學術研究達人：從文獻回顧到基因體分析，苦工先讓 AI 扛

這行的痛點

學術研究的苦工有一個共同特徵：規則清楚、重複性高，但錯一步代價很大。文獻回顧要篩幾百篇摘要、抽結構化資料；質性訪談要逐字稿跑主題編碼；統計建模要盯遺漏值有沒有被悄悄丟掉；投影片與論文格式要維持期刊等級的一致性。這些工作不是「不能自動化」，而是過去沒有一個工具同時懂研究邏輯、又跑得動本機工具鏈（LaTeX、R、Python、git）。

Claude Code 補上的正是這一塊：它不是網頁版聊天視窗，是能直接讀你的資料夾、編譯你的 .tex、跑你的 R 腳本、把重複流程存成可重複使用的 skill 的命令列工具。Anthropic 甚至為此開了一條完整產品線——2025 年 10 月上線的 Claude for Life Sciences、2026 年 7 月進 beta 的 Claude Science 多代理科研工作台，接超過 60 個科學資料庫。

這不是廠商自吹自擂。The Republic of Science 的 Charles Yang 拿 ORCID 檔案交叉比對 GitHub commit 紀錄，從近 1,600 萬筆學者檔案中篩出 331 位有公開紀錄在用 Claude Code 的科學家，採用率約 2.1%，且經濟學與社會科學領域的採用率（1.4%–3.4%）高於電腦科學本身。換句話說，這不是工程師在自嗨，是研究者真的把它當研究工具用。

動手前的準備

• 先看 Claude Code 教學第 2 章「安裝 Claude Code」——本章所有場景都假設你已經能在終端機打開 claude。
• 先看 Claude Code 教學第 5 章「CLAUDE.md 與工作記憶」——本章幾乎每個場景都靠 CLAUDE.md 當「研究日誌」記錄研究問題、codebook、誠信規則，這是最高槓桿的一步。
• 若要接 Zotero、PubMed 等文獻資料庫，先看 Claude Code 教學第 9 章「連接工具 MCP」。
• 場景一的多代理覆核生產線會用到 subagent 概念，先看 Claude Code 教學第 10 章「多代理自動化」會比較好上手。
• 若研究涉及訪談逐字稿或敏感資料，動手前先確認研究倫理委員會（IRB）規範與受訪者同意書是否涵蓋「AI 輔助分析」——這不是 CLI 技巧，是每個場景都要先過的關卡。

場景一：多代理生產線做課程投影片

Emory University 計量經濟學教授 Pedro Sant'Anna 要為研究所課程「Econ 730: Causal Panel Data」產出上百張 Beamer 投影片、可互動的 Quarto 簡報，還要維持論文級的排版與內容品質——一個人手工做格式校對會吃掉所有研究時間。他把整套流程開源成 claude-code-my-workflow（GitHub 約 1.4k stars、2.7k forks，MIT 授權；作者自陳有 15+ 研究組跨經濟、能源、政治學、工程領域採用）。

Claude Code 怎麼做

1. 環境需求：Git、Python 3.9+、Claude Code、XeLaTeX、Quarto、R、pdf2svg、gh CLI。
2. 設定 14–18 個「窄職能」reviewer subagent，不是一個萬用 agent：proofreader（文法錯字一致性）、slide-auditor（版面間距）、pedagogy-reviewer（依 13 種教學法框架審查）、r-reviewer（程式碼品質與可重現性）、tikz-reviewer（圖形批評）、quarto 的 critic/fixer 對抗式配對，以及模擬完整同儕審查的 domain-reviewer / methods-referee / editor。
3. 核心 slash 指令包含 /create-lecture、/review-paper --peer <期刊>（模擬 editor 加 2 位「刻意不同立場」referee，把問題分成 FATAL／ADDRESSABLE／TASTE 三級，對 AER、QJE、JPE、Econometrica、ReStud 五本期刊校準）、/qa-quarto、/compile-latex、/audit-reproducibility。
4. 品質閘門機械化：每個產物打 0–100 分，/commit 擋 80 分以下（要覆寫必須明講理由）、PR 要 90 分、卓越等級要 95 分；對抗式 critic-fixer 迴圈跑到「連續 2 輪乾淨」或封頂 5 輪才停。
5. 搭配 hooks 自動化：壓縮 context 前先快照、git 護欄擋 reset --hard／clean -f／push --force、腳本改動時自動核對先前的宣稱是否仍成立。

$ git clone https://github.com/pedrohcgs/claude-code-my-workflow my-course
$ cd my-course && ./scripts/validate-setup.sh
$ claude
> /create-lecture "Econ 730 Week 6: Difference-in-Differences with Staggered Adoption"
> /review-paper --peer AER

成效：累計產出 800+ 張 PhD 課程投影片、互動 Quarto 簡報與 R 複製包；使用者回報把研究助理的時間從「排格式」轉到「高價值的智識工作」。

換成 Codex CLI

同一套 academic-research-skills 有 Codex 原生移植版本（academic-research-skills-codex），指令與流程對齊，可在 Codex CLI 執行，Codex 側同樣用 AGENTS.md 承載規範。但要老實講：Sant'Anna 本人這套範本吃的是 Claude Code 專屬的 subagent 與 hooks 機制，Codex 要複刻同等的「多代理覆核 + 機械化品質閘門」，得自己用 codex exec 手動串接，不是開箱即用。

場景二：訪談逐字稿主題編碼與引用查證

質性研究者手上一堆訪談逐字稿，要做主題編碼（thematic coding）、跨稿找矛盾、產證據表——手工用 Ctrl+F 對照要花好幾天。ccforeveryone 針對研究者寫的指南示範了一套不用寫程式的 Claude Code CLI 工作流。

Claude Code 怎麼做

1. 整理素材：一份訪談一個 markdown 檔，命名一致（如 p01-maria.md）。
2. 把 CLAUDE.md 當「研究日誌」（約 200 行）：寫清楚專案描述、研究問題、codebook（編碼簿）、決策日誌、誠信規則。
3. 分批編碼：一次處理 5–8 份逐字稿，要求輸出「主題 + 逐字引句 + 檔名 + 位置」。
4. 找矛盾：問「受訪者在哪裡意見分歧」，再把發現對照研究假設。
5. 查證（最關鍵的一步）：把每一句被引用的字串回頭在原始檔案裡搜一次，標出「找不到」的引句——防捏造、也防被「潤飾得更通順」。
6. 綜合：把各批摘要併成 themes.md（可回溯引用的主題）與證據表 evidence-table.csv。
7. 想加速可平行處理：一次開 5 個 subagent，各處理 2 份逐字稿；但開跑前 codebook 一定要先釘死在 CLAUDE.md，否則五個 agent 會各自對同一個抱怨取五個不同名字，產出互不相容的主題清單（codebook drift）。

> 讀 interviews/p01-maria.md 到 p08-*.md 這 8 份逐字稿。
> 依照 CLAUDE.md 裡的 codebook 做主題編碼，每個主題附：逐字引句、檔名、行號位置。
> 編完後，把每一句被引用的原文回頭在來源檔案裡搜一次，標出「搜不到」的引句。

成效：把「好幾天手工編碼」壓到「一個下午的覆核」，產物包含 themes.md、evidence-table.csv（審計級：引句對來源）與一份「所有引句都逐字存在於來源」的查證報告。

換成 Codex CLI

Codex CLI 目前找不到質性研究訪談編碼的第一手案例，但用它的通用能力應該也能做到類似效果：Codex 一樣能批次讀多個 markdown 檔，依你在 AGENTS.md 定義的 codebook 規則整理輸出。只是這個場景沒有具名研究者實測過，引用查證這一步（把每句引文回搜原始檔）需要你自己在 prompt 裡明講，不能假設它會主動做。

場景三：研究資料 EDA 與統計建模的防呆紀律

社會科學／行為科學研究者要跑探索性分析、統計建模、產圖表、稽核既有分析腳本——最怕 AI 悄悄丟掉遺漏值那一列或把它補成 0 卻不講一聲。Thomas Manandhar-Richardson（"Richie"，PhD，Bryant Research 研究總監、氣候 NGO Greener By Default 首席資料顧問）寫了一篇「同時用 Claude Code 與 Codex CLI 做社會科學研究」的第一手學習筆記。

Claude Code 怎麼做

1. CLAUDE.md 是最高槓桿的一件事：寫清楚專案目的與交付物、人類可讀的資料夾命名（別用 tmp 這種）、永不刪檔（要清就移到 project-trashcan/）、raw_data/ 原始資料保護、別用電腦科學家的語言溝通。
2. 檔案結構固定分工：raw_data/（防覆寫）、analysis_code/、outputs/graphs/、outputs/tables/（markdown 摘要表）、write-up/。
3. 靠視覺化驗證而非讀程式碼：刻意「比平常多產很多圖與表」，用輸出檢查抓錯。
4. 定期稽核：叫 agent「看這份 R/Python 腳本，有沒有哪裡怪怪的」。
5. 不用 Jupyter notebook（對 Claude 來說像一份超長的 JSON），改用 hydrogen notation（# %% cell 標記的純 Python 腳本），VS Code 可互動執行、AI 又讀得懂；每張圖獨立一個檔，方便快速迭代不用重讀整份長腳本。
6. 委派重要任務前先問 agent：「你知道你在幹嘛、為什麼這樣做嗎？」確認它真的懂概念再放行。

CLAUDE.md 摘錄：

- raw_data/ 底下的檔案永遠不可覆寫或刪除，要清就移到 project-trashcan/
- 遇到遺漏值：明講怎麼處理（刪列／補值／保留 NA），不可以靜默丟棄或補 0
- 每個統計方法選擇前，先檢查常態分布假設是否成立
- 別用電腦科學家的語言跟我溝通，用社會科學研究者聽得懂的說法

> 看 analysis_code/model_v3.py，有沒有哪裡怪怪的？特別檢查遺漏值是怎麼處理的。

成效：作者稱「從沒這麼有生產力過」，並預測「最終所有科學家都會把這類工具當研究主力」。

換成 Codex CLI

這是少數有第一手直接對照的場景——Richie 在同一篇筆記裡明講：Claude Code 贏在問題解決與推理、對研究任務的脈絡理解、過程溝通清楚，更適合以研究者為中心的工作流，但有用量限制；Codex CLI（走 ChatGPT Plus）贏在複雜軟體工程問題，但這類問題在社會科學研究「相當罕見」，對典型社科任務反而較不順手。

場景四：生醫與基因體研究——官方點名的實驗室案例

計算生物與濕實驗研究者要跨 PubMed、10x Genomics、BioRender、單細胞 QC 等各自孤立的工具做完整流程；或要對 CRISPR 敲除實驗的基因分群做生物學詮釋。這是 Anthropic 官方部落格點名具名實驗室的成效案例。

Claude Code 怎麼做

1. Stanford 的 Biomni 平台把過去要寫客製 pipeline 的分析，改成用自然語言對一個「總協調 agent」下指令，由它規劃並串接上百個工具與資料庫執行：GWAS 分析從「數月」壓到「20 分鐘」；30 人穿戴裝置的 450+ 檔資料，從估計「3 週」做到「35 分鐘」；分析 33.6 萬個單細胞的基因活性，確認已知關係並找出新的轉錄因子。
2. MIT Whitehead（Cheeseman Lab）的 PhD 生 Matteo Di Bernardo 建了 MozzareLLM，自動詮釋 CRISPR 實驗的基因分群、找共同生物過程、並替每個判讀標信心等級。Cheeseman 本人的評語是 Claude「一直抓到我漏看的東西……每次都是我們能理解也能驗證的發現」，判讀水準比對到有 5 年以上經驗的博後。
3. Stanford Lundberg Lab 用分子關係圖（蛋白交互、結構相似）讓 Claude 導航，依分子性質而非既有文獻生成假設，正用來驗證初級纖毛（primary cilia，這是研究不足的結構）。
4. Claude Code 的生命科學 plugin marketplace 把 PubMed 自動搜文、10x Genomics Cloud 的 single-cell RNA-seq 分析與 QC、BioRender 產可發表科學圖整進同一個環境，不用在多個平台間切換帳號貼資料。

> 幫我分析這批 CRISPR 敲除實驗的單細胞分群結果，找出每群共同的生物過程，
> 並標出你對每個判讀的信心等級（高/中/低），信心中等以下的標出需要人工複核的理由。

換成 Codex CLI

Codex CLI 目前找不到生醫／基因體研究的第一手案例，但用它的通用能力應該也能做到類似效果：OpenAI 官方案例裡，NVIDIA 研究員用 Codex 做的正是同一類事——發想研究方向、撰寫機器學習基礎設施腳本。搬到生醫情境，理論上可以用來寫資料清理或 pipeline 串接腳本，但目前沒有具名生醫實驗室公開示範過，沒有真實數字可以佐證。

常踩的坑

延伸資源

• Pedro Sant'Anna：claude-code-my-workflow 開源專案介紹
• ccforeveryone：質性研究者的 Claude Code 使用指南
• Thomas Manandhar-Richardson：同時用 Claude Code 與 Codex CLI 做社會科學研究的學習筆記
• Anthropic 官方：科學家如何用 Claude 加速研究