让AI做文献检索，最没用的产出是一段打磨得漂漂亮亮的总结。真正有价值的是另一类东西：一组能回溯到原始论文的记录，外加一份清楚说明——助手到底读了什么、没读什么。

打开网易新闻 查看精彩图片

文献矩阵就是把这层边界摆到台面上。检索和整理交给智能体，纳入哪些文献、怎么解读科学结论，留在研究者手里审。

先把检索契约写死

接工具之前，研究问题、时间窗口、研究类型、人群和排除标准都得先定下来。什么算有用的候选、预印本要不要单列一组，也要提前说清。

一句"找最好的论文"，等于把即兴发挥的空间全给了助手。换成"在明确规则下给出带来源链接的候选"，结果才查得动。

智能体的工作流可以拆成三步：定义问题、检索记录、抽取与复核。

接的是数据源，不是一个聊天模型

ScholarMuse通过MCP在 https://scholarmuse.ai/mcp 暴露研究工具。按对应Claude或ChatGPT客户端的当前连接指南操作，授权账号，再用一次小的元数据查询确认连接是否真的通了。

客户端支持情况可能取决于套餐、版本和管理员策略，别默认每个账号的菜单都一样，也别拿一段示例配置把现有设置整个替换掉。

智能体访问需要账号，并遵循与免费网页查询工具分开的额度规则。大规模检索之前，先确认当前的论文检索能力和相应成本。连接成功本身，并不证明之后所有回答都有来源。

要记录，也要它主动报缺口

提问时把要求写全：在指定日期范围内找某问题的候选论文，优先某类研究设计和人群，使用已连接的数据源。每个候选都要返回准确标题、作者、年份、可用的DOI、原始记录URL和发表类型；预印本单独放；缺失字段就报缺失，绝不编造标识符；说明相关性判断和可能的排除理由；并交代自己访问的只是元数据、摘要还是全文。

先跑一小批，抽查几个来源链接，再放量。查询语句和日期都存下来。工具调用失败时，智能体应当如实报告，而不是悄悄用记忆里一份看起来合理的清单顶替检索。

建矩阵，但不制造证据

一篇论文一行，按标识符去重，必要时核对版本。最小列包括：

  • 记录ID、标题、DOI和原始URL
  • 查询语句、检索日期和发表状态
  • 研究设计、人群和样本量（有则填）
  • 相关发现，附页码或章节位置
  • 证据访问层级：元数据、摘要或全文
  • 局限性与纳入/排除理由

如果智能体只拿到元数据，发现和样本这两栏就该空着，不能从标题去推。摘要里给出的结果要标注为"基于摘要"，这和从全文里核实细节不是一回事。

写综述之前，先复核论断

打开准备引用的记录，核对书目字段，看清发表状态提示。每一条实质性陈述，都要找到对应的原文段落，核对它的人群和条件。

引用要落到原始论文，而不是ScholarMuse或助手本身。矩阵和检索日志跟项目放在一起。一次范围有限的多源检索，不会自动变成系统性综述——可复现的覆盖、筛选和报告，需要另行设计方法。

这套流程是教学模板，不构成"已执行或已评估过一次新检索"的声明。它的价值很朴素：另一位研究者应当能看出，每句话由哪条记录支撑，不确定性又留在了哪里。