在人工智能高速发展的今天，大语言模型（LLM）正在以前所未有的速度重塑科研与高端知识工作的底层方式。然而现实是，大多数人仍停留在“简单对话式使用AI”的阶段，只是把AI当作一个更聪明的搜索工具，并没有真正将其转化为科研生产力，更谈不上系统性的创新能力提升。

第一章、大语言模型（ChatGPT、Claude、Gemini、DeepSeek与NotebookLM的能力边界：从“会用AI”到“因任务选模型”

真正理解不同LLM与知识增强型AI（NotebookLM）的能力边界
学会在科研和高端工作中“因任务选模型，因资料选工具”

核心内容：

1.主流大模型能力拆解

ChatGPT（科研写作、逻辑推理、通用科研助理）

Claude（长文档处理、论文润色、风格一致性）

Gemini/Nano Banana（多模态、图像/视频/API调用）

DeepSeek（数学推理、代码、开源与本地部署）

2.NotebookLM：以“你的资料”为核心的科研AI

NotebookLM的设计理念：
不是生成答案，而是“基于你提供的材料进行推理”

NotebookLM与通用LLM的本质区别

为什么NotebookLM特别适合科研与严肃写作

所有结论可溯源

自动标注引用来源

避免“无根据幻觉”

典型科研使用场景

多篇论文联合分析

项目材料/课题资料整合

论文写作中的“证据驱动型推理”

3.大模型“智能”从何而来

Transformer的直观理解

Token、上下文窗口、推理链

为什么通用LLM会“幻觉”，而 NotebookLM更“克制”【新增】

4.科研与工作的模型选型策略

写论文vs想IDEA

画图vs数据分析

自由发散型思考（ChatGPT/Claude）vs基于资料的严谨推理（NotebookLM）

什么时候该“问模型”，什么时候该“喂资料”

案例1：

同一篇论文IDEA，分别使用：

ChatGPT（自由生成摘要）

Claude（润色与结构优化）

DeepSeek、Qwen（方法与数学逻辑）

NotebookLM（基于真实文献生成可溯源摘要）

对比：

逻辑严谨性

创新点来源

引用可信度

幻觉风险差异

结课成果

一份《科研任务×大模型×NotebookLM选型指南》

明确你的科研工作中：

谁负责“想”

谁负责“写”

谁负责“证据与可信推理”

第二章、LLM + Excel科研数据分析的智能化与自动化生成

用自然语言“操控”Excel，让Excel成为科研数据分析助手

核心内容：

1.LLM自动生成复杂公式

2.科研数据清洗与异常检测

3.统计结果自动解读与文字化

4.Excel→论文结果段落自动生成

5.生成python语言绘图excel相关数据

案例2：
上传实验数据→LLM自动完成：

统计分析

图表生成思路

结课成果：

一套「Excel+LLM数据分析模板」

第三章、LLM × Python 科研计算自动化与高效编程助力

让不会写代码的人，也能把Python 变成科研生产力
让会写代码的人，用LLM进入10×效率区间

核心内容：

Python是科研的“发动机”，LLM是科研的“驾驶系统”

你只负责：提出研究问题，判断结果是否合理

AI负责：写代码，改代码，查Bug，重构流程，核心内容

科研人员应该如何“正确使用Python”

为什么Excel只能解决30%的科研数据问题

哪些科研任务必须用Python

大规模数据

重复实验分析

复杂统计与建模

图像/时间序列/多变量分析

Python在科研中的真实定位：

不是“编程语言”

而是科研流程自动化工具

LLM自动生成科研级Python代码

你将学会如何正确“指挥”LLM写代码

包括：

1.用科研语言描述问题→自动生成：

数据读取

清洗

统计分析

可视化

从「实验设计描述」直接生成Python分析脚本

2.自动补全：

pandas

numpy

scipy

statsmodels

matplotlib/seaborn

案例3：

任务：上传一份真实实验数据（CSV/Excel）

系统自动完成：

LLM生成 Python分析脚本

自动完成统计分析

自动生成科研级图表

自动输出Results段落初稿

最终成果：

一个可复现Python脚本

一张可直接用于论文的图

一段可直接写进论文的结果描述

第四章、Zotero×NotebookLM ×LLM智能文献管理与证据驱动科研写作

从“存论文”升级为“以文献为证据核心的可推理科研系统”，让AI不再“凭空总结”，而是基于真实文献进行可溯源分析与写作

核心内容：

1.Zotero高效文献管理

批量PDF智能总结

跨文献研究脉络分析

为论文写作提供引用建议

2.NotebookLM：文献级科研推理中枢

为什么NotebookLM是文献管理的“第二大脑”

所有分析基于你上传的PDF

每一个结论都可追溯到具体文献段落

NotebookLM的科研优势

自动跨文献对比观点

自动识别共识/分歧/演化路径

自动生成带引用标注的研究总结

与ChatGPT/Claude的根本差异

任务	更适合工具
自由发散想法	ChatGPT/Claude
严谨综述、引用分析	NotebookLM
审稿级逻辑核查	NotebookLM

3.文献→研究脉络→可写作素材（工作流）【升级】

标准科研工作流：

Zotero（收集与标注）

↓

NotebookLM（证据级整合与推理）

↓

LLM（ChatGPT/Claude写作与表达）

在NotebookLM中完成：

研究主题的时间演化

方法论分类与对比

关键假设与证据支持

将NotebookLM输出作为：

引言素材库

Related Work证据来源

Discussion的逻辑支

4.防止“AI文献幻觉”的系统方法

为什么“直接让 LLM 总结文献”是高风险行为

NotebookLM如何从机制上避免虚假引用

科研可信度的三层防线

原始PDF（事实层）

NotebookLM（推理层）

LLM（表达层）

案例4：
任务：
导入20篇某研究领域核心论文

系统自动完成：

Zotero：文献分类与标注

NotebookLM 自动输出：

研究脉络（含引用出处）

主流方法对比表

当前研究空白（有证据支撑）

LLM（ChatGPT/Claude）：

将分析结果转化为：

文献综述草稿

引言逻辑段

第五章、科研知识管理与跨学科协同;Obsidian + NotebookLM + LLM 的应用整合

打造可长期复利的科研知识系统

核心内容：

1.Obsidian双链知识结构

科研笔记的“原子化”

LLM 自动生成关联笔记

从笔记到科研IDEA

2.NotebookLM：知识与证据的中继站

NotebookLM在知识管理中的独特位置

不做“长期存储”

专注“当前研究问题的证据整合”

典型应用：

将某一研究主题的：

文献

实验记录

项目材料
临时汇聚进NotebookLM

输出内容特点：

高密度、证据驱动

适合转化为Obsidian笔记

3. Obsidian×NotebookLM协同工作流

Obsidian（问题与想法）

↓

NotebookLM（证据整合与推理）

↓

Obsidian（结构化知识沉淀）

从Obsidian 提出研究问题

用NotebookLM：

验证想法是否已有研究支撑

查找证据薄弱点

将NotebookLM结果拆解为：

方法笔记

研究假设

IDEA节点
并回流到Obsidian

4.从知识网络到科研IDEA【新增】

LLM自动分Obsidian双链结构

发现：

高频但未被系统研究的主题

证据断裂点

结合NotebookLM

判断哪些IDEA：

有文献基础

但尚未被充分探索

案例5：
输入：

既有零散Obsidian科研笔记

某领域15–30篇核心文献

系统自动完成：

NotebookLM：

基于文献验证笔记中的假设

指出“有证据/缺证据”的想法

LLM：

提炼潜在研究方向

Obsidian：

自动生成：

研究主题节点

方法与问题双链结构

结课成果：

一套「个人科研知识图谱」

第六章、Overleaf + LLM全流程科研写作

把论文写作变成“流程”

核心内容：

1.Overleaf科研写作规范

2.LLM生成论文结构

3.分章节生成论文初稿

4.审稿意见智能回复

案例6：
输入研究方向→LLM 输出：

完整论文框架

引言与方法初稿

审稿回复模板

结课成果：

一篇可投稿级论文初稿

第七章、一张图胜千言——从论文示意图到学术汇报Video

不会画图，也能做Nature和Science级科研表达

核心内容：

科研图像的设计逻辑

API调用Gemini/Nano Banana

（一张普通猫咪照片可以通过nano banana添加帽子和相关风格照片）

科研示意图生成

学术汇报级Video自动生成

案例7：
输入论文方法描述→自动生成：

高质量科研示意图

汇报用动画视频

结课成果：

一套论文插图+汇报Video

第八章、本地部署LLM与私有科研Agent，构建专属智能助手

保护科研IDEA，构建专属AI助手

核心内容：

Ollama部署LLAMA/DeepSeek

本地模型性能优化

RAG构建个人知识库

微调vs RAG的选择策略

案例8：

本地部署DeepSeek→构建：

专属科研问答系统

私有文献分析Agent

结课成果：

一个私有科研AI Agent

第九章、多模型圆桌科研系统：用 AI进行真正的科研头脑风暴

用AI进行真正的科研头脑风暴

核心内容：

多LLM分工机制

批判型/创新型Agent设计

自动迭代研究方案

案例9：
ChatGPT+Claude+DeepSeek
→自动进行多轮讨论，生成创新研究方向。

结课成果：

一份「可投稿级研究IDEA说明书」

第十章、科研自动化与智能化工作流：N8N × LLM 构建高效科研系统

实现“科研自动化”

核心内容：

N8N基础与部署

多软件自动联动

多模型优势整合

全流程科研自动化设计

整合Google工作系统流

实战案例（终极项目）

案例10：
构建一个完整系统：
全自动科研AI系统

最终交付：

一套可长期使用的科研自动化系统

点赞+关注