前言

我不生产知识，我只是知识的搬运工。

使用方法

这一套手册总结了我硕博4年来我自身的一些技能。需要说明的是，它并不试图覆盖所有内容，也不能替代系统性的教材、官方文档或参考手册。

更合适的理解方式是：它是一张面向初学者的“地图”。它的作用，是先帮助读者建立基本认知——知道有哪些工具、它们分别能解决什么问题、在什么场景下值得使用——然后再带你完成最初的上手过程，实现从 0 到 1 的过渡。

因此，这份手册并不预设每个人都需要掌握其中的全部内容。不同的人有不同的需求、任务和偏好，能够根据自身情况选择合适的部分来学习和使用，就已经足够。

从个人风格上看，我在组内可能属于偏“非典型”的一类。

我长期更偏好 CLI 与 coding：凡是可以通过命令行或代码完成的工作，通常不会优先选择图形化工具。原因很简单——这种方式更接近计算机的本质表达，具备更强的可复现性、可扩展性，也更利于长期积累与持续优化。从这个角度看，它更像是一种“all-in-one”的工作范式。

当然，这并不是唯一合理的选择。对不少人而言，更低的学习成本与更快的上手速度同样重要；在很多场景下，“足够好”往往比“最优解”更有价值。这些取舍没有高下之分，本质上只是不同阶段、不同偏好的选择。

因此，这份手册中涉及的命令、方法与工作流，并不试图给出标准答案，而是基于我的个人偏好与实践经验的一种实现路径。更理想的情况是，它能作为一个起点：从解决具体问题出发，逐步形成适合自己的工具观与工作方式。

为了让目录在长期维护中保持稳定，并且让读者能够快速理解各部分内容，这套手册按照主题进行组织。

其中大部分内容属于基础范畴，对多数人都有参考价值；也有一小部分内容针对特定需求，按需查阅即可。

在 LLM 时代，具体细节本身已经不再是主要门槛——需要时可以随时查、随时问、随时补。真正容易卡住人的，往往是以下几点：

以 ChatGPT、Claude、Gemini 为代表的模型，已经成为前所未有的高质量学习工具。对于后续内容，如果有兴趣或需要深入，可以主动借助这些工具扩展理解。

同时需要明确的是，当前的 agents 在许多具体任务上的执行效率已经超过人类。但在使用过程中，仍然需要对其行为保持基本判断：理解它在做什么，意识到它可能出错，并对结果进行必要的校验。工具能力的提升，也在反过来提高我们对自身判断力的要求。

这个世界很复杂，科学计算也是如此。它并不一定“难”，但一定足够复杂。

作为新手，短时间内不可能精通所有细节，但必须先上手，在实践中学习。因此，最开始要学会尊重 default：从计算参数到提交脚本，组内已经有一定积累，可以先拿来使用，让工作先跑起来。

但“先使用”不等于“永远不理解”。在使用默认参数和现有脚本的过程中，仍然应该主动学习每个细节，逐渐弄清楚它们为什么这样设置。

尤其重要的是：如果你打算修改某个 default value，请务必先确认自己已经理解它的含义、影响和可能带来的后果。

在科研起步阶段，及时沟通是避开“无效深蹲”的关键。当你在复现默认参数或处理计算报错遇到障碍时，请务必主动向组内的师兄师姐或导师寻求指导。

为了让沟通更高效，建议在提问前尝试以下步骤：

科研不是闭门造车，提问的目的是为了更快地走向独立。最后，如有任何疑问，欢迎随时联系我，我会尽我所能提供支持。