AI 交流分享会

location: 215
author: Tommy Song

[附上一张二维码]

今天想让大家带走什么？

  • 知道 Chatbot 和 Agent 的区别
  • 会用 Claude Code / Codex 做一些真实任务
  • 知道什么时候该开新 session、压缩 context、使用 memory
  • 能把 AI 接入科研工作流：读文献、写笔记、做图、做实验、做 slides
  • 少踩几个坑：额度、上下文污染、误操作、模型选择

Outline

  • Agentic Coding：从聊天到真正做事
  • Claude Code：常用命令、模式和小技巧
  • Codex：本地任务、浏览器验证、Computer Use
  • AI + 科研：绘图、Slides、NotebookLM、笔记软件
  • 我的工具组合与主观经验

Agentic Coding

从聊天到真正做事。

从 Chat 到 Agent

普通聊天：

  • 你问一句，它答一句
  • 主要输出文本
  • 很少主动验证结果

Agent：

  • 能读文件、跑命令、调工具、改代码
  • 能根据结果继续下一步
  • 能形成 反馈循环

879

400

先记住 6 个概念就够了

  • Token：模型处理信息和计费的基本单位
  • Context：模型当前一次能看见的工作空间
  • Session：一次连续工作现场
  • Memory：跨 session 保留的长期信息
  • MCP：让 AI 连接外部工具的协议
  • Skills：按需加载的专业能力包

先不用背术语，关键是知道它们会影响：价格、速度、准确性和可控性。

Token：为什么会贵？

模型处理文本的最小单元。

  • 1 token 大约等于 0.75 个英文单词，或约 1.5 个汉字
  • Input Token：你输入、文件、工具结果、历史上下文
  • Output Token：模型生成的内容，通常更贵
  • Cache Read / Write：命中缓存后成本会明显下降

烧钱的本质：不是“问了几句话”，而是“塞了多少 token”。

https://platform.claude.com/docs/en/about-claude/pricing

599

808

Context：为什么 AI 会忘、会乱？

Context 是模型一次“看得见”的工作空间。

  • Context Window：一次最多能装下多少 token
  • Context Overflow：超出窗口后，早期内容可能被截断
  • Context Compression：旧对话被自动压缩成摘要
  • Context Pollution：无关信息太多，输出质量下降
  • Context Engineering：只把真正有用的信息放进去

一次性灌太多材料，不一定更聪明，很多时候只是更混乱。

441

476

Session & Memory

Session 是一次连续工作现场：

  • 有独立的 context window
  • 可以通过 /resume 或 session id 恢复
  • 适合按项目、按任务拆开

Memory 是跨 session 的长期信息：

  • 项目说明、个人偏好、常用路径
  • 例如 CLAUDE.md、AGENTS.md、自动 memory、笔记库

Context = 这次我看见了什么；Memory = 下次我还应该记得什么。

MCP & Skills

MCP：Model Context Protocol

  • 标准化工具 / 资源调用协议
  • 让 Claude、Codex 等接入 GitHub、Notion、浏览器、数据库、Anki……
  • 可以理解成 AI 工具世界里的“接口标准”

Skills

  • instruction + 资源 + 脚本 的专业知识包
  • 不用时不占 context，用到时再加载
  • 例：pptx、frontend-design、obsidian-markdown

Agent 真正变强靠什么？

不是只靠更长提示词，而是靠工作流。

  • Feedback Loop：做一步，看结果，再调整
  • Harness Engineering：给 Agent 配工具、权限、规则和外壳
  • Orchestrator：把复杂任务拆解、排序、并行
  • Delegation：把搜索、审查、实现交给不同 subagent

Feedback Loop：最重要的思维

Agent 调用工具 -> 拿到结果 -> 据此调整下一步。

典型例子：

  • 跑测试 -> 失败 -> 读报错 -> 改代码 -> 再跑
  • 编译论文 -> 报错 -> 查缺失包 -> 修 LaTeX -> 再编译
  • 打开网页 -> 截图 -> 发现遮挡 -> 改 CSS -> 再看

没有反馈的 Agent，只是在猜。

怎么用起来？

  • 选择入口：Claude Code / Codex / 其他 Agent 工具
  • 解决认证：账号订阅、API Key、OAuth、中转站
  • 控制成本：模型选择、context 管理、缓存、分任务开 session
  • 建立习惯：每次让 AI 真的跑一下、看一下、验证一下

配图：

667

推荐大家一个很有趣的短视频：

https://www.bilibili.com/video/BV15XQyBjEHc/?spm_id_from=333.337.search-card.all.click&vd_source=f4ff90f6cc9f047c8f715e66ae009eb7

CC-Switch

https://github.com/farion1231/cc-switch

一句话介绍：

一个跨平台的 All-in-One assistant 工具，可以统一管理 Claude Code、Codex、OpenCode、openclaw、Gemini CLI 等工具入口。

适合：

  • 多个模型 / 多个 provider 来回切换
  • 本地统一管理 API Key、Base URL、模型配置
  • 想快速比较不同 Agent 工具体验

配置 CC-Switch

核心配置：

  • Base URL
  • API Key
  • Model
  • Tool / Agent 类型

499

Claude Code

适合做什么？

  • 理解一个陌生代码库
  • 修改代码、跑测试、修 bug
  • 批量重构、写脚本、整理文档
  • 让 AI 在终端里形成可验证的工作流

Claude Code 的常用工作姿势

不要一上来就说“帮我改一下”。

更推荐这样：

先读这个项目的 README、package.json 和入口文件。
告诉我它的技术栈、启动方式、核心模块。
先不要改代码。

然后再说：

现在帮我实现 xxx。
改完后跑测试或启动服务验证。

Claude Code：上下文相关命令

这些命令解决“对话越来越长”的问题。

  • /context：查看当前 session 的上下文占用
  • /compact：压缩当前对话，释放 context
  • /resume：恢复之前的 session
  • claude -c：命令行直接继续最近一次 session
  • claude -r <session-id>：按指定 session id 恢复

长任务不要硬撑，该 compact 就 compact，该开新 session 就开新 session。

Claude Code：控制方向的命令

这些命令解决“AI 走偏了怎么办”。

  • /rewind：回到之前某个 turn，重新走一遍
  • /config：打开配置面板，调整权限、模型等
  • /model：切换模型
  • /effort：调整 reasoning budget
  • claude --verbose：打开详细日志，排查 MCP、hook、权限问题

Claude Code：工程化能力

  • /mcp：查看和管理 MCP 服务器
  • /agents：管理 subagents
  • Hooks：在特定事件触发 shell 脚本
  • Skills：让 Claude 按需加载专门能力

适合做：

  • 自动注入项目背景
  • 自动检查危险命令
  • 给不同任务分配不同 agent
  • 让 Claude 接入浏览器、GitHub、数据库、Anki 等外部系统

Claude Code 的几个 Mode

权限光谱：从“先想清楚”到“全自动执行”。

  • Default：每次工具调用都确认，适合新手和关键目录
  • Plan mode：只读不写，适合先分析方案
  • Accept edits：自动接受编辑，适合方向明确的批量改动
  • Bypass permissions：跳过权限确认，只建议在沙盒、容器、临时 worktree 使用

Tips：按住 Shift + Tab 可以快速切换模式。

Claude Code Demo：研究一个陌生项目

可以现场演示：

请先不要改代码。
阅读 README、依赖文件和入口文件。
告诉我：
1. 这个项目是做什么的
2. 技术栈是什么
3. 怎么启动
4. 核心模块在哪里
5. 如果我要加一个功能，应该从哪里入手

Claude Code Demo：让它闭环验证

关键提示词：

实现后请你自己验证。
如果有测试就跑测试；
如果是前端就启动服务并检查页面；
如果是脚本就用一个最小样例运行。
最后告诉我验证命令和结果。

重点不是“AI 写了什么”，而是“它有没有验证”。

Codex

Codex 更适合：

  • 本地 workspace 里的代码修改和文件操作
  • 浏览器 / 前端页面验证
  • Computer Use：操作桌面应用
  • 长任务中持续读文件、改文件、跑命令
  • 和你一起做“本机真实环境”的工作

Why Codex？

  • 对本地 repo 的协作感更强
  • 浏览器验证、截图检查、Computer Use 体验更完整
  • 适合把任务从“回答问题”推进到“完成一个本地交付物”
  • 对文件、终端、前端预览的闭环更自然

Claude Code 和 Codex 不一定二选一，可以按任务搭配。

Claude Code vs Codex：我怎么选？

场景 更推荐
终端里快速改项目 Claude Code / Codex 都可以
需要本地浏览器截图验证 Codex
需要桌面应用操作 Codex Computer Use
需要 Claude 生态 MCP / Hooks Claude Code
想比较多个模型 / provider CC-Switch
长期项目记忆和固定规则 两边都要配置好项目说明

Codex Demo：修改一份 Markdown

可以现场演示这件事：

请阅读这份 Markdown slides。
帮我把它改成更适合 30 分钟分享的结构：
1. 保留原来的图片
2. 统一 slide 分隔符
3. 每个技术点都加一个可演示的小例子
4. 直接修改原文件，并备份一份

这类任务适合 Codex，因为它能直接在本地文件系统里完成。

Codex Demo：前端闭环

适合演示：

启动这个前端项目。
打开本地页面。
截图检查布局。
如果文字溢出、按钮重叠、画面空白，请直接修复。
最后告诉我访问地址和验证结果。

重点：

  • 不是只写代码
  • 还要真的打开页面看
  • 修改后再验证

AI + 科研

AI 可以帮科研做什么？

  • 读论文：提炼问题、方法、贡献、局限
  • 写笔记：把散乱内容整理成结构化知识
  • 做图：流程图、框架图、示意图、配色参考
  • 做 slides：从论文 / 笔记生成讲稿结构
  • 做实验辅助：写脚本、画曲线、整理结果

当下做图的痛点

  • 直接调提示词，很难一次得到满意的图
  • 时间长，迭代慢，成本高
  • 模型容易把文字、结构、风格混在一起
  • 论文图需要准确，不只是“好看”

所以我的建议：

不要指望一次生成最终图，而是找到 AI 最擅长的部分。

AI 绘图更适合帮哪几件事？

  • 布局参考
  • icon / 元素风格
  • 配色方案
  • 视觉隐喻
  • 初稿探索
  • 局部重绘

不建议完全交给 AI 的部分：

  • 关键公式
  • 精确坐标
  • 论文中的严谨文字
  • 最终可投稿版本的排版细节

我的科研绘图流程

  1. 先用文字说清楚这张图要表达什么
  2. 让 AI 生成 2-3 个结构草图
  3. 选一个布局方向
  4. 分开迭代：布局、icon、配色、文案
  5. 用最好模型生成高质量初稿
  6. 最后进 PPT / Figma / draw.io / LaTeX 里重排

792

（图片由 GPT-image2 生成）

一个可复用的绘图提示词

我要做一张论文方法框架图。
主题是：[你的方法主题]
图中必须包含：[模块 A]、[模块 B]、[模块 C]
它们之间的关系是：[数据如何流动]
风格要求：
- 学术论文风格
- 简洁、清晰、适合放在 slides
- 不要复杂背景
- 文字只用英文短词

请先给我 3 个布局方案，不要直接出图。

多模态模型和工具选择

可以关注：

  • nanobanana
  • nanobanana2
  • GPT-image2
  • 其他图像生成 / 编辑模型

678

正式分享前建议更新一版：模型名字、价格、效果都变得很快。

推荐阅读

  • https://x.com/hitw93/status/2032091246588518683?s=46
  • https://x.com/JustinLin610/status/2037116325210829168
  • https://mp.weixin.qq.com/s/tO15UKQG0WtTBTNz8QLQjQ

工具组合与心得

把前面的工具串成自己的长期工作流。

Slides / NotebookLM / BrowserUse / ComputerUse

这些工具可以串成一个科研工作流：

  • NotebookLM：围绕论文、资料做问答和总结
  • Slides：把笔记转成汇报结构
  • BrowserUse：需要网页操作时自动浏览、搜索、填写
  • ComputerUse：需要操作桌面软件时接管 GUI
  • Obsidian：沉淀自己的长期知识库

笔记软件怎么选？

可以从这几个维度比较：

  • 多设备同步
  • 隐私性
  • Markdown 兼容性
  • 离线可用性
  • AI 接入难度
  • 长期可迁移性

Notion / Obsidian / Word / OneNote / 幕布

工具 优点 注意点
Notion 协作强、数据库强、界面友好 离线和迁移成本要考虑
Obsidian 本地 Markdown、可控、插件丰富 同步和插件配置需要折腾
Word 正式文档、格式稳定、审阅强 知识库和链接能力弱
OneNote 手写、课堂笔记、多设备体验好 Markdown 和导出不够理想
幕布 大纲整理快 长期知识管理能力有限

我的工具组合

可以按任务分工：

  • Obsidian：长期笔记和个人知识库
  • NotebookLM：围绕一批文献快速问答
  • Claude Code / Codex：本地项目、脚本、文档和自动化
  • 图像模型：科研图初稿、配色、视觉方案
  • PPT / Figma / draw.io：最终排版和精修

675

一点小小的心得

  • 用好模型做关键任务，用便宜模型做批量任务
  • 复杂任务要拆小，不要一次塞满
  • 让 AI 自己验证结果，而不是只让它“生成”
  • 保存好的提示词、项目说明和工作流
  • 不要迷信某一个工具，工具会变，方法更重要
  • 别掉队，但也不用焦虑，只和过去的自己比较

我的主观模型感受

🤩 顶级旗舰
Claude Opus 系列、GPT 旗舰系列

👊 国产模型
Mimo、GLM、DeepSeek、Kimi 等

668

656

（纯主观感受，正式分享前建议更新到当天版本。）

636

更加重要的是：形成自己的工作流

870

工具会变：

  • 今天是 Claude Code / Codex
  • 明天可能是新的 Agent 工具
  • 模型名字和价格也会一直变

但长期有效的是：

  • 会拆任务
  • 会控制上下文
  • 会让 AI 验证
  • 会把经验沉淀成模板和笔记

结束页

Stay curious, keep exploring!

Have a good day! 😃