我不是 AI 大神，也不是技术博主。 我只是一个会被组会、论文、数据、图表、代码和 deadline 追着跑的普通博士(一周一次组会)。 使用了Codex/ Claude Code这三个月，我的状态可以用两个字形容：上头！ 不是那种“哇AI好厉害”的新鲜感，是一种很具体的感觉/兴奋：以前脑子里有很多想法，但每个想法后面都跟着一长串磨人的中间环节——数据要清洗、代码要改、报错要查、图要重画、汇报要整理。现在第一次觉得，只要我能把问题说清楚，很多东西真的可以被做出来。 以前 Python、R 、Latex、Quarto、GitHub、Git 等几乎是日常必备工具。做一张图，可能要先处理数据、匹配变量、写代码、调格式、检查结果。顺利的时候半天，不顺利一天可能也就折腾一两张。 但用了 Codex / Claude Code 之后，工作方式开始变了。 现在我更多是去描述目标： 我想比较哪些样本，想看什么异质性，想看idea可能性，想批量画哪些图，想跑什么模型，然后让 Agent 去实现我的想法并迭代，我再负责判断结果靠不靠谱。 这个变化对科研人来说很大。 因为科研里最有价值的，其实是【提出问题、判断机制、解释结果】。但有体验过古早手搓code的科研人都知道，原来很多时间都会耗在中间模块化的重复执行上。 当然，codex和cc并不是魔法。刚开始我也被安装、配置、账号、网络、API、MCP、skills、项目路径、会话交接卡过很多次，并且在没有配置好适用的skills和mcp时候也感受不到他们的强大。 所以我越来越觉得，AI Agent 不是不用学习，而是对科研人综合判断力要求更高了。 你要会拆任务，会查漏洞，会复核结果，把控它的运行边界。 使用codex/cc融入科研过程后最明显的感受是，从“亲自操作的人”变成了“设计任务和验收结果的人”。 以前有新想法🔥，我第一反应是：有时间再试 现在我第一反应是：我让AI试试 这可能就是我重新理解“科研效率”的开始。 AI 不是替我思考，而是把我从很多重复执行里拉出来，让我有机会把精力重新放回问题、判断和创造上。 🚶我还是一个普通科研博士，也还在学习路上。学习每天用一点AI，习以为AI❤️ ps：来自今日组会结束后的碎碎念分享 #vibecoding #科研效率 #codex #ClaudeCode #学术工具 #论文 #研究生 #我的博士学习 #howto用好AI #howto入门codex