如果说科研是一场长期战，那么文献综述就是这场战斗的地图。
它的作用不是“把别人说过的话再说一遍”，
而是帮助你回答三个关键问题：
- 这个领域到底研究到哪一步了？
- 当前共识是什么，争议是什么，空白是什么？
- 我的研究应该切入哪里，才有意义？
真正高质量的综述，不是文献数量多，
而是信息组织能力强、观点提炼能力强、结构整合能力强。
这正是 AI 能发挥巨大作用的地方。
一、为什么文献综述特别适合 AI 辅助？
因为综述本质上是一项高度结构化的任务。
它通常包含以下工作：
- 文献检索
- 标题筛选
- 摘要初筛
- 精读与摘录
- 分类与编码
- 主题聚合
- 研究空白识别
- 结构搭建
- 初稿写作
- 反复修订
这些步骤里，AI 最适合参与的，不是“直接替你写最终综述”，
而是帮助你完成三类工作：
1. 降低信息处理成本
比如快速提取一篇文章的核心信息。
2. 提高结构组织能力
比如把 100 篇文献按主题、方法、结论、争议进行分类。
3. 帮助你形成写作骨架
比如从大量零散笔记中，整理出一篇综述初稿的逻辑主线。
换句话说：
AI 不是帮你“少读文献”，而是帮你“更有结构地读文献”。
二、从100篇文献到一篇综述初稿，真正的难点在哪里？
很多人以为文献综述的难点是“文献太多”。
其实真正的难点是：
1. 信息没有被结构化
你读了很多，但没有统一的记录方式，最后无法比较。
2. 观点没有被聚类
每篇文章都看懂了，但不知道它们之间的关系。
3. 主题层级没有拉开
你知道大家都在研究什么，但不知道谁是主线、谁是支线。
4. 综述逻辑没有先搭出来
最后写的时候容易变成“按作者顺序罗列”，而不是主题驱动的分析。
5. AI 使用方式不对
很多人直接让 AI “帮我写综述”，结果得到的是泛泛而谈、缺少证据、逻辑松散的内容。
所以，正确的做法不是“把 AI 当写手”，
而是把它嵌入你的综述工作流。
三、一个高质量文献综述工作流应该怎么设计？
我建议把文献综述拆成六个阶段：
下面我们逐步展开。
四、第一步：文献检索与初筛，不要一上来就精读
很多人综述写不出来，起点就错了。
他们会一边搜一边读，一边读一边记，结果没有筛选标准，越看越乱。
正确方式是：
先建立检索策略，再做初筛。
1. 检索阶段先明确三个问题
你需要先定义：
- 研究主题边界是什么
- 时间范围是什么
- 文献类型是什么
比如：
- 只看近五年
- 只看核心期刊或高被引论文
- 只看实验研究，不看纯评论
- 只看某一方法或某一对象
2. 用 AI 辅助扩展关键词
推荐 Prompt
我正在做关于以下主题的文献综述：
[填写你的研究主题]
请帮我扩展检索关键词，要求：
1. 给出核心关键词、同义词、近义表达和相关术语；
2. 按英文文献检索习惯输出；
3. 区分宽泛词和精确词；
4. 尽量覆盖不同写法，避免漏检。
这个 prompt 很适合在检索初期使用。
因为很多文献漏掉，不是因为没有，而是因为关键词没覆盖到。
3. 用 AI 帮你判断摘要是否值得保留
推荐 Prompt
请帮我基于以下标题和摘要判断这篇文献是否值得纳入综述。
请从以下维度分析：
1. 是否与主题高度相关；
2. 是否有方法或结论价值；
3. 是否属于背景性文献还是核心文献；
4. 是否建议纳入正文还是只放在参考文献中。
标题和摘要如下：
[粘贴内容]
五、第二步：文献结构化摘要，别再手写一堆散乱笔记
如果你对每篇文献的记录方式不统一，
后面几乎一定会崩。
所以第一件事，就是建立统一的文献摘要模板。
1. 标准化文献摘要模板
literature_note.md
# Literature Note
– 文献标题：
– 作者与年份：
– 研究问题：
– 研究对象/数据：
– 研究方法：
– 核心结论：
– 关键图表/证据：
– 作者强调的贡献：
– 局限性：
– 与我研究主题的关系：
– 可用于综述的主题标签：
这个模板看上去简单，但价值非常大。
因为它强迫你从“读懂”走向“结构化提取”。
2. 用 AI 快速生成结构化摘要
推荐 Prompt
请根据以下论文内容，生成结构化文献摘要，输出字段包括：
1. 研究问题；
2. 研究方法；
3. 样本或数据；
4. 核心结果；
5. 作者结论；
6. 局限性；
7. 可用于综述的主题标签。
请保持客观，不要加入未提供的信息。
3. 适合做初筛的“轻量摘要”
如果你手上有 100 篇文献，不建议一开始就逐篇深度精读。
可以先让 AI 输出“轻量摘要”，快速决定哪些文献值得重点处理。
推荐 Prompt
请用 5 句话以内总结以下文献，并判断它在我的综述中属于：
A. 核心文献
B. 重要支撑文献
C. 背景文献
D. 可排除文献
请简洁回答，不要扩写。
六、第三步：文献分类与编码，把文献从“列表”变成“知识地图”
这是综述工作流里最关键的一步之一。
很多综述写不出来，不是因为没读文献，
而是因为没有完成“分类”和“编码”。
1. 分类的常见维度
你可以从以下维度给文献贴标签：
- 研究对象
- 研究方法
- 核心变量
- 研究结论
- 应用场景
- 争议点
- 局限性
- 时间阶段
- 学派或理论框架
2. 用 AI 帮你生成分类标签
推荐 Prompt
请根据以下文献摘要，帮我提取适合用于综述分类的标签。
请至少输出：
1. 研究主题标签；
2. 方法标签；
3. 结论标签；
4. 争议标签；
5. 局限标签。
请以表格形式输出。
3. 统一编码表
review_coding_table.md
# Review Coding Table
| 文献 | 主题标签 | 方法标签 | 对象标签 | 核心结论标签 | 争议点 | 局限性 |
|——|———-|———-|———-|————–|——–|——–|
| A | | | | | | |
| B | | | | | | |
| C | | | | | | |
这个表格的作用，是把文献从“一个个孤立文本”变成“可比较的数据”。
七、第四步：主题聚合，真正开始形成综述主线
当你完成分类后，接下来就不是“逐篇讲”，
而是“按主题讲”。
这是综述从“文献堆砌”升级为“结构分析”的关键。
1. 识别共同点、分歧点和趋势
推荐 Prompt
请根据以下文献摘要或编码表，帮我识别：
1. 该领域的共识是什么；
2. 主要分歧是什么；
3. 不同研究之间的趋势变化是什么；
4. 当前最明显的研究空白是什么。
请按主题分类，而不是按单篇文献罗列。
2. 主题聚合：从多篇文献中提炼一个小节
推荐 Prompt
以下是围绕同一主题的多篇文献摘要：
[粘贴内容]
请帮我整合成一个适合综述正文的小节框架，要求：
1. 先概括该主题的总体进展；
2. 再呈现不同研究路径；
3. 再分析争议或不足；
4. 最后指出未来方向；
5. 不要逐篇复述。
3. 识别研究空白
推荐 Prompt
请基于以下文献总结，帮我识别当前领域最值得写进综述的研究空白。
请从以下角度分析：
1. 理论层面的空白；
2. 方法层面的空白；
3. 应用层面的空白；
4. 数据层面的空白；
5. 场景层面的空白。
八、第五步：搭建综述大纲，先有骨架，再写正文
很多人一开始就写正文，结果写到一半发现结构不对，又要重来。
更好的方式是：先搭综述骨架。
1. 综述大纲的标准结构
一篇高质量综述，通常包含以下部分：
- 引言：说明为什么这个主题重要
- 概念界定：解释核心概念
- 研究现状：按主题或时间梳理
- 争议与不足：指出领域矛盾和空白
- 未来方向：提出后续研究建议
- 结论：收束全文
当然，不同领域略有差异，但这个逻辑通常通用。
2. 用 AI 生成大纲
推荐 Prompt
请根据以下研究主题和文献要点，帮我生成一篇综述论文的大纲。
要求：
1. 采用主题驱动，而不是作者驱动；
2. 包含引言、主题分类、争议分析、研究空白和未来方向；
3. 每一节说明该部分要回答什么问题；
4. 结构尽量适合投稿型综述论文。
主题如下：
[填写主题]
核心文献要点如下：
[粘贴摘要或编码表]
3. 判断大纲是否合理
你可以反过来让 AI 检查你的大纲是否存在问题。
推荐 Prompt
请检查以下综述大纲是否存在以下问题：
1. 结构是否重复；
2. 是否按作者罗列而不是按主题组织；
3. 是否存在逻辑断层；
4. 是否遗漏了争议、空白或未来方向；
5. 是否适合投稿综述论文。
大纲如下：
[粘贴大纲]
九、第六步：从大纲到初稿，AI 最适合做的是“段落生成辅助”
这里要特别强调：
不要让 AI 一次性生成整篇综述。
最好的做法是按小节、按主题逐段生成。
这样更可控，也更容易保留你的研究判断。
1. 生成某一主题小节的草稿
推荐 Prompt
请根据以下文献要点，写出综述中某一主题小节的初稿。
要求：
1. 先概括总体进展；
2. 再比较不同研究路径；
3. 再指出争议或不足；
4. 最后提出未来方向；
5. 文风要像学术综述，不要像摘要堆砌。
文献要点如下：
[粘贴主题相关文献摘要]
2. 控制“文献堆砌”
AI 很容易把很多句子拼接起来，但这不是综述。
真正好的综述，必须有“你自己的判断”。
推荐 Prompt
请检查以下综述段落是否存在文献堆砌问题。
请重点分析：
1. 是否只是简单罗列作者观点；
2. 是否缺少总结句和归纳句；
3. 是否缺少横向比较；
4. 是否缺少批判性分析；
5. 如何改写为更有综述感的表达。
3. 生成批判性分析
推荐 Prompt
请基于以下文献，生成一段批判性分析。
要求：
1. 指出已有研究的共性局限；
2. 识别方法或结论上的问题；
3. 说明这些问题为何重要；
4. 不要过度攻击文献，而是保持学术语气。
十、文献综述最重要的能力：不是总结，而是比较
很多初学者以为综述就是“把每篇文章总结一下”。
其实不是。
综述真正考验的是：
- 你能不能比较不同研究
- 你能不能发现模式
- 你能不能看出趋势变化
- 你能不能从大量材料中提炼出逻辑结构
1. 文献比较表
literature_comparison_table.md
# Literature Comparison Table
| 文献 | 研究问题 | 方法 | 数据 | 核心发现 | 局限性 | 与其他文献的差异 |
|——|———-|——|——|———-|——–|——————|
| A | | | | | | |
| B | | | | | | |
| C | | | | | | |
2. 比较式 Prompt
推荐 Prompt
请比较以下几篇文献的研究路径、结论和局限，回答：
1. 它们的共同点是什么；
2. 它们的核心差异是什么；
3. 哪些结论是互相支持的；
4. 哪些结论存在冲突；
5. 这种差异说明了什么。
十一、AI 文献综述工作流最容易踩的 6 个坑
1. 只让 AI 总结，不让 AI 分类
总结只能解决“看懂”，分类才能解决“写出来”。
2. 按作者顺序写综述
这是最常见的问题，结果就是像文献读书报告，而不是综述。
3. 让 AI 直接写整篇初稿
这样很容易生成“像综述但没有综述逻辑”的文字。
4. 不做编码和标签
没有标签，就没有知识地图。
5. 忽略批判性分析
综述不仅要讲“别人做了什么”，还要讲“别人没解决什么”。
6. 不核对原文
AI 的摘要和提炼只能辅助，不能替代原始文献核验。
十二、一个更成熟的思路：把文献综述做成“知识工程”
如果你长期做科研，建议不要把文献综述当一次性任务。
而是把它做成一套知识工程流程。
也就是说，
每读一篇文献，不只是为了“当下写综述”，
而是为了进入你的知识库，未来可以反复调用。
建议建立的文献综述资产
- literature_note.md：文献笔记模板
- review_coding_table.md：文献编码表
- review_outline.md：综述大纲模板
- review_workflow.md：综述工作流
- review_skill.md：综述能力说明
- topic_map.md：主题地图
- gap_log.md：研究空白记录表
十三、可直接复用的 workflow.md
下面这份 workflow，你可以直接放进自己的知识管理系统里。
# Workflow: AI-Assisted Literature Review
1. 明确综述主题与边界
2. 制定检索策略与关键词
3. 初筛标题与摘要
4. 对核心文献做结构化摘要
5. 对文献进行分类与编码
6. 聚合主题，识别共识、分歧和趋势
7. 提炼研究空白
8. 搭建综述大纲
9. 分主题生成初稿
10. 检查是否存在文献堆砌
11. 补充批判性分析
12. 人工核对原文并定稿
十四、可直接复用的 skill.md
如果你想把“AI辅助文献综述”沉淀成一项长期技能，可以用下面这个模板。
# Skill: AI-Assisted Literature Review
## 目标
借助 AI 将文献阅读、分类、比较、聚合和写作转化为结构化工作流，提高综述效率与质量。
## 输入
– 研究主题
– 检索到的文献
– 论文标题与摘要
– 结构化笔记
– 分类编码表
– 综述大纲
## 输出
– 文献摘要
– 主题标签
– 比较分析
– 研究空白
– 综述段落草稿
– 综述初稿框架
## 核心原则
1. 先结构化，再写作
2. 先分类，再综合
3. 先比较，再下结论
4. 不让 AI 替代原文核验
5. 所有输出都要可追溯到文献证据
十五、文献综述中最值得长期积累的能力，不是“看得快”，而是“组织得好”
很多人认为综述的核心能力是阅读速度。
其实不是。
真正重要的是三种能力：
1. 信息抽取能力
能从论文中快速提取关键字段。
2. 结构聚合能力
能把多篇文献聚成几个主题块。
3. 批判整合能力
能看出争议、局限和空白，而不是简单总结。
AI 可以大幅提升前两项，但第三项仍然依赖研究者自身判断。
这也是 AI 和科研人最合理的分工方式。
附：可直接复制的 Prompt / workflow / skill.md
1. 文献初筛 Prompt
请根据标题和摘要判断以下文献是否适合纳入综述，并说明理由。
2. 结构化摘要 Prompt
请将以下论文整理为结构化文献笔记，包含研究问题、方法、结果、结论、局限和可用标签。
3. 主题聚合 Prompt
请将以下文献按主题聚合，找出共识、分歧、趋势和研究空白。
4. 综述大纲 Prompt
请根据以下文献要点，生成一篇主题驱动型综述论文的大纲。
5. workflow.md
# Workflow: From Papers to Review Draft
1. 检索与初筛
2. 结构化阅读
3. 分类与编码
4. 主题聚合
5. 空白识别
6. 大纲搭建
7. 初稿写作
8. 批判性修订
9. 原文核对
10. 定稿
6. skill.md
# Skill: End-to-End Literature Review with AI
## 核心原则
– 不逐篇罗列，按主题整合
– 不只做总结，要做比较
– 不只写现状，要写争议和空白
– AI 用于结构化，不用于替代判断
– 综述的最终质量取决于研究者的综合能力
