1. 为什么我敢用AI来肝文献综述
1.1 文献综述为什么那么折磨人
先交代一下背景。我读研期间和后来帮导师带学生的过程中，见过太多人被文献综述卡住。这玩意儿看着没有实验代码那么硬核，也没有数据分析那么刺激，但它有一个极其折磨人的特点：它要求你在有限时间内完成"大量阅读—信息整合—逻辑重组—观点输出"这一整条流水线。
最要命的是三个痛点。第一是读不完，一篇综述动不动就要覆盖三五十篇文献，哪怕每篇只读摘要和结论，一周下来眼睛都是花的。第二是不记得，上周读的论文这周就忘得差不多了，更别说要把不同文献之间的关系讲清楚。第三是组织不起来，文献读了一堆，笔记也有，但真到落笔的时候，发现脑子里全是零散的句子，根本串不成一条线。
我以前的做法是硬扛，拿Excel做笔记，拿便签纸贴满墙，结果效率极低。直到我开始认真尝试用AI写作工具来重构整个流程，才发现文献综述完全可以被拆解成AI擅长和人类擅长的两部分：AI负责快速阅读、归纳、转述和搭建初稿，我负责定方向、做判断、提供观点和最终把关。7天写完一篇还不错的文献综述，是真的能做到的。
1.2 AI在这个场景里到底帮了什么忙
先说清楚一个核心认知：AI不是替你"变"出一篇综述，而是把你的时间从机械劳动里解放出来。一篇文献综述的工作量，我粗略估算过，大约60%花在信息处理上——读文献、做笔记、找共性、分类别；剩下的40%才是真正需要人类智慧的部分——判断哪些文献重要、提炼研究空白、形成你自己的评述视角。
AI的价值在于把那60%的机械劳动大幅压缩。你可以把一篇PDF扔给它，让它按你设定的模板输出摘要、方法、结论、局限；你可以让它把20篇文献的核心观点拉成一个对比表格；你可以给它一个段落骨架，让它把每个主题下的相关文献内容组织成初稿。这些活儿如果靠人来做，一篇文献至少二十分钟，现在压缩到了三分钟。
但这里必须说一句：AI做的所有事情，都需要你复核。我见过太多人把AI生成的综述直接交上去，结果参考文献是编造的、引用的数据完全对不上原文，这种翻车事故几乎都是因为跳过了人工核验这一步。AI是加速器，不是替代者，这个观念后面还会反复强调。
1.3 适合谁用，不适合谁用
基于我自己的经验和身边人的反馈，这个方法最适合四类人：一是时间紧任务重的硕博生，比如开题前要交综述；二是刚进入一个新方向、需要快速建立领域认知的研究者；三是写作基础较弱、需要借助AI把思路理顺的人；四是要写课程论文但不知道怎么下手的高年级本科生。
不适合的人也有两类。一类是完全不懂学术规范、打算把AI输出原封不动交上去的人，这类人用AI是给自己埋雷；另一类是做非常前沿、小众研究的人，他们的文献库里可能只有十几篇核心论文，AI能提供的增量价值有限，反而容易把内容写泛。
还有一个场景边界要明确：AI适合写"综述"这种以整合已有研究为核心的文本，但不适合替代你做"元分析"这类需要严格统计方法的内容。我的原则是，AI可以做脚手架，但论文的骨头和灵魂必须是你自己的。
2. 工具选型：好用的写作AI应该怎么挑
2.1 我筛选写作AI的几个硬指标
市面上的AI写作工具多到让人眼花缭乱，但真正适合用来肝文献综述的，我用下来觉得就几个硬指标，满足不了的直接排除。
第一是长文本处理能力。文献综述动辄几千字，你希望AI能基于你给出的多篇文献内容进行整合，而不是每次只记得最后一段对话。所以上下文窗口越大越好，至少能一次性容纳几篇文献的摘要和关键段落。
第二是输出质量的可控性。好工具得允许你通过提示词约束风格、长度、结构。有的工具生成内容永远是一二三四条列出来，放在学术语境里就不太合适；有的工具能根据你给的范文调整文风，这就非常加分。
第三是引用意识。理想的写作AI应该能明确指出它的某个观点来自哪篇文献，哪怕只是说"根据上文提供的张三(2023)的研究"，这能让你后续核验省很多事。完全没有来源意识的工具，写综述时基本等于胡编。
第四是中文表达的自然度。文献综述对语言的要求是准确、严谨，不能有翻译腔。我试过几个工具，英文能力强但中文输出总有一种"机翻味"，这种东西放在论文里非常出戏。
2.2 主流工具派别的差异
用了一段时间之后，我把市面上的工具粗略分成三个派别。
第一派是通用对话型大模型。这类工具知识面广，理解能力强，几乎什么都能干，但需要你会写提示词。它的好处是灵活，坏处是如果提示词写得笼统，它给你的内容也笼统，什么"AI技术发展迅速"这类正确的废话能给你写一百句。
第二派是专门面向学术写作的工具。这类工具内置了一些学术场景的模板和数据库，有的还能帮助你阅读PDF文献、提取引文信息。它的好处是上手快、流程清晰，坏处是灵活性差一些，遇到你的研究方向比较特殊时，它的模板反而会限制你。
第三派是笔记型/知识库型工具。你可以把所有文献PDF喂进去，它在里面做索引和问答，相当于你的私人文献助手。这类工具最适合做文献管理，但纯粹的写作生成能力往往弱一些。
我的建议是根据自己的使用习惯来选，不要迷信"最贵的就是最好的"。如果你擅长写提示词，通用大模型+文献管理工具的组合性价比最高；如果你不想折腾，选一个靠谱的学术写作工具可能更省心。核心是它得能在你工作流的每一个环节接得上。
2.3 我最终的工作台组合
我的组合不太复杂：一个知识库型工具负责文献导入和问答，一个通用大模型负责归纳和写作，再加上我常用的文献管理软件存引文。这个组合的好处是分工明确，坏处是需要自己管理信息在不同工具间的流动。
实际用的时候，我基本是这样协作的：PDF原文丢进知识库工具，某个问题比如"这篇论文的样本量是多少、结论是什么"直接问它；需要写综述段落时，把从知识库里挖出来的核心观点粘给通用大模型，配上我的提示词模板让它组织成文；最后出来的文字再回到我手里改，引用的文献信息从文献管理软件里导出。
这里我想提醒一句，不要在一棵树上吊死。我的做法是在同一个任务里让两个不同的大模型各生成一版，然后我对比着看。不同的模型在归纳重点时会给出不同的视角，有时候这个差异恰恰能帮助你发现自己没注意到的文献脉络。
3. 核心方法：把文献综述工程化拆解
3.1 第一步：研究问题先清零
很多人的综述写不好，根子不在写作，而在问题没想清楚。你问AI"帮我写一篇关于机器学习的综述"，它只能给你一篇泛泛而谈的科普文章；但如果你说"帮我综述近五年图神经网络在交通流量预测中的应用与挑战"，AI立刻就能给出一个结构清晰、重点明确的框架。
所以在打开任何AI工具之前，先逼自己把研究问题写下来。我的方法是要求自己用一句话说清楚：我的综述要回答什么问题、聚焦什么对象、限定什么时间范围、站在什么角度。这四个要素缺一个，AI就会跑偏，你也一样。
这一步做扎实了，后面的所有环节都会顺畅很多。因为我发现，文献综述的框架本质上就是研究问题的展开：研究背景、已有进展、分类比较、存在不足、未来方向，这些章节不过是在回答"这个问题现在研究到什么程度了"的不同侧面。
3.2 第二步：文献检索与初筛
文献检索这个环节，我的经验是让AI当参谋，但键盘得握在自己手里。你去数据库里检索的时候，可以把检索式拿给AI优化。比如你最初想搜"图神经网络交通预测"，它可以把同义词、上下位词都给你扩展出来，帮你构造更完整的检索式，避免漏检。
初筛阶段AI也能帮上忙。当你用题目和摘要筛出一批候选文献后，可以把这批文献的题录信息复制给AI，让它按你觉得重要的维度做一个初步分类：哪些是开创性工作、哪些是改进型工作、哪些是大规模实证、哪些只是综述性文章。这个分类结果不用太当真，但可以让你对文献地图有一个快速感知，知道接下来该精读哪几篇。
我个人的经验标准是：如果是大领域，先通过检索筛到30到50篇核心文献，再通过AI做初次分类，把精读范围缩小到15到20篇；如果是小领域，核心文献可能就10篇出头，那就全读，没必要省这个功夫。
3.3 第三步：用AI做结构化精读
精读是文献综述写作中最耗时的部分，也是AI最能帮上忙的地方。我定义一个"结构化精读模板"，要求AI按这个模板输出每篇文献的信息：研究问题、使用的方法、数据来源、核心结论、局限与不足、与上一篇文献的关联。
这个模板的价值在于，它逼你把每一篇文献都放在统一的框架下审视，方便后面横向比较。如果靠手工，一篇文献阅读外加写笔记怎么也得二十分钟到半小时；用AI辅助，我只需要先自己快速扫一遍摘要和结论，然后让AI补充细节，再核对一遍，时间能压缩到五到八分钟。
但这里有个关键动作不能省：每一条AI输出的信息，你都要能回到原文里找到出处。我见过有人偷懒跳过这一步，结果AI把某篇文献的样本量写错了，而他直接把这个错误数据写进了综述，被答辩老师一眼看穿。结构化笔记是地基，地基歪了，楼越高越危险。
3.4 第四步：主题聚类与综述框架
读完文献、做完笔记之后，最需要人类判断力的环节来了：这些文献之间到底是什么关系？是按时间线写，还是按方法流派写，还是按研究主题写？这取决于你的研究问题，AI可以给你建议，但最终选择权在你手里。
我的做法是，先把所有文献笔记里的"核心结论"和"研究问题"两栏汇总起来，扔给AI，让它基于文本相似度做主题聚类，并给每个主题起一个概括性标题。AI给出的聚类往往能给我惊喜，比如我发现好几篇我原本没放在一起的文献，其实在方法上有共同点，这为我提供了一个全新的综述组织角度。
拿到聚类结果后，我再用它搭建综述大纲。大纲的每一节对应一个主题，每节下面列出要引用的文献编号。这一步完成后，整篇综述的骨架就立住了，后面写起来会非常顺，因为你知道每一段该写什么、该引谁的研究。
3.5 第五步：分块生成与人工重写
大纲定好之后，剩下的就是体力活了。我的原则是：一次只让AI写一个小节，绝不一次性让它生成整篇文章。很多人贪快，让AI一口气生成五千字，结果拿回来的文本简直没法看——结构松散、论证跳跃、风格平庸。
分块生成的优势有三个。第一，每一块你都可以仔细核对文献引用是否正确；第二，每一块的风格和详略程度你可以单独控制；第三，你在修改每一块时，会对综述的整体逻辑有更清楚的把握，不会写完发现自己跑题了。
更重要的一个经验是：AI生成只是初稿，我的修改量通常在一半以上。我会把AI写出来的段落当作一个"表达样例"，然后用我自己的学术判断重新组织语言，补充我自己的评论和连接词，让整段文字有我的"指纹"。这一步不是为了应付查重，而是因为综述的真正价值就在于作者的独立评述，AI给不了这个。
4. 七天实操节奏：每一天我具体做了什么
4.1 Day 1到Day 2：先立框，再收粮
第一天我不碰AI，只做两件事：确定研究问题，写出一页纸的综述大纲框架。这一页纸是后面所有工作的总指挥，大纲里要写清楚每一个二级标题打算覆盖什么内容、重点比较哪些文献。
第二天开始文献检索和初筛。我会把检索式扔给AI优化，然后自己在数据库里跑，把筛出来的文献题录导出。晚上把题录丢给AI做初步分类，确定精读清单。第一天的"慢"，是为了后面六天的"快"，这一步真的省不得。
这两天的AI使用重点在"整理"而不在"生成"：让AI给你优化检索词，让AI帮你把题录按主题粗分类，但不要让它写任何正文。我发现那些一上来就让AI写正文的人，后面基本都会返工，因为大纲还没立住，写出来的内容都是空中楼阁。
4.2 Day 3到Day 4：精读笔记与主题聚类
中间两天是工作量最大的两天，但也是最出成果的两天。三天上午到下午，我集中处理精读清单上的文献，每篇走一遍"自己扫摘要+AI结构化输出+回原文核对"的流程，笔记全部存进一个统一的表格里。一天处理七八篇是完全可以做到的，关键是不要一篇文献翻来覆去读三遍，要相信AI的归纳，但一定要验证。
第四天下午，我把所有笔记喂给AI做主题聚类，请它给出一个聚类结果和每个主题的名字。拿到结果之后，我做一件AI做不了的事：逐个主题检查，看看每篇文献被归到的地方是否符合我的研究叙事需求，不符合就手动调整。这个调整过程，实际上就是我对整个领域理解深化一次的过程。
晚上我会把调整好的聚类结果转成综述的详细大纲，每一个三级标题下面标注好需要引用的文献编号和核心论点。到这一天结束，综述的"图纸"已经全部画好，剩下的是按图施工。
4.3 Day 5到Day 6：分块写作与整合
第五天和第六天是正式动笔的时间。我按大纲顺序，一次处理一个"主题块"，每个主题块约八百到一千字。具体做法：把该主题下的文献笔记发给AI，附上我写的写作要求——比如"比较A和B两种方法的差异""突出2020年以后的研究转向"——让AI生成第一稿。
拿到初稿后，我立刻进入修改模式。我的修改顺序是固定的：先核对每个引用是否对得上原文，再调整逻辑顺序让论证更流畅，然后加入我自己的评述，最后删掉所有正确的废话。这个过程我一般控制在每块一小时以内，一天能完成三到四个主题块的写作。
第六天晚上，把所有主题块拼接起来，全文通读一遍。通读时重点检查段落之间的过渡，AI写的块与块之间往往缺乏衔接，这时就需要我手动加一些承上启下的句子，让整篇综述看起来是一个整体，而不是几块拼贴。
4.4 Day 7：语言润色与格式校对
最后一天不写新内容，只做打磨。第一遍通读，我把自己认为写得干瘪的段落标出来，让AI基于前文内容和我的写作要求做两到三个润色版本，我再选最合适的一个。第二遍通读，检查术语是否统一，比如"神经网络"和"深度网络"不能混用，这种事AI最容易犯，因为它不知道你的全文语境。
第三遍是引文核验。我把文中的引用和文献列表导出，一条一条对作者、年份、页码。这个环节我强烈建议不要用AI自动核对，因为AI在引用上翻车的概率极高，必须人工确认。最后再检查格式，包括标题层级、图表编号、参考文献格式。这一步做完，一篇7天产出的文献综述就可以说达到了可以提交的水平。
5. 提示词模板：直接抄作业
5.1 文献总结提示词
结构化精读是效率的关键，我用的提示词已经固定下来了，分享给大家直接抄：
请阅读以下文献信息，并按照以下模板输出结构化笔记：
文献标题：{标题} 作者年份：{作者，年份}
要求输出：
- 研究问题（用一句话概括这篇文献要解决什么问题）
- 研究方法（说明使用了什么方法，包括数据来源和样本规模）
- 核心发现（列出3到5条最重要的结论）
- 局限与不足（指出这篇文献没有解决的问题）
- 潜在关联（如果有，指出它与我们综述主题的关联）
注意：所有内容必须依据提供的文献信息，不得自行补充不在原文中的信息。
这个提示词的关键在于最后那句"不得自行补充"，能有效减少AI编造内容。另外我还会在粘贴文献信息时，优先放摘要和结论部分，这样AI输出会更准。
5.2 主题归纳提示词
等笔记积累到一定数量，用下面这个提示词做聚类很有用：
以下是我阅读的若干篇文献的核心结论摘录，请根据研究主题的相似性对它们进行分组。每组需要：给出一个主题名称，列出组内文献的作者和年份，并用两句话概括这一组文献的共同关注点。如果某些文献可被归入多个组，请在你的分类中予以说明。
这个提示词的核心价值是让我从"逐篇看文献"切换到"从全局看文献"，聚类结果不一定完美，但能给我一个思考的出发点。我在第二步基础上，还会追加一句"请进一步指出各组之间的逻辑关系，例如时间演进、方法对立或问题深化"，这样得到的综述框架会更立体。
5.3 段落扩写提示词
分块写作时，我的段落扩写提示词是：
我正在撰写一篇主题为"{综述主题}"的文献综述。以下是我整理的部分文献笔记，请基于这些内容帮我写一个篇幅约300字的段落，论证的核心观点是"{这里填你的论点}"。
要求：
- 按照"提出论点—展开比较—结束回扣"的结构组织
- 至少提及三篇文献的具体发现作为论据，引用时采用"{作者年份}"的格式
- 语言客观、学术化，不使用"众所周知""显而易见"等空泛表达
- 段落末尾不需要总结性废话，直接结束在最后一条论据上
第4条是我踩坑之后加的。AI特别喜欢在每段结尾来一句"综上所述，该领域取得了显著进展"，这种套话放在综述里会让你的段落像灌了水。明确告诉它不要总结，能大幅提升段落的信息密度。
5.4 润色与转述提示词
当你觉得某段文字太生硬或太像AI写的，我用的是这个：
请把下面的文字改写得更学术、更凝练，保持原有信息和引文不变。要求：避免所有口号式表达，增加专业术语的准确使用，调整句式避免重复，每句话都要有信息量。改写后请保留原文的所有引文标注。
原文：{粘贴你的段落}
这里要注意，润色不是让AI把句子变长变复杂，而是让表达更准确。我遇到过AI把简单句子改成一种佶屈聱牙的"伪学术风格"，读起来像五六年前的机器翻译，这种改写宁可不做。所以我在提示词里特别写了"每句话都要有信息量"，就是为了逼它做减法而不是做加法。
6. 学术诚信与避坑指南：AI不是终点
6.1 幻觉文献怎么治
我必须把这个问题单独拿出来讲，因为它坑过太多人。AI在生成综述时，极有可能会编造不存在的文献——作者名是拼凑的、年份是错的、期刊是杜撰的，甚至整条参考文献都找不到出处。这是因为大模型本质上是在做文字接龙，它会把"看上去合理的参考文献"接出来，而不是去数据库里查证。
解决这个问题只有一个可靠办法：所有AI在正文中提到的具体发现，都必须回到你提供的文献笔记里核对；所有参考文献条目，都必须逐条在数据库里检索确认。我的习惯是，AI生成的段落里每一个"{作者年份}"标注，我都会在旁边打一个勾，确认它确实在我精读的文献清单里。不在清单里的引用，一律删掉，哪怕读起来再合理。
我还发现一个有效做法：不要给AI自由发挥的空间，而是把我整理的文献笔记作为唯一的引用来源库。提示词里明确写"只能引用我在下面提供的文献"，这样能最大限度减少编造引用的概率。多花两分钟写清规则，能省下后面几小时的核验时间。
6.2 关于查重和AIGC检测，我的态度
现在很多学校都会做AIGC检测，这个话题网上说法很多，但我个人的建议很明确：不要用任何工具去"降AI率"，不要试图通过改写忽悠检测系统。原因有两点，一是这类工具很容易把你论文改得面目全非，甚至改出病句；二是就算你能骗过机器，答辩现场老师的提问照样能拆穿你。
真正安全的做法，是让AI的输出经过你的深度加工后，只作为你论证结构的一部分，而不是原文照搬。我前面反复强调的"一半以上修改量"和"加入自己的观点"，其实就是这个意思。当你真的理解你写的内容、真的能对着文献展开评述和批判时，AI痕迹自然就淡了，这不是降重技术的问题，而是工作方法的问题。
另外我想说一句大实话：文献综述本身是要求你去综合和评价前人研究的，你都不理解文献，综述就不可能写好。AI能帮你把文献表达出来，但"理解"这个动作没人能替你完成。
6.3 哪些环节千万别交给AI
经过这么多次实操，我总结出几个绝对不能交给AI的环节。
第一是研究问题的最初定义。AI给不了你真正有价值的研究缺口，它只是一面镜子，只能反馈你输入的信息。第二是文献质量的判断。一篇文献是不是权威、它的方法有没有硬伤、它的结论可不可信，这些判断来自于你的学科积累，AI给不了。
第三是引文核验。前面说过了，AI在引用上翻车概率极高，人工核对一步都不能省。第四是你在综述中表达的批评性观点，这些观点必须是"你"的，让AI替你表达批评，写出来的东西往往既不够尖锐也不够准确，一眼就看出来是套话。第五是格式标准，不同的学校有不同的格式要求，这种高度定制化的事情交给AI，你会花更多时间去修正。
7. 常见问题与排查技巧实录
7.1 AI写得太空泛，全是正确的废话
这是我收到最多的抱怨。问题根源通常有两个：一是你的提示词里没给足够具体的指令，二是你给的信息太少。解决方法是把提示词里的"综述某主题"改成"比较A方法与B方法在某应用场景下的表现差异，重点讨论2020年以后的研究进展"，给AI一个思考的锚点，它就不会飘。
另一个技巧是给AI提供"约束"：限制只能引用提供的文献、限制段落字数、限制必须包含对比结构。约束越多，AI的输出越具体。很多人觉得提示词写得越少AI越自由，其实对于学术写作恰恰相反，约束越清晰，效果越好。
7.2 AI生成的内容和我的判断不一致
这种情况经常发生，尤其当AI归纳某篇文献的核心结论时，它会倾向于把话说得很满，给人一种"研究已经做得很成熟"的感觉，但这不符合你这篇文献的实际情况。这时候千万不要顺着AI的思路走。
我的做法是，回到原文看一遍，以我对文献的实际阅读为准，然后用我自己的话重写那一处内容。还有一个情况是，AI聚类给你归出来的"主题"和你理解的研究脉络对不上，这时候以你的框架为准，AI的聚类只是参考。说到底，AI是给你提供素材和视角的，决策者永远是你。
7.3 多个工具输出不一致，应该信谁
我平时会拿两个工具做对比，它们在归纳同一篇文献时经常给出不同的侧重点。比如一个强调方法创新，一个强调应用价值，这时候我的选择标准不是看谁"更对"，而是看谁"更符合我综述的叙事需要"。
如果你在综述中的那一节本来就打算突出方法对比，那就选强调方法创新的版本；如果那一节是要说明研究应用的广度，那就选强调应用价值的版本。这不是和稀泥，而是因为文献本身就有多面性，你的综述只需要展示与你的主线相关的那一面。把AI输出的多个视角当作"信息不同侧面"来用，比纠结对错有价值得多。
7.4 用AI写综述，怎么保证写作风格统一
因为我是分块生成的，所以AI生成的各块风格经常不统一，有的段落喜欢用长句，有的段落全是短句。这个问题我在第五、第六天整合时集中处理。
具体做法是，通读全稿后，把所有段落里与整体风格不协调的句子标出来，集中丢给AI做统一润色。同时我会把写得最满意的一段作为风格基准，一起贴在提示词里，说"请参照这段文字的语气和句式结构，修改以下段落"，这样能让AI的输出风格尽量靠近你自己偏好的方向。这个方法比单纯说"请写得学术一点"管用得多。
还有一个很小的技巧：定稿前把全文通读一遍，专找AI最爱用的连接词，比如"首先""其次""此外""总而言之"，把这些词按真实语境换掉三分之一左右，读起来会自然很多。
最后分享一点个人的体会。我用AI写文献综述已经有几十篇的经验了，最大的感受是：它没有让我变懒，反而逼我把自己的工作流程变得更精密。以前我写综述靠的是"读完论文凭感觉写"，现在靠的是"结构清晰、证据明确、逐步推进"的工程化方法，AI只是替我把那些低层次的文字劳动标准化了。这个思路不止适用于文献综述，你做研究报告、技术调研、项目文档，本质上都是同一套逻辑：先定问题、再收材料、做结构化整理、分块写作、人工把关。如果你打算试一次，我的建议是从一篇小综述开始，别一上来就挑战大题目，先把这套流程跑通，然后再谈效率和速度。
