱读乱用材料。第二个技能叫文献证据匹配，这是我觉得最适合展示的一部分。 以前我们可能会直接问 ai， 帮我找几篇参考文献，或者帮我给这段话补引用。但这种问法有一个问题， ai 可能找到的是主题相关的文献，不一定是真正能支撑论文那句话的文献。 所以这个技能做的不是简单找文献，而是做论点和证据之间的匹配。他先把 word 处稿提取成可读文本，再把两篇 pdf 文献提取成文本，然后从处稿里找出需要文献支撑的论点，再去 pdf 文献里找原文证据。 最后，它生成了一个文献证据匹配报告。报告里面不是简单说这篇文献可以引用，而是逐条判断论文里的这个论点是什么，后选文献是哪一篇文献原文证据是什么？ 支撑强度和引用建议。这里有一个很好的例子，我们的初稿里有一句话，大意是知识图谱可以用于组织和表示复杂知识。两篇 pdf 文献里确实提到， 知识图谱是用头实体关系为实体三元组来表征复杂知识体系的技术，所以这个地方可以作为背景支撑。但出稿里还有一些更强的说法，比如论文方法，准确率提升约百分之十八， 召回率提升约百分之十二。这是作者自己论文的实验结果，必须来自自己的真实实验，不能拿外部文献来应凑。所以报告会明确写不能支撑，必须补真实实验结果。这就是这个技能的价值，也正好对应了文章里的一个核心思路，让人工智能围绕你的论文论点去查材料， 而不是泛泛的总结文献。第三个技能叫审稿人模拟检查。这个技能也不是直接改论文，而是像审稿人一样生成一份风险报告。它会读取论文出稿导师意见、会议纪要，以及前面生成的文献证据匹配报告，然后检查这篇稿子现在有哪些问题。 在我们的测试里，他指出了几个很典型的问题，实验结果还是估算值，主实验表格缺失，消融实验缺失，公式缺失、图缺失，相关工作覆盖不足。导师意见里也提到，近两年的相关文献补得不够。 所以这个技能最后会生成一个审稿人模拟检查报告，把问题案优先级列出来。它的作用不是替作者完成论文，而是告诉作者，如果现在投稿，哪些地方最容易被审稿人抓住。 从测试结果看，这套流程最有价值的地方不是让人工智能写得更多，而是让他少犯一些关键错误。比如不乱用文献，不编造实验，不把导师意见当证据，不把背景相关的文献当成直接支撑。这也是我觉得这篇文章值得看的原因。 回到文章本身，我把它提炼成六条你可以直接拿去用的原则。第一，按功能分区。不要把它提炼成六条你可以直接拿去用的原则。第一，按功能反馈数据，各放各的地方， ai 才能分清它们的身份。 第二，每个文件夹写清使用规则，主目录放一个全局说明，每个子目录再放局部规则，规则依次写好，整个项目期间都生效，不用每次重复说。第三，复杂任务先要计划，不要直接让它执行超过三步。跨文件夹输出很长的任务，先让 ai 列出步骤，确认了再开始。 第四，重复任务，做成固定命令，整理笔记、检查引用、生成报告，这些每次都要做的事情，可以写成命令，下次一句话调用。第五，不同任务用不同助手，文献助手、引用检查助手、审稿人助手，各自独立，彼此不互相污染上下文。第六， 引用这件事没有退路，必须回原文和这篇文献真正支撑你这句话是两件不同的事。 如果你也想照着这个思路写自己的论文技能，我的建议是从一个具体的高频任务开始，不要一开始写太大。 比如帮我检查引言，每句话有没有文献支撑，或者帮我把导师意见整理成一个修改清单。选好任务之后， 把它写成四件事，什么时候用，需要什么输入，具体怎么操作，输出什么文件。另外，禁止事项很重要，不能编造数据，不能覆盖原始文件，不能把建议当证据，这些都要明确写进去，写完之后用真实材料跑一遍，看看输出是不是真的可用， 然后迭代。最后说一句这篇文章的核心价值，它没有给你一个神奇的提示词，它提醒的是，如果你想让 ai 真正参与一个长期论文项目， call 的 不是一次性聊天，而是项目结构、规则、文件 证据追综合可重复流程。真正有用的不是让它写，而是让它按你设计好的流程。工作有问题欢迎评论区讨论，我们下期视频再见！

可乐 e anything wps 迎来重磅更新，新增可以操控学术文献管理器 zotaro 的 harness， 同时增加二十七个 zotaro 学术智能体，全面接管你的文献管理器。搜文献、写综述、 写论文、审稿、做图表、分析数据，一条命令启动完整学术流水线，微软 ppt 和 wps 完全兼容，只要改下命令就可以操控。

大家好，今天我分享的主题是从 open cloud、 cloud code codex 到国内模型接入。这次分享不是简单介绍几个 ai 工具， 而是想从系统架构的角度讲清楚 agent 到底是什么，它和普通聊天机器人有什么区别，以及我们如何在国内模型生态下构建真正可落地的 agent 系统。 过去我们关注大模型，更多关注的是模型能力，比如会不会写代码，会不会总结文档推理强不强。但到了 agent 阶段，问题已经不只是模型能不能回答，而是模型能不能在真实环境中执行任务。 所以今天的主线是 agent， 不是 聊天机器人，而是下一代软件执行层。我们先看第一个问题，为什么 agent 值得研究？ 传统 chat bot 的 模式很简单，用户输入一段文字，模型输出一段文字。它本质上是一个静态问答系统，流程是固定的，外部世界不会因为它的回答而发生变化，但 agent 不 一样。 agent 的 核心定义可以概括为一句话， agents are models using tools in a loop， 也就是模型在循环中使用工具。用户给出目标之后， agent 不是 直接回答完就结束，而是会先判断下一步该做什么。他可能会读文件、调用搜索、执行命令、修改代码、运行测试 工具，返回结果之后再写回上下文，模型继续决策下一步。所以 agent 的 关键变化是，它不只是生成文本，而是在工具反馈中持续改变外部状态。 从技术上看， agent 可以 写成一个公式， agent 等于 l l m 加 context， 加 tools， 加 memory， 加 policy， 加 loop。 l l m 是 模型本身，负责理解、推理和规划。 context 是 上下文，包括用户目标、项目、文档、代码库、历史记录和工具返回。 tools 是 工具，比如 shell 浏览器、 git 文件系统和 api。 memory 是 长期记忆，让 agent 能够保持连续性。 policy 是 策略层，决定什么能做，什么，不能做，什么时候必须请求人类审批。 loop 是 循环机制，也就是模型决策工具，执行结果回血。在此决策 这里，最容易被忽略的是， agent 的 能力不止来自模型，一个模型即使很强，如果没有工具记忆，执行环境和安全策略也只是一个强聊天模型，而不是完整 agent。 因此把现代 agent 系统拆成六层，最底层是触发层，比如用户消息、 i m 定时任务 issue p r c i 或 id hook。 第二层是上下文层，包括长期记忆、工作区状态、项目规则、文件和剪辑结果。第三层是推理层，也就是大模型进行规划和工具选择的位置。 第四层是工具层，比如 a p i m c p shell、 浏览器和文件读写。第五层是执行状态层，包括沙箱、 docker、 任务队列、运行日制和 diff 审查。最上层是治理层，包括全线审批、审计日制 token 限流、人类介入和安全策略。 这六层说明一个关键事实，模型只是 agent 系统的一层，国内模型主要增强的是推理层，也就是大脑，但真正生产可用的 agent 还需要上下文，工具状态、权限和审计共同支撑。 接下来我们看三个典型， run time、 open cloud、 cloud code 和 codex。 open cloud 代表的是个人助理型 agent gateway， 它的特点是本地优先、多 i m 入口、多 agent 路由和长期记忆。 cloudcode 代表的是本地工程型 coding agent， 它深度嵌入终端和 id， 强调本地执行、 m c p 连接、项目规则注入和代码循环。 codex 代表的是团队级工程 agent 平台，它强调云端任务并行、 agent p r 审查、团队协助和标准化流水线。所以三者不是简单地谁替代谁，而是三条不同路线， opencloud 更向个人 ai 操作系统入口， cloudcode 更向开发者本地增强工具， codex 更向团队工程协助平台。它们共同说明一个趋势， agent 已经从聊天界面走向软件执行基础设施 先看 openclaw， openclaw 的 核心是一个本地优先的 gateway， 左边可以接入 slack、 飞书、 terminal 等不同入口，这些入口都可以看成用户和 agent 交互的消息。入口 中间是 openclaw gateway， 负责 session routing， 也就是说，不同渠道、不同身份、不同任务，可以被路由到不同的 agent workspace。 右边是 agent workspace， 也就是 agent 真正工作的地方。 workspace 里有结构化记忆层，比如搜 md， user， md memory， md so， md 定义人格和语气， user， md 记录用户偏好， memory， md 记录长期记忆。 下面是技能与执行层，比如 browser、 bash、 chrome 和 skills。 也就是说， openclaw 不 只是会聊天，它可以调用浏览器执行命令，运行定时任务，还可以通过 skills 封装可附用能力。 openclaw 给我们的最大启发是不要把所有规则都塞进一个巨大 prompt， 而是把人格、偏好、记忆和工具说明。结构化管理。 cloud code 代表第二条路线，本地工程型 coding agent， 它不是简单的代码问答工具，而是深度嵌入开发者的本地工程循环， 它的核心流程可以概括为 explore plan， implement commit。 explore 是 先阅读代码库，理解项目结构和相关文件。 plan 是 先给出修改方案，而不是马上动手。 implement 是 按计划改代码、补测试、修问题。 commit 是 整理 diff 运行、检查并进入提交或审查流程。 cloud code 的 关键组建包括 cloud md、 mcp、 hooks、 skills 和 sub agencies。 cloud md 是 项目规则文件，可以写清楚目录结构、测试命令、代码规范和禁区。 mcp 是 外部工具连接协议，可以理解为 ai 工具的 usb c hooks 可以 在执行前后自动检查。 sub agents 可以 并行探索， skills 可以 封装团队流程。 所以 cloud code 的 本质不是帮我写几行代码，而是让 agent 进入真实工程循环。 codex 代表第三条路线，团队级工程 agent 平台，它比本地 coding agent 更强调云端并行和组织协助。 一个 codex 任务可以在独立 docker sandbox 中运行，里面有代码仓库、 agents、 md 执行环境和 agent 节点。多个 agent 可以 并行处理不同任务，比如一个修 bug， 一个补测试，一个做代码审查， 每个任务独立运行，最后通过 diff 日制测试结果和 pr review 进入人工审查。 codex 的 关键不是让一个 agent 无限自主，而是把工程任务拆成可并行、可审查、可回滚的工作单元。 这也是团队级 agent 的 核心逻辑，云端沙箱、任务隔离规则、文件、测试验证和人类审批。 现在我们把三者横向比较一下。 opencloud 的 入口是消息和个人 gateway， 最适合个人助理。 cloud code 的 入口是终端和 id， 最适合工程师本地开发。 codex 的 入口是云平台 gighub 和 web app， 最适合团队及工程合作。 opencloud 重视长期记忆和多渠道消息。 cloudcode 重视本地代码循环和 m c p 工具生态。 codex 重视云端沙箱、并行任务和 pr 审查。所以它们不是简单竞争关系，而是 agent runtime 在 三个方向上的引进，个人助理、本地工程团队平台。 接下来进入国内模型接入部分，很多人会问，既然 kimi minimax g l m quan deep seek 已经很强了，是不是可以直接替代 clockcode 或 codex？ 这里要明确一个边界，国内模型替代的是 agent 的 脑，不是完整 run time。 完整 agent 至少有三层，第一层是 model layer， 也就是模型层。 kimi minimax g l m quan deep seat， 可以 负责推理掌上下文代码生成、多模态理解和工具调用决策。 第二层是 agent runtime， 也就是调度与执行宿主，比如 open claw claw code code dex client， 它负责绘画管理、文件读写、工具调用、 diff 维护和状态循环。 第三层是 safety layer， 也就是安全与审计笼子，比如 doctor 沙乡 get work tree 隔离 approval 审批、流氓 audit 日制。所以一句话总结是，国内模型可以换脑，但不能自动长出手脚记忆和安全边界。 再进一步拆解模型 a p i 能替代什么？它可以替代中文逻辑推理、复杂指令遵循、长文档分析、多语言代码生成、多模态资料理解，以及标准 j s o n 工具调用决策。 但模型 api 不 能替代本地 hook precommit 自动化安全容器沙箱、人类审批流、 get 位消息路由、 diff 闭环测试验证和长期记忆持久化，这也是很多 agent 项目失败的原因。大家以为 api 能输出，托靠就等于系统具备 agent 能力， 但实际上托靠只是决策，真正困难的是工具执行、状态管理、安全拦截和结果验证。 不同国内模型也适合不同角色。 kimi 的 优势是长上下文、中文研究和 finkin 模式，适合知识库问答研究分析和 open cloud 私人助理核心模型。 minimax 的 优势是高病发吞吐、长文档处理和多媒体能力，适合批量文档处理。因视频生成与分析类 agent g l m 更适合作为 coding agent 的 后端模型，适合本地终端自动化和代码任务。 quan 的 优势是超长上下文 coder 系列和阿里云企业生态，适合大型代码库阅读、企业私有化和云上部署。 deep seek 的 优势是性价比和推理范式，适合低成本决策节点和 fallback。 所以 生产系统不应该绑定单一模型，而应该按任务属性动态路由代码交给代码模型，长文档交给长上下文模型，复杂推理交给 rsn 模型。 从工程接入看，国内模型通常有三种方式，第一是 open a compatible 协议，配置 base 下划线 u r l a p i 下划线 t 和 model 就 可以接入很多 ide agent 或终端 agent， 这是最通用的方式。第二是 cloud 或 entropic compatible 协议，部分模型支持 cloud messages a p i 风格，适合迁移 cloud 风格的工具生态。 第三是自建企业级 model gateway， 企业内部统一暴露 openai 或 cloud 兼容接口，对下路由道、 kimi、 minimax、 g l m quan、 dixit 等模型，同时做健全限流、日制脱敏、 fallback 和成本统计。 我更推荐企业采用第三种方式，因为生产系统最需要的是统一治理，而不是每个 agent 工具各自连一堆模型。 这一页给出三个可落地方案。方案 a 是 即刻个人开发者套件， run time 可以 用 client run 或 cursor 模型，曾用 g l m 或 quencoder 安全。曾用单机 git 分 支隔离加人工合并审查。这个方案适合个人开发者快速获得 ai 代码助手能力。 方案 b 是 全渠道全天后私人助理平台 runtime， 用 openclaw 统一 gateway 模型，曾用 kimi 或 minimax 状态，曾用本地沙箱 skills 和持续 memory md。 这个方案适合个人知识库、日程管理、资料整理和长期助理。方案 c 是 团队级 codex 企业化平替架构， run time 使用自研云端 c i 任务编排器模型，曾通过统一 get 委路由多模型集群安全环境使用分布式 docker、 sandbox、 pr 审查和权限控制。这个方案适合公司内部工程平台。 所以 agent 落地不能只问用哪个模型，而要先问我的任务场景是什么，我需要什么？ run time， 我 的安全边界在哪里。 agent 工程化有四个常见坑，第一个坑是 open a compatible， 不 等于 agent compatible。 聊天能跑不代表工具调用，多轮函数调用和 streaming 都稳定。 第二个坑是模型能调工具不等于工具，执行环境安全、高危命令删除、操作权限修改都必须经过沙箱核审批。第三个坑是百万上下文，不等于高质量上下文，长窗口不能替代 red 摘药、溯隐和记忆筛选。 第四个坑是企业自建 agent 平台最缺的从来不是模型，而是审计、审批、 diff 回滚、 docker 隔离和任务治理。所以 agent 工程化的底线是，模型可以不完美，但安全边界和执行闭环不能缺。 评估 agent 不 能只看模型回答是否通顺，而要看整个系统是否稳定、安全可控。第一类是执行有效性指标，比如工具调用准确率、上下文件所照回率、测试通过率和错误自动恢复率。 第二类是系统安全性指标，比如阅权动作拦截率、关键审批触发准确率和隐私数据脱敏命中率。 第三类是工程运行成本，比如平均任务延迟、 token 总成本以及死循环或锁死率。这说明 agent 的 评估对象不是单个模型，而是整个执行系统。评测原则应该从模型的意图追随能力转向整个执行系统的稳定性、安全性和经济性。 如果从零到一建设 agent， 我 建议按五步走，第一步，在本地 id 一 中引入 client 路由、 curser 等工具，先建立单点代码修改和验证闭环。 第二步，做特定工具调用流水，比如搜索、爬取、摘要、代码解锁和 get 操作。第三步，进入无头批处理工程化，把任务放进 docker 和 get work tree 中批量执行。 第四步，建立系统级安全机制，包括沙箱审批、日制和审计。第五步，再做 opencloud 或企业后台式智能助理，实现多入口、多模型、长期记忆和任务调度，不要一上来就做全自动。企业 agent 正确路线是先做小壁环，再做工具流水，再做工程划批处理，最后再平台划。 最后总结一下， agent 的 本质不是更聪明的聊天机器人，而是一套在复杂环境中动态流转的可执行系统。 open cloud 代表个人助理型 agent， cloud code 代表本地工程型 agent codex 代表团队平台型 agent。 国内模型已经可以很好地承担 agent 的 大脑，但 runtime 安全机制和上下文管理仍然需要大量工程建设。 下一代软件工程的核心战役不只是模型能力竞争，而是谁能搭建出一套高可路由、强可审计、可降级、结果可验证的现代 agent 技术站。 最后，用一句话收束 agent 不是 模型产品，而是工程系统。谁能把模型工具、记忆权限、杀伤、审计和评估连接成闭环，谁就能真正把 agent 落到生产力场景中。

最近大家可能都苦于论文写作及格式修改，今天跟大家分享我是如何用 ai 快 速润色修改文章的。我们首先要把大模型嵌入到 word 中，主流的模型有 gpt、 core deep c、 豆包等等， 这里选择的是目前最好用的 gpt。 打开我最近在写的一篇小论文，点击上方的 gpt for word 插件，点击右上角设置模型提供方，选中 openai 官网，创建并复制 api， 粘贴到 api 密钥下方，可以选中一些参数，比如说最大 token 等等。这里我们选择默认 回到聊天框，测试一下模型嵌入是否成功，看到成功回复消息，说明配备成功了。接下来我们来看如何用它来高效的进行论文写作。使用方法比较简单，我们只需 选择我们想要修改调整的段落，在聊天框进行提问即可。比如说我们想要润色修改第一段，修改完成后我们点击替换 原始段落后即可，非常方便。我们还可以用它来翻译段落，同样选中要翻译的段落，直接输入指令翻译，选中翻译完成后，点击替换原始段落即可。以后我们写英文文章时，不用在后台打开大模型一段一段翻译了，我们直接在 word 里面翻译即可。 除此之外，我觉得最好用的一个功能是可以直接帮我们检查修改文章的格式问题。我们选择要修改检查的段落，输入检查目标的格式，它可以自动帮我们检查，我们无需一句一句检查标点符号与病等问题， 相信写论文的同学应该会知道帮助有多大。这里他没有给我们修改，完全是因为我们 token 上线设置是八百，我们可以返回设置，将 token 上线设置高一些，就不会再出现类似问题。 最后这几个功能是我最近写论文用的比较多的功能，如果有更高级的功能，欢迎大家讨论分享。

如果你是一位正在搞科研的小伙伴，你是否觉得现在 gpt 或者 cloud 的 已经可以替代掉你去做科研了呢？在我心里的答案就是，我认为还不太能行吧， 这个呢，就从我自身来说起，我可能从啊，为什么不能替代，然后如果要替代的话，怎么样替代啊？是什么？为什么怎么样？这三个角度来讲，首先我的话就是一个老科研人，我自己的话在城市待了十年，然后 a c i 的 话是大概一座一座，加上共创的话是有六片， a c i 基本上都是一区的，然后中宿类的话有 啊，两篇以上，然后科研论文类的话有三篇以上这样子。嗯，我想从我自己的角度上去讲啊，二零一九年的时候开始读研，然后那个时候， 是啊，至少那时候不流行，可能 ai 已经有雏形了，那个时候我们做科研论文完全只能手搓，不管是说你写中数还是科研类的论文，那那个时候我们如果说做科研写中数或者做 科研类的文章，就主要就分这两类吗？如果做这两类的话，一般的基基本逻辑就是如果你写中数的话，就是你要看大量的文献，可能近十年的，然后以及说针对你要发的目标，比如说我们之前老师的目标就是最少要一开吗？所以我们老师对我们要求就是最少近十年，然后所有经典的经典的话可以延伸到二十年啊，最近二十年的经典文献，然后加上 近十年的比较权威的一区二区的，然后材料学的，以及说跟材料学交叉的文献全都要看，然后看完以后呢，我们最后就是每一篇文献都要提炼出来一些观点，提炼完了以后就再综合一起去梳理一个思路。比如说我们之前在写一篇啊论文的时候，他现已经发表在 progress in polymer science 这篇综述的刊刊里面。然后当时我们写这个思路的时候，其实就有两个点， 我们第一版想的呢，就是想因为我们这个东西主要主要写就天然多分，然后他怎么去做成高分材料。有时候我们第一版思路呢，老老师是被邀请去写这个论文的，第一版的思路呢，就是按照啊多分的类型去分，然后我们去按照多分的类型去分的时候就发现， 嗯，不太好去，就是我们可能写到一半就发现这个这个中数其实之前的前辈他们也有写过，就相当于我们怎么在前任面去发现我们写不出来我们科技组的特色，然后我们写的跟前任也很像，然后我们可能大概写了两到三个月吧。写完以后， 然后老师觉得，嗯，不太行，如果说我们真的要发在 progress employment science 的 话，这个角度不行，然后我们就推倒重来，然后后面我们就用呃材料的角度去分类，比如说聚氨酯啊、环氧树脂啊等等之类的，这样去分类，分类完以后呢，我们就团队去协助，因为刚好我们团队人的话，我们都是有做不同方向嘛，比如说我是做环氧树脂的，然后另外一个是做聚氨酯的， 然后另外一个人是做啊凝胶，凝胶类的，所以我们就是按照自己对于材料方面比较专业的点，然后再去往下去挖，比如说我对环氧树脂比较懂，我可能就知道，比如说腰果酚呐啊，然后一些绿茶酚呐等等之类的，就是以这个材料为终点，我知道可能成百上千种多酚，然后天然肌的或者合成肌的我就非常了解。那么我们第二版 的话，我们就是完全按照呃材料的类型来分，分完以后我们就是，嗯，最后大概可能就花了呃将近有一到两年的时间吧，最后他最后出来的时候是，呃两年后了，但是我们在洗的时候其实比较快。 呃，中间你你想想，我们还有花了两个月时间去推导我们第一版的一个思路，然后我我该讲就举个例子，我们在做中数类论文时候，他完全就手搓，然后他也会是有个思路，并且有个推导重来的一个过程的，会是会是这样子，然后磕眼泪的话，磕论文基本上也这样，每天来了就每个人必须先看十十篇以上不同的新的文献， 你可以在那个谷歌学术吗？或者说，呃，还有一些专门的网站，比如说 xmore 等等之类的，然后每天看，看完以后你看多了你就有灵感了。所以我们基本上前三个月都是看文献，去帮学长学姐去做实验，然后你一边看一边做，掌握了基础操作以后，你基本上就会有一个自己的 idea 了，然后你就根据你自己的 idea， 然后你就去设计实验，设计完实验以后你就开始做 啊初步的实验，当然基本上你在初步做实验的时候都会失败，所以前三个月你基本上全部都是试错的一个阶段，所以我觉得也是啊，没有问题了。然后你做错以后，你就当你试错了，三个月以后你就完全的领会了怎么去设计一个实验，然后你实验有什么痛点，然后你再去推翻，或者说你再去优化，然后再去做。啊。我跟我 一开始的时候，我是跟我一个同门一起，我们就是做第一篇 a c i 出来的时候，我们大概是七月份到十一月份，反正大概花了五个月的时间吧，就是我们俩完全不是材料学的，就这样跑通了一个最小的实验模型，因为你跑通以后，后面你就是去把它放大放大，然后再去做测试，再去写论文。后面的时间就是看个人，可能是半年，也可能是一年、两年。对，就基本上我前面分享的就是做第一种， 呃，就是综述类的，第二种实验类的，这两种其实都是有他自己的套路的。那，那这个可能就是我以前在读研时候古早的写 s c i 的 一个思路。那到其实二零二四年时候拆开 ppt 出来了，然后二零二五年大家基本上都用挺多了。我，我就是最早使用拆开 ppt 那 波人。那我一开始其实也用拆开 ppt 去写论文， 我在二四年、二五年时候，我觉得他是不可能替代的，因为为什么呢？因为那个时候我我还在搞研发，搞美妆研发，那个时候我最经常干就是我一下子下载出来二十篇、三十篇的论文。我想去找一个观点， 以前的时候大家都要读很多嘛？读很多，读完以后你才会有 idea， 但你有了 idea 以后，你就想偷懒，你就想丢给他，然后让他去挖。然后那个时候可能二五年时候他的他的点就是一，他一次性不能读取太多的文献，他可能 插入文献不能超过二十篇。第二，即便他插入超过二十篇了，他不一定真实的去读取你的文献和论文了。我相信真实去研究过的小伙伴，他是有这个痛点在的。所以基本上如果你一次性，后面我二五年用的时候，我，我非常清楚知道你一次性最多丢给他五到十篇论文，因为那个时候受限于上下文，受限于模型的能力 等等，他可能一次性只能读五到十篇，然后读完以后，并且五到十篇，他还不是说百分之百的读去了。所以基本上你想靠 ai 去跟你对话，得到你想要的 id 啊？我觉得是不可能，二五年时候是不可能，虽然我用二五年时候让 ai 辅助我做了一篇科研论文啊啊，但是我还是我主要是把它用在我做数据分析的阶段，并没有放在找点子的阶段。因为做科研论文最重要就是 找点子，做实验，做数据，写论文这四个阶段，我是把它用在了第三个阶段，所以基本上第一个阶段你就想靠着 ai 去造的话，我觉得不 ok。 然后对，这个是我自己的亲身经历吗？到二六年，当然二六年没过去太久。二六年呢？我，我自己没有在科研的一线，但我听到了我朋友的版本，所以这个时候我就觉得很神，因为我朋友呢是在读的一个博士，他会自己学习，有自己的学弟学妹吗？然后他的学弟学妹们呢？我朋友属于手搓论文版， 他的学弟学妹们属于完全靠尺子 gpt 版，因为我二五年直到完全是跑不通的，因为我当时发那篇核心刊物品那里已经已经已经登刊了，我是把它用在第三阶段做形式分析了， 因为我认为做科研论文它最重要的在前面两个阶段就是找点子和做实验。你做数据分析和写 a、 c i 不是 特别难的事情啊， 不，不是凡尔赛，我自己认为重点在前两个阶段，那么当时我听到我朋友就是我朋友，基本上因为他已经写了很多嘛，他是在食品科学行业的，所以他也发了很多疑刊。然后他的点就完全在于他是手头论文，因为可能就是 你已经见的够多了，想的够多了，做的够多了，所以你写起来的时候就是妙笔生花，就非常的快。但他的学弟学妹们呢？他从一开始就想偷懒。这波人就是 ai 的 原著名嘛，就是 ai 刚出来的时候，他就就刚好用上读研嘛，所以他从一开始就想用 ai 去偷懒。我觉得这个思路非常不对，因为你甚至没有去 系统的训练和培养好你怎么去做科研论文和实践，做科研的一个能力，然后你就想着让 ai 去替代你四个阶段，那基本不可能，你想点子想点子，一定要读。即便是到进 接下来三年，我认为这个 ai 也没有办法太代替。即便现在 cloud 它已经有或 d、 d、 c、 v， 它已经有如此长长的上下文的记忆功能，我仍然认为它替代不了人类自己去读文献识别，我认为它能做。第一阶段就是你读了很多的论文以后，你把它总结出来的观念，可能你读了一百篇文献，你每一篇都做一个 summary， 然后最后再让它去帮你找共识，我认为这个是可以的，但它不能替代掉人去读的这个阶段。然后第二阶段就做线线，线线 a 就 不可能替代啦，对吧？就肯定要。我们以前做材料学的时候，就在实验室，每天一呆就是十个小时以上，就是每天对着鱿鱼锅，然后对着 聚四伏以西等等。这种环境就是每天必须要做实验，做完实验以后去复盘，然后及时去把自己的数据去做处理分析，然后去找他的一些客观规律，然后失败了是什么原因，然后成功的话怎么去进一步往下推进？基本上所以第一阶段找点子他是不可能替代的。然后第二阶段， 对吧？做实验不可能替代，然后第三阶段我认为数据分析也是可以的，但数据分析最重要就是你要知道怎么用数据分析，这个前提点还是在于你要自己去读，因为同样的做数据分析的方式有非常多种，他可能有二十种 以上，就统计学一类的，所以你也要多看，看完以后你自己知道有二十种吗？然后你自己选出来五种，你让 ai 去帮你，比如说我的数据的情况，你认为，呃，哪一到三种是适合我做统计学分析，然后你再去选，选完以后再去做，做完以后最后你再去选你的科研论文，我认为这个是 ok， 然后但写科研论文的话是四个阶段串在一起的，所以说你任何一个环节你全部让 ai 去给你替代了，我认为很难。 如果说现在他能够用 ai 写一一区论文的人，我认为他肯定是以前已经经过系统培训的这一波人。这一波人的话，我，我认为就对你辅佐能力是很大的嘛。但对于原著名就是你刚上大学的，你刚读研的，如果你就想让 ai 去替你把这活干了，我认为是不可能的。所以呢，还是做一个过来人或做一个学姐的一个身份吧。就是。呃，也是从我朋友那里学到的一个点。就是。 嗯，做科研的人呢？还是说花更多时间自己去多读一些东西，然后保留一些手搓的感觉？ ai 只是只能起到一些辅助的功能。然后当然我也希望大家的科研顺利啦，早点毕业啦。因为大家的压力都很大，但是也不用想就说完全让 ai 去让我把所有活都干了，因为这是不可能的。 ok， 拜拜。

大家好，今天我想分享的是怎么用 soterio 科尔和 notebook lm 搭建一套学术工作站。这里说的学术工作站 其实不是什么很复杂的概念，对我来说，它更像是一套日常工作流。当我在看论文、整理资料、梳理思路，最后再把内容写出来的时候，能不能用一套比较稳定的方法把这些事情串起来， 而不是每一步都很乱？我这次想讲的重点也很简单，就是这三个工具分别适合做什么，它们为什么要放在一起，以及放在一起之后能帮我们解决哪些很实际的问题。我先讲一下， 为什么我会想把这三个工具放在一起。做学术的时候，最常见的问题其实不是完全不会，而是过程很容易断掉。第一个问题是资料越来越多，找起来越来越麻烦。论文、 pdf、 网页、笔记散在不同地方， 时间一久就会忘记自己到底存过什么。第二个问题是看了很多，但脉络不一定清楚，尤其是一口气读了不少文献之后，会记得一些点，但很难马上说清楚这个方向到底是怎么发展的，几篇文章之间是什么关系。第三个问题是脑子里有东西，但写不出来。 平时记的笔记可能很多，可一到写综述、写汇报或者整理发言稿的时候还是会卡住。所以我后来慢慢意识到，单靠一个工具很难同时把这三件事都处理好。比较合适的做法是把流程拆开，先把资料管住，再把内容理顺，最后再把想法写出来。 第一步是 zotero， 我 会把 zotero 放在最前面，因为它解决的是最基础的问题，资料放哪？后面怎么找？它对我来说，最重要的作用不是存论文，而是把文献、 pdf、 网页资料和引用信息集中到一个地方。这样一来，资料不会东一份西一份，后面回头找的时候也会轻松很多。 第二点是剪索。用文件夹标签和搜索去做分类，其实比单纯按本地文件夹管理要方便得多。因为做研究时，很多资料不是只属于一个主题， 他们往往会跨方法、跨任务、跨数聚集，这个时候标签系统就很有用。再往后一点看， so terro 其实是在帮我们降低记忆负担，很多时候，不是我们看的少，而是记不住放在哪里。把这个问题交给工具之后，人的注意力就可以更多放在内容本身。 第二步是 notebook lm。 如果说 so terro 解决的是资料管理，那 notebook lm 更像是在帮助我把看过变成理清楚。它比较适合做三件事，一是信息提取。比如我已经收集了一组合性论文，这时候我不一定是从头再读一遍， 而是会围绕具体问题去问，这几篇论文的创新点分别是什么？它们的方法差别在哪里？实验结论能不能放在一起比较？ 二是横向对比。单看一篇论文时，我们更容易盯着细节，但放到一组文献里去看，就更容易发现方法之间的差异，研究角度的变化，或者某个方向反复出现的问题。 三是辅助思考。这里我觉得要特别强调一点， notebook k o m 不是 替你读论文，它更像是一个帮你梳理逻辑的辅助工具。 notebook lm 还可以帮我们把零散信息变成一个更清楚的知识图。当资料数量多起来之后，光有摘要和笔记还不够， 因为它们还是限性的。这个时候如果能把核心概念、方法、分支、代表性工作，还有它们之间的关系整理成一种结构化的图，就会更容易看清整个方向的轮廓。知识图可以把一大堆文字压缩成更容易把握的结构，并且能更直观地展示研究脉络， 不只是知道有哪些论文，还知道这些论文之间是什么关系。同时它对后续输出很有帮助。无论是写综述、做开题，还是准备组会 ppt， 只要结构先清楚了，后面的表达一般都会顺很多。前面两步更多是在处理输入和理解， 而 core 更适合放在输出这一环。很多时候我们其实已经有了初步想法，也做了不少笔记，但这些内容还比较散，离正式表达还有一段距离。 core 在 这个阶段比较有用的地方是，它能帮我们处理草稿、整理结构、优化表达。比如实验记录比较零碎的时候， 可以先让他帮忙规划成提纲，比如某一段表达泰口语化，也可以让他帮忙调整成更适合汇报或者写作的表述。再比如，写出稿的时候，最难的往往不是不会写， 而是不知道怎么开头，这时候他也能帮忙把一个粗框架先搭出来。这里强调一下，科沃更适合做表达辅助，而不是替代判断。也就是说，研究结论还是要自己把关。但在组织语言、整理结构、降低起笔难度这件事上，他确实能省很多时间。 这套工作流可以很简单地概括成三步，第一步，用 serato 把资料收好管好。第二步，用 notebook lm 把内容理顺，关系看清。第三步，用科二把想法整理成能讲出来、写出来的内容。这三个工具真正的价值不在于功能简单相加， 而在于他们分别对应了学术工作里很关键的三个环节，输入、处理和输出。在我们进行科研时，找资料的时候不用反复，翻读文献的时候不容易，越看越乱， 写东西的时候也不会总停在第一句。真正高效的学术工作流，不只是多用了几个工具，而是把输入、处理、输出拆开，让精力留给真正重要的思考。

接下来给大家分享一下如何使用到 cloud 帮我们降低论文的 ai 率啊，比如说我现在这篇论文 ai 率达到了百分之九十啊，然后呢，我把这个所有的内容复制下来，然后放到这个里面去使用到 sonata 四点六啊，然后这个是我们的指令啊，就是降低六维 ai 率的指令，来把我们刚才内容直接上传上去啊，对吧？然后点击发送，让我们来看一下它使用到 cloud 之后的这段话的 ai 率到底会是多少， 并且 cloud 它可以一次性生成十万字的文字啊，不管是我们用来写论文科研或是用来写代码都是挺不错的。好，它已经写完了，这我从这一块这里复制， 然后打开这个大模型，我们先选气功，然后把粘贴上去，然后点击查询，后面直接减少到一半，只有百分之四十七了，原来是有百分之九十啊， 然后呢，如果我们还需要一般的用 v i 率要达到百分之五到二十左右啊， 我们下一步呢，可以再次的去进行复制，然后再回到这里去进行的， 让它帮我们再次降低 ai 率，也可以自己后续就可以自己手动地稍微去修改一下，添加一些自己的一些话语或自己的一些想法等等之类的。如大家也想使用到 cloud 用来写论文，降低 ai 率，科研等等，都可以点击我主页的置顶作品找到我。

谁敢信？写论文再也不用频繁请教导师，一站式 sci 写作网站帮你全程搞定，堪称目前最全的 sci 写作指导平台！从摘药方法、结果到讨论逐一精讲详解，文献引用规范与口头汇报技巧、 研究计划、转写方法也全部覆盖，海量优质范文直接参考，手把手教你搭建论文整体框架，内容细致又实用，写论文必备！