文献综述能放心交给 AI 吗？

聊聊如何搭建「不翻车」的科研工作流

疑问

星友「小范老师」是一位经济统计学专业的高校教师，最近在星球提问，问题比较长。

我简单梳理一下，他会 R、Python 和 Stata，平时做计量经济学实证研究，但对编程和命令行不太熟悉。他的目标很明确 —— 想搭建一套能辅助写计量经济学实证论文的 AI 工作流，既提高效率，也通过这个过程学习更好的研究方法。

小范老师问了三个问题：

1. 现在用 AI 查到的文献靠谱吗？我能依赖 AI 来做文献综述吗？

2. 如果我已经有了一个观点，想反向查找高质量文献来支撑，有什么好用的工具？

3. 科研相关的 Claude Code Skill，有没有适合初学者模仿学习的推荐？

今天这篇文章，咱们就来聊聊这几个有趣又有价值的问题。

文献

先来解决第一个问题：

现在用 AI 查到的文献靠谱吗？我能依赖 AI 来做文献综述吗？

先说结论：不能轻信。

你用 ChatGPT 或者 DeepSeek 写过文献综述吗？如果你让它们「推荐几篇关于数字经济对中小企业融资影响的论文」，它们会非常自信地列出一串看起来像模像样的引用 —— 有作者、有标题、有期刊名、有年份。

问题在于，这些引用里很有可能有一部分是编造的。你可以参考我这篇文章，看看这种幻觉可能有多严重。只不过，我当时只是进行测试。后来才发现，学术界早已有很多研究，甚至是「翻车」案例了。

Enago Academy 的一项研究汇总了多个模型的学术文献检索表现，结果触目惊心：AI 生成的参考文献中，仅 26.5% 完全正确，近 40% 是错误的或者干脆捏造的。肾脏病学领域的一项评估更直接点名——ChatGPT 建议的文献中，只有 62% 真实存在，剩下 31% 要么是凭空捏造的，要么是把真实论文的信息张冠李戴拼凑出来的。

你可能会想：这些编造的引用应该很容易识别吧？不一定。 GPTZero 的研究 发现了三种幻觉类型。第一种是「混搭」：把几篇真实论文的作者、标题、期刊名混在一起，拼出一篇不存在的论文 —— 看起来完全可信，因为每个元素都是真的，只是组合是假的。第二种是「完全捏造」：从作者到期刊全是编的。第三种最隐蔽 —— 以一篇真实论文为基础，做微妙修改：把缩写名展开、增删一个作者、改述标题。你若是不去数据库逐字核对，根本发现不了。

有人中招吗？

GPTZero 扫描了 NeurIPS 2025 收录的 4000 多篇论文，发现至少 53 篇包含幻觉引用，总共 100 多条。这些论文每篇都经过 3 位以上审稿人审阅，没有一个人发现引用是编的。 ICLR 2026 的抽样检查 也是类似的结果：300 篇中超过 50 篇包含至少一条幻觉引用，每篇都经过 3 到 5 位审稿人审过。

连 AI 领域最顶级会议的审稿人都发现不了，怎么办？

根本原因在于工作机制。 虽然 ChatGPT（2024 年底）和 Claude（2025 年初）都已经有了联网搜索功能，能在开放网络上找到 arXiv 预印本、PubMed 开放获取论文之类的内容，但它们仍然无法直接查询 JSTOR、Scopus、Web of Science 这些付费学术数据库。更要命的是，即使开着搜索，生成引用时的幻觉问题依然严重——模型可能把搜到的真实信息和训练数据里的模式混在一起，编出一条「看起来特别像真的」的引用。换句话说，它不是纯粹「查」出来的，很大程度上还是在「猜」（或者，说得更直白些，「编」）。这跟你去知网或者 Web of Science 搜索有本质区别。

那是不是 AI 做文献综述就完全不能用了？

不是。 关键在于区分「通用 AI」和「学术专用 AI」两类工具。

ChatGPT 和 Claude 虽然能联网搜索，但它们搜的是开放网络，进不了付费数据库，生成引用时仍然可能会「猜」。但 Elicit、Consensus、Semantic Scholar 这些专用学术搜索工具完全不同 —— 它们直接查询真实的论文数据库（Semantic Scholar 收录超过 2 亿篇论文），返回的每一条结果都有原文可溯源。

以 Elicit 为例，你输入自然语言描述你的研究问题，它从真实论文中检索结果，每条结论都附带句子级引用 —— 不仅告诉你「哪篇论文支持这个观点」，还精确到「论文里哪句话说了这个」。

Consensus 的独特之处在于它的 “Consensus Meter”—— 搜索一个学术问题后，直接显示研究者群体对这个问题的共识程度。比如我输入 “Does digital economy promote SME financing?”，它会自动检索相关论文，然后告诉我各类结论占比。你能一眼看出这个论点在学界站不站得住脚。

中文文献也有解决方案。例如知网推出了 CNKI AI 学术研究助手，已经接入了 DeepSeek，提供 AI 增强检索、AI 辅助研读、AI 辅助创作和苹果树智能体四项服务，2025 年起已在多所高校开通试用。需要你通过学校图书馆关联机构账号才能使用。

科睿唯安也给 Web of Science 配了 AI 研究助手。这两个属于「数据库原生 AI」—— 来源可追溯、可靠性通常更高，但依然建议你做人工核对。这些学术数据库提供商自研的 AI 产品嘛，缺点是各自只覆盖自己的库。

只不过，我多句嘴，「准确」和「好用」，不能完全划等号。

还有一类值得关注的中间选项。 Perplexity 在文档里提供了偏学术场景的检索指引（文档路径近期有调整，可从 Overview 进入）。 独立评测 提到，它在复杂研究问题上给出的来源可追溯性优于部分通用模型；但它也有问题：引用有时指向主页而非具体文章，直接引用有时在所引来源中找不到。所以仍需人工核实。

所以回答你的问题：能不能依赖 AI 做文献综述？

不能依赖 ChatGPT、DeepSeek 这类通用 AI。可以更倾向使用 Elicit、Consensus、Semantic Scholar 这类专用学术 AI 工具。后者整体上更容易追溯来源。

我提醒一下，不管你用哪个工具，最后都要回到知网或 WoS 原库做一遍核实。关于这个话题，我之前在 《如何提升 AI 学术检索的质量？》 中也有一些实践总结，若你感兴趣可以看看。

知道了哪些能信、哪些不能信，你或许已经迫不及待想知道：具体怎么操作？特别是你已经有了一个观点 —— 比如「数字普惠金融能降低信息不对称」—— 怎么反向找到高质量文献来支撑它？这正是第二个问题要回答的。

求索

反向文献查找 —— 已经有了观点或论述，反过来找支撑文献 —— 其实有两种完全不同的策略。搞清楚这两种策略的区别，你就知道什么场景该用什么工具了。

第一种叫「以意找文」：你脑子里有一个观点（比如「数字普惠金融能降低信息不对称」），用自然语言描述这个观点，让 AI 去论文库里找支持它的研究。这种策略适合你有想法但手头没有任何相关论文的阶段。

第二种叫「以文找文」：你手头已经有了一篇相关论文，想通过这篇论文的引用网络找到更多相关研究。这种策略适合你已经有了一两篇核心论文，想扩大文献覆盖面的阶段。

最高效的做法是两者结合：先用「以意找文」找到几篇核心论文，再用「以文找文」从这几篇出发展开引用网络。很早之前，我就把这种方式定义为「孔雀开屏」。

来说说每种策略下好用的工具。

以意找文，首推 Elicit。 你用自然语言描述观点（如 “digital inclusive finance reduces information asymmetry for SME financing”），它可以在大规模论文库中做语义检索并返回相关论文。按 Elicit 官网当前公开信息，它已覆盖 1.25 亿+ 论文。它的优势是句子级证据链：不只告诉你“这篇论文相关”，还会把支持结论的原文句子/表格片段摘出来并链接回来源位置。基础功能有免费版；具体配额和价格更新较快，建议以官网 Pricing 页面为准。

Consensus 前面提到过，它有一个独门功能：共识度量表。 不仅如此，它还会自动生成带引用编号的结构化分析——列出支持结论的具体机制（如大数据信用评分、降低交易成本等），每条论述都标注了来源论文编号，点击即可溯源。这对你判断一个论点是否站得住脚特别有用。它的文献覆盖规模也是亿级。

如果你需要区分「支持还是反对」， scite.ai 是一个很强的选择。 传统的引用分析只知道 A 引用了 B，不知道是赞同还是反驳。scite.ai 的核心价值就在这儿：它把引用标记为 supporting（支持）、contrasting（反对）或 mentioning（提及）。你找到一篇核心论文，scite.ai 可以直接告诉你有多少后续研究支持它的结论、多少反驳了它。对写文献综述来说，这个功能非常实用。并且在 2026 年，scite.ai 还 推出了 MCP，可直接连接 Claude 等工具。

再说以文找文的工具。

Connected Papers 是我最推荐的引用网络可视化工具。 你提供一篇论文作为「种子」，它会基于文献耦合和共被引分析生成一张可视化的关联论文图谱。注意它不仅仅看直接引用关系，还考虑两篇论文是否被相似的论文群引用——这意味着它能发现那些虽然没有直接引用关系、但研究内容高度相关的论文。在一份 独立评测 中，它被评价为快速简洁的单种子文献发现工具，免费就够用。

Research Rabbit 的特色是迭代式深挖。 我在好几年前，就用视频给你介绍过它。你搜一轮，它记住结果；在这个基础上再搜一轮，它还记着。每次搜索都保存，随时可以回溯到之前的任何一步。2025 年 10 月它做了一次 重大更新，搜索流程更清晰，引用图可以自己配置。

用它来做「兔子洞式」文献探索特别合适 —— 一层层往下钻，钻到哪算哪，但随时能回来。

中文文献的反向查找是个缺口。 上面这些工具以英文论文为主，中文文献覆盖有限。目前最好的中文方案是 CNKI AI 的增强检索（语义驱动，不只是关键词匹配）加上知网自带的引用追踪功能。

拿你的研究方向来验证一下：假设你想写「数字经济对中小企业融资的影响」。用 Consensus 输入 “Does digital economy promote SME financing?”，几秒钟就拿到结果——前面截图里你已经看到了，83% 的研究给出肯定答案，而且它自动整理出了四大促进机制（大数据信用评分、降低交易成本、替代融资平台、长尾企业覆盖），每条都带着论文编号。这就是你文献综述的骨架。用 CNKI AI 输入中文关键词，得到中文期刊论文。然后你已经有一个观点「数字普惠金融能降低信息不对称」，用 Elicit 搜索，找到支持该观点的实证论文。再从一篇核心论文出发，用 Connected Papers 展开引用网络。最后用 scite.ai 确认引用方向。整个 workflow 走一遍，英文和中文文献都覆盖到了。

技能

你问的第三个问题 —— 有没有适合初学者模仿学习的科研 Skill—— 是三个问题里我最想展开讲的。因为这件事的价值不仅在于「用上一个好工具」，而在于「学会怎么把自己的研究经验变成可复用的 AI 工作流」。