AI 到底能帮你干什么
提效全景与心法
不吹不黑:哪些场景提效最猛、每个场景的正确姿势、三大编码代理怎么选、跨场景通用心法,以及普通人从零到熟练的路径。每个关键论断都有出处——包括"AI 有时会让你变慢"这条扎心的。
全景地图:AI 擅长什么、不擅长什么
先建立一个诚实的能力边界认知,再谈提效。2026 年年中的通用大模型(Claude / GPT / Gemini)在下面这张表里的左列已经"稳定可用",右列则仍需人类兜底——把任务放错列,是一切失望的来源。
| ✅ 擅长(放心交给它) | ⚠️ 不擅长(必须人把关) |
|---|---|
| 初稿生成:文章、代码、方案、邮件——从 0 到 60 分极快 | 最后 20 分:观点、品味、取舍,仍是人的活 |
| 格式转换与结构化:乱笔记→表格、录音稿→纪要、需求→代码骨架 | 事实精确性:会一本正经地编造(幻觉),重要事实必须核验 |
| 总结压缩:长文档、论文、会议记录提炼要点 | 时效信息:训练截止后的事,不联网检索就不可信 |
| 翻译与润色:接近母语水平,风格可控 | 长链路无验证任务:没有检查点的多步任务,错误会累积放大 |
| 头脑风暴:一次给 10 个方案,人来挑 | 精确计算与计数:让它写代码算,别让它口算 |
| 跨领域入门讲解:任何学科的"耐心私教" | 责任与决策:医疗/法律/投资等高风险决定,AI 只能当参谋 |
| 代码:写脚本、修 bug、解释报错——有编译器和测试天然兜底 | "帮我做完全部":越模糊的全权委托,翻车率越高 |
三个反直觉的数据
- 用途分布取决于样本。Anthropic 经济指数按职业和任务分类，不应直接当作所有平台或所有用户的市场份额。
- 协作与自动化要区分。研究中的“协作”定义、时间窗和平台会影响比例；对个人工作流更有用的问题是：哪一步由模型做、哪一步由人验收。
- 主观变快不等于实际变快。METR 的结果来自特定开发者、代码库和任务，适合提醒我们测量自己的完成时间，不适合外推成所有团队的固定损益。
来源:Anthropic Economic Index(2026 年 1/3/6 月报告) · METR:Measuring the Impact of Early-2025 AI on Experienced Developer Productivity
场景 × 收益矩阵:哪里提效最猛
八大场景按"提效潜力"排序。潜力大小不由技术炫酷程度决定,而由三个问题决定:有没有验证方法?错了代价多大?重复频率高不高?验证越容易、容错越高、重复越多的场景,越值得马上上 AI。
| 场景 | 提效潜力 | 为什么 | 今天就能做的起步动作 |
|---|---|---|---|
| 编程 / 脚本 | ★★★★★ | 编译器、测试、报错信息构成天然验证闭环;初稿→可用的距离最短 | 让 AI 写一个你手工做过 3 次以上的小脚本(如批量重命名文件) |
| 写作 / 文档 | ★★★★★ | 初稿成本归零;结构、润色、多版本尝试全部提速;人只管观点与事实 | 丢一堆素材给 AI,要它先出 3 版不同侧重的大纲 |
| 调研 / 决策辅助 | ★★★★☆ | 可以快速整理资料和候选来源，但耗时、覆盖范围和引用质量取决于工具与问题 | 选一个正纠结的购买/选型决策，跑一次并逐条打开来源核验 |
| 学习新领域 | ★★★★☆ | 可按你的水平解释、出题和反馈，但事实与练习质量仍需核对 | 挑一个主题，要求 AI 先摸底，再给带资料和验收的学习计划 |
| 数据分析 | ★★★★☆ | 自然语言问表格已成熟;AI 写分析代码兼得灵活与可验证 | 把一份 Excel/CSV 扔给对话模型,用中文问 3 个业务问题 |
| 自动化办公 | ★★★☆☆ | 收益极高但需先手动跑通流程;无验证的自动化是事故制造机 | 把一个每周重复的流程写成清单,先让 AI 半自动跑一次 |
| 生活事务 | ★★★☆☆ | 行程规划、饮食方案、礼物点子、合同解读——低风险高频小决策 | 下次做饭前:报上冰箱现有食材,要 3 个菜谱 + 采购补货清单 |
| 情感陪伴 / 自我梳理 | ★★★☆☆ | HBR 百大用途榜 2025 年第一名;但注意它不是执业心理咨询师 | 用"帮我把这团乱麻的想法整理成 3 个待决策问题"开始 |
来源:HBR:Top 10 Gen AI Use Cases(Marc Zao-Sanders,2025-04) · Anthropic Economic Index
编程场景最佳范式(Claude Code / Codex)
两家官方最佳实践 2026 年已高度趋同,可总结为一套四段式工作流 + 五个核心习惯。细节操作见本库 Claude Code 指南 与 Codex 指南,这里只讲"范式"。
官方共识:四段式工作流
- 探索(Explore)——进入计划模式(Claude Code 的 plan mode / Codex 的
/plan),让 AI 先读代码、回答问题,不动手改 - 计划(Plan)——要求产出具体实现计划：改哪些文件、什么顺序、怎么验证；先审计划通常比返工一整轮代码成本更低，但收益需按项目记录
- 实现(Implement)——退出计划模式执行,边写边跑测试;小任务(一句话能说清 diff 的)可跳过前两步直接干
- 提交(Commit)——审 diff、跑完整验证、写清楚提交信息;AI 的活也要过人这一关
五个核心习惯
| 习惯 | 做法 |
|---|---|
| 给 AI 可运行的验证 | 优先提供能输出 pass/fail 的检查（测试、构建、脚本、截图对比）；这是实践建议，不把经验句式写成厂商原话 |
| 说清完成标准 | Codex 官方推荐的任务结构:Goal(目标)+ Context(相关文件/文档)+ Constraints(约束)+ Done when(完成判据)——四要素齐了,返工率断崖式下降 |
| 小步迭代、尽早纠偏 | 发现跑偏就暂停并缩小任务；如果连续失败，保留证据、重写约束或换一条路径，不规定一个适用于所有工具的固定次数 |
| 管好上下文 | 上下文窗口是第一资源:无关任务间 /clear;大范围搜索交给子代理,别让主对话被文件内容灌满 |
| 沉淀项目记忆 | 重复交代的规则写进 CLAUDE.md / AGENTS.md,并保持精简——判据是"删了这行 AI 就会犯错"才留 |
AI 只能猜:哪个登录?什么症状?修到什么程度算好?
非程序员也能上桌:vibe coding
用自然语言描述、让 AI 全程写码调试的"vibe coding"(Karpathy 2025 年 2 月造词,Collins 词典 2025 年度词),已让大量零基础用户做出了自用的记账 App、习惯打卡器、下料计算器等个人工具。社区统计称此类工具用户中过半从未写过代码(具体比例各家口径不一)。边界也要认清:自用小工具随便造;要对外收钱、存别人数据的产品,安全与运维仍需专业把关。
来源:Claude Code 官方 Best Practices · Codex 官方 Best Practices · Zapier:Vibe coding examples
写作与文档场景范式
核心分工一句话:AI 出初稿与结构,人出观点与事实。把 AI 当"永不疲倦的初稿机 + 结构编辑",而不是代笔。
提示词四要素(MIT Sloan 教学共识)
有效写作提示 = 角色/背景(你是谁、写给谁)+ 任务与格式(产出什么、什么结构)+ 语气与受众 + 约束(字数、必须包含/避免的点)。四样都给,一次到位率最高;然后靠对话式迭代打磨:"更短""第二段展开""换成给老板看的语气"。
被验证的高收益用法
| 用法 | 怎么做 |
|---|---|
| 三版大纲法 | 丢素材,要 3 版不同侧重的大纲 → 人挑一版(或拼贴)→ 再逐节展开。比直接要全文的质量高得多 |
| 会议录音 → 纪要 | 转写稿全文丢给 AI:"提炼决策、行动项(负责人+期限)、遗留问题三张清单" |
| 长文压缩 | "压成 200 字摘要 + 10 条要点,保留所有数字和结论"——读文档前先读摘要,决定要不要精读 |
| 反向提纲 | 把自己写的初稿丢回给 AI:"给这篇文章列反向提纲,指出逻辑断层和重复"——比"帮我润色"有效 |
| 去 AI 味 | 给它 2-3 段你自己的旧文当风格样本;明令禁用陈词滥调("在当今快速发展的时代…");要求短句、具体名词、有数字 |
| 多语言润色 | 中文思路 → 英文邮件/文档,注明场合与对象关系,产出接近母语水平 |
- 把原始素材(笔记/数据/链接)一次性全给 AI,先要大纲不要全文
- 人定大纲和核心观点——这是文章的灵魂,不外包
- 逐节生成初稿,每节给具体指令(要点、例子、长度)
- 人工核验所有事实、数字、引用——AI 的引用必须逐条点开确认
- 最后自己通读改一遍:改到"这话像你说的"为止
来源:MIT Sloan:Effective Prompts for AI · 多方社区共识(做法均可在通用对话模型中直接复刻)
调研与学习场景范式
调研:Deep Research 四步法
- 先写清问题边界——研究什么、不研究什么、判断标准、期望产出格式;边界越清,报告越有用
- 跑深度调研——使用具备检索能力的工具自主整理来源；耗时、覆盖和引用质量随任务变化，必须打开来源检查
- 追问与溯源——对关键结论逐条追问"这条的依据是哪个来源?",点开链接核验;引用造假是高发区
- 交叉验证——重要决策用第二个模型再跑一遍同题,对比分歧点;分歧处往往是需要人工深挖的地方
学习:把 AI 当私教,不当答案机
| 范式 | 提示词模板 |
|---|---|
| 摸底定制 | "我想学 X。先出 5 道题摸底我的水平,再按结果给我定 4 周学习计划" |
| 苏格拉底式 | "别直接给答案,用提问引导我自己推出来"——对抗"看懂了错觉" |
| 费曼检验 | "我用自己的话讲一遍 X,你指出我哪里理解错了、哪里含糊" |
| 难度调档 | "先讲给 12 岁孩子听,再讲专业版,再给我一个能上手的最小练习" |
| 刻意练习 | "每天出 3 道递进难度的题,我答完你批改并讲解错因" |
学术场景工具速览
文献发现:Elicit、Consensus、Semantic Scholar;论文精读与问答:NotebookLM、Claude(长文档);综述比对:Elicit 的跨研究提取表。原则不变:发现和摘要交给 AI,结论与批判留给自己。
来源:Anthropic:Learning curves(2026-03) · Thesify:Best AI Tools for Academic Research 2026 · Lumivero 学术工具盘点
数据与自动化场景范式
数据分析:三个层级
| 层级 | 做法 | 适合 |
|---|---|---|
| L1 自然语言问表格 | Excel/CSV 直接丢给对话模型(或 Julius 等专用工具),中文提问、要图表 | 零基础;快速探索一份陌生数据 |
| L2 AI 写分析代码 | 让 AI 写 Python/SQL 脚本跑分析——代码可审可复跑,结果可验证,幻觉空间小 | 要复用、要精确、数据大 |
| L3 编码代理全流程 | Claude Code / Codex 直接读文件、清洗、分析、出报告,人验收结论 | 多文件、多步骤的分析任务 |
自动化:五级阶梯,逐级上
- 手动对话——每次把重复任务丢给 AI 做,人盯全程
- 提示词模板——把跑通的问法存成模板/技能,一键复用
- 命令行非交互——
claude -p "提示"/codex exec接进脚本,批量处理 - 定时与钩子——每天自动跑:整理文件、汇总日报、盯监控(Codex 的 scheduled tasks / 系统 cron)
- 代理工作流——n8n / Zapier / 自建代理串起多系统;此时必须有失败告警与人工抽查
来源:Claude Code Best Practices(headless / fan-out 模式) · Codex Best Practices(scheduled tasks)
生活与自我管理场景范式
01 节矩阵把"生活事务"和"情感陪伴/自我梳理"排进了收益榜,HBR 的年度盘点甚至把它们排在编程前面——但前面 02-05 节全是技术/知识工作范式,矩阵里论证最该做的两类反而没有对应打法。这一节补上三块:生活决策的提问骨架、自我梳理的做法与边界,以及矩阵里完全没提到的一个入口——拍照 / 截图 / 语音。
生活决策类:行程 / 饮食 / 采购 / 合同解读
这类场景的共性是低风险、高频率、有明确约束条件——正好是 AI 最擅长的那种任务。骨架都一样:把约束条件一次性说全,再要求给多个方案而不是一个"标准答案"。
| 子场景 | 提示词骨架(可直接抄) | 输出要求 |
|---|---|---|
| 行程规划 | "我们 [人数+关系],[日期范围] 去 [目的地],预算 [金额],偏好 [细节]。排一份逐日行程,标注每天的交通方式和缓冲时间。" | 要求给 2 个不同侧重的备选方案,别只要一个 |
| 饮食方案 | "冰箱现有:[清单]。忌口:[列表]。排一周晚餐,30 分钟内能做完,产出菜单表 + 按超市动线排序的采购清单。" | 要每餐给关键步骤而不是一句话菜名,方便直接照做 |
| 采购比价 | "预算 [金额] 买 [品类]。核心需求:[3 条以内]。对比在售的 3-5 款,给差评集中点 + 来源链接。" | 逐条点开来源核验,别信 AI 汇总出的"综合评分" |
| 合同 / 说明书解读 | "这是一份 [合同/说明书类型]。用大白话逐条解释:哪些条款对我不利、哪些是行业惯例、我该重点问对方哪 3 个问题。" | 只当"帮你看懂",不当"帮你决定签不签"——重要合同仍需人或律师复核 |
AI 只能给一份放之四海皆准的攻略,人数、预算、偏好全靠猜
自我梳理类:从"一团乱麻"到"可决策清单"
这类用法在 HBR 的年度盘点里长期排名靠前(见 01 节矩阵的 callout),但社区讨论常把它和"心理咨询"混为一谈——这里先划清边界,再给可抄的骨架。
提示词骨架:"我脑子里有一堆关于 [主题] 的想法,乱糟糟理不清。请帮我:① 提炼成 3-5 个可以回答'是/否'或'选 A / 选 B'的具体问题;② 每个问题列出我目前能看到的选项和各自的代价;③ 指出哪个问题最影响其他问题,建议我先想哪个。不要替我做决定,只帮我看清问题。"
多模态入口:拍照问 / 截图问 / 语音转写
本页前面所有范式默认的都是"打字提问",但这是 8 大场景矩阵里完全缺席的一块:很多人第一次觉得 AI 有用,恰恰是从拍一张照片开始的。主流对话 App(ChatGPT / Gemini / Claude 官方客户端)都支持图片上传和语音输入,具体交互入口以各家当前版本 UI 为准,这里不细描界面。
| 入口 | 怎么用(可直接抄的话术) | 适合场景 |
|---|---|---|
| 拍照问 | 拍照 + 配文:"这是 [说明书/体检单/白板/菜谱],用大白话讲清楚重点,我不懂 [专业领域] 术语。" | 家电说明书、体检报告里看不懂的指标、白板讨论速记、菜谱换算 |
| 截图问 | 截图 + 配文:"这是什么意思?我该怎么办?" | App/系统报错、看不懂的表格网页、聊天记录里没跟上的一段讨论 |
| 语音转写 | 对着手机说 2-3 分钟零散想法,配文:"转成文字,再帮我理成 [大纲/待办清单/结构化笔记]。" | 开车/走路时的灵感、会议现场速记、懒得打字的长吐槽 |
来源:自我梳理场景的高频程度见 HBR:Top 10 Gen AI Use Cases(2025-04)(01 节矩阵已引用同一报告);其余提示词骨架为范式复刻模板,可在主流对话模型中直接复刻。心理健康求助渠道请以当地卫生部门或平台公布的信息为准,本页不代为列出具体热线号码以免过期失效。
按任务和环境选工具
先看项目所在环境、需要的文件和工具访问、交付类型及预算，再选编码代理或对话产品。用一次小任务检验理解、修改与验证能力；不要只按品牌排名、最大上下文数字或演示效果决定。具体型号与权限说明统一查看对应工具专题。
通用心法七条(跨场景通用)
以下每条都有官方文档或研究报告背书,不是鸡汤。写作、编程、调研、自动化——换场景不换心法。
| # | 心法 | 一句话展开 | 出处 |
|---|---|---|---|
| 1 | 上下文是第一资源 | 给足相关材料、砍掉无关噪音;上下文塞满后模型性能会退化,"喂什么"比"怎么问"更重要 | Anthropic 上下文工程 |
| 2 | 计划先行,再动手 | 复杂任务先要计划、人审计划再执行;审计划比审成品便宜一个数量级 | Claude Code / Codex 官方共识 |
| 3 | 给 AI 可验证的闭环 | 测试、样例、检查清单、对照样本——有 pass/fail 信号,AI 才能自我纠错;没有验证就别放手 | Claude Code Best Practices |
| 4 | 说清完成标准 | 目标 + 上下文 + 约束 + "做到什么样算完"(Done when);模糊委托是返工之母 | Codex Best Practices |
| 5 | 小步迭代,两次纠错就重开 | 首答只是起点;跑偏立刻打断;同一问题纠正两次无效,就带着教训清空重来 | 官方最佳实践 + Learning curves(熟手更多迭代协作) |
| 6 | 人管品味与事实,AI 管体力 | 观点、取舍、事实核验、最终责任永远在人;把 AI 输出当"初稿"而非"答案" | METR / HBR / 多方共识 |
| 7 | 把重复沉淀为资产 | 跑通的问法存成模板,项目规则写进 CLAUDE.md / AGENTS.md,流程做成技能——个人提示词库是复利 | 两家官方文档(Skills / 记忆文件) |
真实实例集:每个场景一个可复刻模板
以下实例是对本页各范式的具体化,提示词可直接抄改。标注"实录"的来自公开报道,其余为范式复刻模板。
输入:"用户反馈:会话超时后重新登录会白屏。相关代码在 src/auth/,重点看 token 刷新。先写一个能复现的失败测试,再修复,跑通整个 auth 测试套件算完成。"
迭代:AI 提交计划 → 人确认"只动 auth,不重构其他" → AI 写测试(红)→ 修复(绿)→ 人审 diff。
产出:一个带回归测试的修复提交。关键在"失败测试先行"——这是验证闭环的最小实现。
输入:本周的零散记录(聊天摘录、数据、待办完成情况)全部粘贴 +"写给不懂技术的老板看,300 字以内,三段式:成果 / 风险 / 下周计划。先给我 3 版大纲。"
迭代:挑大纲 → 逐段生成 → "第二段的风险太含糊,量化" → 人工核对所有数字。
产出:10 分钟出一份过去要 40 分钟的周报,且结构逐周稳定。
输入:"预算 X 元买家用 NAS。需求:照片备份、两人用、静音优先、不折腾。用深度调研对比 2026 年在售的 3-5 款,给对比表 + 每款的差评集中点,附来源链接。"
迭代:报告出来后逐条追问差评来源并点开核验 → 换另一个模型跑同题 → 只深挖两份报告的分歧点。
产出:半小时得到过去两晚论坛爬楼的结论,且有据可查。
输入:上传销售 CSV +"按月汇总各品类销售额,找出环比波动超 20% 的品类,分析可能原因,产出图表。用代码算,把代码一并给我。"
迭代:核对总数与原表一致(验证!)→ "把节假日因素考虑进去重跑" → 让 AI 把脚本参数化,下月直接复用。
产出:分析结论 + 一个可复跑的脚本——一次分析,月月复利。
输入:对 Claude Code:"写个脚本把 ~/Downloads 里的文件按类型归档到子文件夹,超过 30 天的截图移入回收站候选清单(不直接删)。先跑一次演习模式只打印计划,不动文件。"
迭代:看演习输出 → 修正误分类规则 → 真跑 → 手动确认三次没问题后,再挂定时任务。
产出:一个每周自动执行的整理任务。注意范式:演习模式 + 不做不可逆删除 + 跑通三次再自动化。
输入:"我想入门投资理财基础概念(不要荐股)。先出 5 道题摸底 → 按结果定 4 周计划,每周一个主题 → 每天 15 分钟:你讲一个概念 + 出 2 道题我答 + 批改讲解。"
迭代:每周末用费曼法:"我复述本周内容,你挑错" → 含糊处下周加练。
产出:一个贴合自己水平、天天有反馈的私教课程,成本为零。
输入:"两大一小,孩子 5 岁;冰箱现有:(拍照或列清单)。排一周晚餐:30 分钟内能做、少油炸、周三要有鱼。产出:菜单表 + 按超市动线排序的采购清单。"
迭代:"周五那顿换掉,孩子不吃茄子" → 下周把"家庭忌口清单"存成固定模板开头。
产出:每周省下约一小时的决策消耗。非程序员做个人工具同理:公开报道里有零基础用户用 Claude + 八小时对话做出全家记账 App(见 Zapier 实例集,实录)。
来源:范式依据见 02-05 各节;实录案例出自 Zapier:Vibe coding examples(真实非开发者项目)
普通人学习路径:从零到熟练
实践结论先行：AI 熟练度主要来自真实任务、可回放验证和复盘。研究数字只说明可能存在差异，不能替代你自己的测量。路径设计围绕短周期产出和可回滚实验。
四阶阶梯
- 第 1-2 周 · 建立手感:每天用对话模型解决 1 个真实小事(改邮件、解读体检单、做菜谱)。只练一件事:不满意就追问和补充信息,而不是放弃。目标:体感"首答只是起点"。
- 第 3-4 周 · 学会喂上下文:练习把背景材料一次给全(文件、截图、旧例子);对比"干问"和"带材料问"的质量差距。目标:内化心法 1 和 4(上下文 + 完成标准)。
- 第 2 个月 · 场景纵深:挑 2 个自己最高频的场景(如写作 + 调研),按本页 03/04 节的范式各跑 5 次完整流程;把跑通的问法存成个人模板库。目标:形成可复用资产。
- 第 3 个月起 · 上代理与自动化:装一个编码代理(Claude Code 或 Codex),从"写一个自动化小脚本"起步,按 05 节阶梯逐级上;开始用深度调研做大决策。目标:从"聊天"进化到"委托带验证的任务"。
常见误区对照表
| 误区 | 纠正 |
|---|---|
| 期待一次成型,首答不满意就说"AI 不行" | AI 是迭代式工具:追问、给反馈、补材料——熟手和新手的差距主要在这里 |
| 把 AI 当搜索引擎,只丢关键词 | 给完整任务:背景 + 要求 + 完成标准;它是执行者不是索引 |
| 盲信输出,直接转发/提交 | 事实、数字、引用必须核验;高风险内容(法律/医疗/财务)只当参考 |
| 外包思考:让 AI 替你决定观点与立场 | AI 出选项和论据,人做判断;长期外包思考会废掉判断力本身 |
| 囤教程、追新工具,不落地 | 工具换得再勤,不如一个场景练 5 遍;先场景后工具 |
| 抽象学 AI(啃原理、背提示词大全) | 挑一个两周内要交付的真实产出,围绕它练;原理可以以后补 |
| 敏感信息随手粘贴 | 个人隐私、客户数据、公司机密不进公共服务;用企业版或脱敏后再问 |
来源:Anthropic:Learning curves(2026-03) · MIT Sloan:Effective Prompts · 误区部分综合多篇 2026 年入门指南的高频共识
资源索引（按来源类型与使用场景）
第一梯队 · 官方文档与工程博客
| 资源 | 说明 |
|---|---|
| Claude Code 官方 Best Practices | 验证闭环、计划先行、上下文管理、并行扩展——本页 02/05/07 节的主要底本 |
| Codex 官方 Best Practices | Goal/Context/Constraints/Done-when 任务结构、AGENTS.md、技能化、定时任务 |
| Anthropic:Effective Context Engineering | "上下文是第一资源"的系统论述(2025-09) |
| Gemini CLI → Antigravity CLI 官方公告 | 2026-06-18 变更的第一信源 |
| MIT Sloan:Effective Prompts for AI | 提示词四要素的教学级表述 |
第二梯队 · 研究与数据报告
| 资源 | 说明 |
|---|---|
| Anthropic Economic Index(系列) | 全球真实用途分布、协作/自动化比例、Learning curves 学习曲线报告 |
| METR 随机对照试验(2025) | "实测慢 19%、自感快 20%"——提效认知纠偏的必读文献 |
| HBR:Top Gen AI Use Cases(2025) | 全网真实用途百强榜,非技术场景的量级证据 |
第三梯队 · 高质量社区沉淀
| 资源 | 说明 |
|---|---|
| stormzhang:AI 编程指南(中文) | 92 篇小白友好系统教程,编程场景入门首选 |
| Zapier:Vibe coding examples | 非开发者真实项目实例集 |
| DeployHQ · IntuitionLabs · colombani.ai | 2026 年三工具对比,多方交叉可信度尚可 |
| Thesify 学术工具盘点 | 学术调研工具选型 |
| 本知识库 | Claude Code 使用指南 · Codex 使用指南 · 环境与登录急救手册 |