最近我在尝试把 Claude Code 和 Codex 联用，推进课题数据分析和论文撰写。 我没有让两个 AI 各自重做一遍，而是让它们共享同一个项目文件夹。里面包含 bulk RNA-seq、单细胞数据、既往分析结果、R 脚本和图片。 比如，我想判断一组 siRNA RNA-seq 数据是否值得放进论文。Codex没有只看“有没有显著差异”，而是将其与过表达数据进行系统比较。 结果发现，siRNA 组只有约80个显著差异基因，而过表达组接近4000个。由于基础状态下目标基因表达很低，敲低数据也没有形成清晰的反向验证。因此，Codex建议不要将这组数据放入主图，而应重点保留体内敲除、过表达和单细胞轨迹分析等更有说服力的证据。 另一次，我想增加人类疾病数据中相关基因的分析。Codex重新下载公开数据，复现了52例对照和40例患者的结果，还反推出原分析采用的是“测序批次＋疾病分组”的 DESeq2 模型。确认统计模型一致后，才加入新的候选基因，并生成热图和 signature score。 Codex的5小时用量额度很快就用完了，于是我让 Claude Code进入同一个项目目录，继续进行单细胞配体—受体分析。 Claude Code在审计数据时发现，之前有一种内皮细胞因为使用了缩写，被误认为上皮细胞。缩写确实容易造成误判，但这件事也提醒我：AI生成的细胞注释和生物学结论必须经过交叉检查，不能因为图做出来了就默认结果正确。 所以，我现在的工作方式更像是让两个 AI 接力： Codex先读取项目、复现分析并评估证据；达到用量限制后，Claude Code进入同一目录，审计结果、补充分析并继续生成图表和论文内容。二者发现的问题也可以相互验证。 重度使用时，Codex和Claude的额度消耗都很快。我目前会用 GitHub 上的 AI Token Monitor实时查看用量，并错开使用两个工具。 #Codex #ClaudeCode #AI科研 #生物信息学 #RNAseq #单细胞测序 #论文写作 #科研工具 #科研日常 #博士后