背景
每到期末，理工科的大作业往往让人头秃。你不仅要推导公式，还要用 Python/Matlab 跑仿真数据，把数据画成图，最后还得把这些东西手动粘贴到 Word 或者 LaTeX 里，排版又是一场噩梦。
痛点分析：
- 数据与图表割裂：代码跑完图，还得手动保存、重命名、插入文档。
- 排版繁琐：LaTeX 的表格和公式写起来非常费劲。
- AI 直接写的太假：直接让 AI 写论文，它往往会瞎编数据（幻觉），或者没有配图，一看就是生成的。
本文介绍一种策略：不要让 AI 写论文，而是让 AI 写一个 “能生成论文”的代码 。
我们将以一个量子力学大作业（无限深势阱仿真）为例，展示如何用一个 py 脚本搞定一切。
效果预览
核心思路
与其让 AI 输出文本，不如让它输出一个 Python 脚本，这个脚本包含三个模块：
- 计算核心：利用 numpy 算出真实可靠的数据（拒绝胡编乱造）。
- 绘图引擎：利用 matplotlib 自动生成高清图表并保存。
- 文档生成：利用 Python 的字符串操作，将计算结果、图表路径嵌入 LaTeX 模板，并输出 .tex 文件。
这种方法的优势在于可复现性。只要代码逻辑是对的，生成的图表和数据就绝对对应，不会出现”图文不符”的低级错误。
案例剖析：aaaaa.py
我们来看一个实际案例 aaaaa.py。这是我让 AI 生成的一个脚本，它的目标是完成一份关于”1D 和 2D 无限深势阱”的物理大作业。
1. 物理引擎与计算
首先，脚本定义了物理常数和核心计算函数。这一步保证了论文里的数据是基于数学公式算出来的，而不是 AI 瞎编的。
# aaaaa.py 片段：定义物理计算逻辑
def energy_1d(n):
"""Energy levels for 1D well"""
return (n**2 * np.pi**2 * hbar**2) / (2 * m * L**2)
def evolve_psi(coeffs, x, t, N):
"""Calculate wave function at time t"""
# ... 省略具体计算过程 ...
return psi_t2. 自动化绘图
这是最爽的一步。脚本会自动创建输出目录，并批量生成所需的图表。注意它直接把图保存到了 OUTPUT_DIR。
# aaaaa.py 片段：自动绘图
OUTPUT_DIR = "quantum_paper_output"
# ... 创建目录 ...
print("Generating Eigenstate Figures...")
fig, axes = plt.subplots(4, 2, figsize=(10, 12))
# ... 循环画图 ...
plt.savefig(f"{OUTPUT_DIR}/fig_eigenstates.png", dpi=300)它甚至还生成了复杂的 3D 表面图，展示 2D 势阱的简并态：
def plot_2d_eigen(nx, ny, filename):
# ... 3D 绘图逻辑 ...
ax.plot_surface(X, Y, prob2d, cmap='viridis', edgecolor='none')
plt.savefig(f"{OUTPUT_DIR}/{filename}", dpi=300)3. 动态生成 LaTeX 表格
手写 LaTeX 表格是世界上最痛苦的事情之一。但用 Python 生成就非常简单。脚本里用循环计算出数据，拼接成 LaTeX 的表格行格式：
# aaaaa.py 片段：自动生成表格内容
energy_table_rows = ""
for n in range(1, 21):
e_val = energy_1d(n)
# 自动填充 n, 能量值, 和公式表达
energy_table_rows += f"{n} & {e_val:.4f} & ${n**2} E_1$ \\\\\n"4. 组装论文
最后，脚本通过一个巨大的 f-string（格式化字符串），把刚才生成的表格行插入到 LaTeX 模板中，并写入 paper.tex。
# aaaaa.py 片段：LaTeX 模板注入
tex_content = r"""\documentclass[12pt, a4paper]{article}
% ... 导包 ...
\begin{document}
\section{Results}
\begin{table}[H]
\centering
\begin{tabular}{ccc}
Quantum Number $n$ & Energy & Factor \\
\midrule
""" + energy_table_rows + r""" <-- 插入刚才生成的表格数据
\bottomrule
\end{tabular}
\end{table}
\begin{figure}[H]
\centering
\includegraphics[width=0.9\textwidth]{fig_eigenstates.png} <-- 引用刚才生成的图片
\caption{Eigenstates visualization...}
\end{figure}
\end{document}
"""
with open(f"{OUTPUT_DIR}/paper.tex", "w", encoding="utf-8") as f:
f.write(tex_content)实操步骤
第一步：让 AI 写代码
你可以给 ChatGPT/DeepSeek/Claude 发送类似的 Prompt：
“请帮我写一个 Python 脚本，用于模拟[你的课题]。脚本需要做以下事情：
- 使用 Numpy 计算[核心公式]。
- 使用 Matplotlib 绘制[关键图表]并保存为 PNG。
- 生成一个完整的 LaTeX 论文源码文件，其中包含摘要、公式推导、刚才生成的图片（使用 includegraphics）以及计算出的数据表格。
- 将所有输出文件放在一个文件夹里。
第二步：运行脚本
拿到代码后（例如 aaaaa.py），直接在本地运行：
python aaaaa.py运行结束后，你会发现当前目录下多了一个 quantum_paper_output 文件夹，里面躺着 paper.tex 和几张高清 PNG 图片。
进阶：如何编译生成的 LaTeX
拿到了 .tex 文件，很多新手不知道怎么转成 PDF。这里提供两种方案。
方案 A：使用 Overleaf (推荐新手)
如果你不想在本地折腾环境，这是最简单的办法。
- 把 quantum_paper_output 文件夹打包成一个 ZIP 压缩包。
- 访问 Overleaf 并注册/登录。
- 点击 “New Project” -> “Upload Project”。
- 上传你的 ZIP 包。
- 上传完成后，点击网页右侧的 Recompile 按钮，PDF 就出来了。
方案 B：本地编译 (VS Code)
如果你是理工科学生，建议配置本地环境，一劳永逸。
安装 TeX 发行版：
- Windows: 安装 TeX Live (完整版很大) 或 MiKTeX。
- macOS: 安装 MacTeX。
- Linux:
sudo apt install texlive-full。
安装 VS Code 插件：
- 在 VS Code 扩展商店搜索并安装 LaTeX Workshop。
编译：
- 用 VS Code 打开 paper.tex。
- 按
Ctrl+Alt+B(Windows) 或Cmd+Option+B(Mac) 触发编译。 - 或者点击右上角的播放小图标。
- 编译成功后，点击右上角的查看图标即可预览 PDF。
总结
通过 Python 脚本”一口气”生成论文，不仅能保证数据准确，还能极大节省排版时间。你只需要专注于调整 Python 代码里的参数和 LaTeX 模板的文字描述，剩下的繁琐工作全部交给机器。
这就是 AI 时代的写作业方式： Code is all you need .