AI 辅助文献检索和文献综述

Fri, 09 Jan 2026 00:00:00 +0000

Quote

抛弃手工检索和低效整理，拥抱 AI 驱动的文献综述工作流。

让非技术背景的护理人员也能快速完成文献调研和综述初稿，打破技术壁垒。

⚡ 为什么选择这种方式？

专为临床科研设计，覆盖从选题到综述初稿的全流程。

⚡ 极速高效: 从手动检索到 Agent 自主完成文献调研、对比分析和综述撰写，过去需要数天的工作缩短到几分钟。
🌐 通用性强: 不依赖特定学术平台，一套 Agent + MCP 逻辑解决 PubMed、Semantic Scholar 等多个数据库的检索与整合。
⚖️ 技术平权: 只需会描述需求，无需编程功底，AI 编程工具也能成为你的护理科研助手。

🎯 课前互动

在正式进入内容之前，请先思考两个问题：

你用过哪些 AI 工具？（聊天、写邮件、搜文献、写代码……）
你觉得 AI 能直接帮你写综述吗？

带着这两个问题的答案，我们开始今天的旅程。

🗺️ 授课内容概览

章节	主题	核心内容
第一章	文献检索：科研活动的基石	理解文献检索的核心价值，以及选题与检索的螺旋关系
第二章	AI 工具的演进逻辑	从 LLM 概率模型 → 工具调用 → Agent 主动规划
第三章	Agent 与文献综述的结合	Agent 核心公式拆解，以及开箱即用的入门级工具
第四章	实战演练：Trae + MCP	快速演示从选题到生成综述初稿的全流程
第五章	总结与展望	回顾核心要点，给出实操建议

一、文献检索：科研活动的基石

🧭 文献检索是科研的"导航仪"

任何一项有价值的研究，都建立在前人知识积累的基础之上。文献检索的核心价值：

避免重复劳动：确保你的研究不是在做别人已经完成的工作
把握研究前沿：了解该领域最新进展、热点方向和未解之谜
构建理论框架：为你的研究提供坚实的理论支撑和方法学参考
发现研究空白：在海量文献中找到尚未被充分探索的领域

【通俗类比】：如果把科研比作航海，文献检索就是你的导航仪。没有导航仪，你可能会在茫茫大海中漫无目的地漂泊；有了导航仪，你才能精准定位，驶向知识的"新大陆"。

文献检索贯穿科研全生命周期

科研阶段	文献检索的目的	检索策略
选题阶段	发现研究空白，确定研究方向	广泛检索，了解领域全貌
论证阶段	验证选题的科学性和可行性	精准检索，聚焦核心问题
设计阶段	确定研究方法、工具和量表	方法学检索，参考成熟方案
写作阶段	支撑论点，对比讨论结果	针对性检索，补充关键文献
投稿阶段	选择合适期刊，了解发表趋势	期刊文献计量分析

科研选题与文献检索的螺旋关系

科研选题和文献检索之间存在螺旋上升的互动关系。

从临床经验到研究概念

【护理案例】：假设你是一名儿童外科护士。你发现——低龄儿童的疼痛评估非常困难。因为低龄儿童语言表达能力尚未发育完全，无法通过自我报告来描述疼痛，往往只能通过哭闹、面部表情变化、肢体抗拒等行为来间接表达，评估完全依赖护士的主观判断。这种主观性导致不同护士的评估结果可能存在较大差异，进而影响镇痛方案的制定。

经过提炼，形成研究概念：

“无法自我报告的儿童疼痛客观评估方法研究”

第一轮文献检索：探索现有方法

有了概念之后，进行第一次文献检索，了解目前学界已经有哪些解决方案。

检索策略可能包括：

关键词：低龄儿童疼痛评估、客观指标、生理参数、行为量表
检索数据库：PubMed、CINAHL、CNKI

检索结果可能会告诉你，目前针对无法自我报告的儿童，已有以下评估方法：

行为观察量表：如 FLACC 量表、NIPS（新生儿婴儿疼痛量表），由护士观察儿童的面部表情、肢体活动、哭闹、可安慰性等指标进行评分。这是目前临床应用最广泛的方法，但高度依赖评估者的主观判断
生理参数监测：如心率变异性（HRV）分析、NIPE 指数监测仪，通过自主神经系统反应间接评估疼痛，但易受其他因素（如发热、药物）干扰
新兴技术：近红外光谱（NIRS）监测大脑反应、计算机视觉自动识别疼痛表情等前沿方法正在发展中

第一轮检索的核心目的：了解"别人已经做了什么"，找到研究空白（Research Gap）。

确定初步选题

通过第一轮检索，你可能会发现：

传统行为观察量表临床应用成熟，但仍依赖评估者的主观判断，不同评估者之间可能存在较大差异
心率变异性（HRV）等生理参数监测在婴儿群体中已有应用，但在儿童中的验证研究较少
计算机视觉自动识别疼痛表情在成人实验室研究中已有初步成果，但在儿童群体中的应用文献极少，仍处于快速发展阶段

基于这些发现，初步确定选题方向：

“基于面部表情分析的儿童疼痛客观评估方法研究”

第二轮文献检索：论证选题的科学性与可行性

论证维度	核心问题	检索内容
科学性	这个选题有理论依据吗？	面部表情与疼痛反应的关联研究
可行性	技术/工具是否可用？	开源面部识别框架、疼痛表情数据集
人群验证	目标人群是否适用？	低龄儿童面部表情特征与成人的差异
方法学	测量方法是否完备？	深度学习模型训练流程、准确率评估指标

第二轮检索的核心目的：验证"这个选题能不能做、值不值得做"。

【延伸思考】：在论证选题可行性的过程中，你可能会发现表中的每一个问题本身都可以是一个独立的研究方向。例如：

“儿童面部表情特征与成人的差异” → 可以单独做一篇儿童疼痛表情特征分析的论文

“不同护士对同一疼痛表情的评估一致性” → 可以写一篇疼痛评估者间信度研究

“不同光线/角度对面部表情识别准确率的影响” → 可以写成技术条件优化的研究

科研选题不一定要做一个大而全的系统，把一个具体问题研究透彻，同样有价值。

文献检索驱动选题的完整闭环

graph TD A["临床经验/困惑"] --> B["提炼研究概念"] B --> C["第一轮广泛检索"] C --> D["了解领域现状"] D --> E["发现研究空白"] E --> F["确定初步选题"] F --> G["第二轮精准检索"] G --> H["论证科学性、可行性"] H --> I["最终确定选题（或调整方向）"] I --> J["进入研究设计阶段"] style A fill:#e0f2fe,stroke:#0ea5e9 style E fill:#fef3c7,stroke:#f59e0b style I fill:#dcfce7,stroke:#10b981

【关键洞察】：文献检索不是一次性的任务，而是一个迭代过程。每一次检索都会加深你对研究领域的理解，每一次理解都会反过来优化你的检索策略。

二、AI 工具的演进逻辑：从"孤立的大脑"到"全能助手"

既然文献检索如此重要，为什么过去做起来总是那么费劲？传统检索方式面临着几个痛点：

海量信息筛选困难：PubMed 上检索一个关键词，可能返回上千篇文献，逐篇阅读耗时耗力
跨库检索效率低：需要在 PubMed、CINAHL、CNKI 等多个平台反复切换
对比分析工作量大：提取多篇文献的核心发现、方法、局限性，手动整理非常繁琐
最新文献追踪难：领域进展日新月异，人工跟踪最新发表的文献几乎不可能

AI 的出现，正是为了解决这些痛点。 但在这之前，我们需要先理解 AI 到底进化到了什么程度。

在这里，我们所指的"AI"是狭义的 LLM（大语言模型，Large Language Model）。

LLM 的更新速度极快，应用产品几乎以月为单位迭代。有个段子说：“在 AI 时代，最好的应对办法就是不学习，因为你辛苦学到的东西可能一个月后就过时了。”

但是，不能因为 AI 产品迭代快就放弃学习 AI，反而要积极拥抱 AI，了解 AI 的底层逻辑，你才能判断哪些知识值得深入学习、哪些只是昙花一现的表面应用。目前来说，首先要学习的是 LLM 的基础知识（LLM 原理、工具调用、Agent 架构）。无论产品形态如何变化，底层逻辑不会变。

第一层：LLM 的本质 —— 只有算力的"孤立大脑"

LLM 的底层逻辑是一个概率模型——它通过前面的文字，去预测下一个最可能出现的文字。

【通俗举例】：就像手机输入法里的"联想词"。当你输入"白日依山"，AI 会计算出下一个字是"尽"的概率最高。当这种计算规模达到千亿级别，并经过海量人类知识的训练，它就"涌现"出了类似人类的理解和推理能力。

【局限与痛点】：这个大脑非常聪明，但它是"孤立"的。知识停留在被训练的那一天，无法获取最新文献，也没有眼睛和手脚。为了解决这个问题，我们进入了第二层。

第二层：工具调用（Tool Calling）—— 给大脑装上"手脚"

开发者给 LLM 制定了一套"接头暗号"，让它能够指挥外部程序，这就是工具调用。

【通俗举例】：你问 AI"帮我查一下昨天刚发表的 Nature 封面文章"，单纯的大脑不知道。但我们给它配了一部"对讲机"。AI 收到问题后输出暗号：“呼叫网页搜索工具，检索昨日 Nature 封面”。外部工具执行检索后，把内容传回给 AI，AI 再把冰冷的数据组织成流畅的语言告诉你。

【关于 MCP 和 Skills】：你可能听过这些概念。MCP本质上是工具调用的标准化接口，让 AI 能够以更统一的方式调用外部服务。Skills 则是将常用工作流封装为可复用的技能包。它们都是工具调用生态的延伸，让工具调用更规范、更易用。

【局限与痛点】：有了工具，AI 终于能获取新知识了。但它仍像"算盘"——你拨一下，它动一下。要写一篇完整的文献综述，你依然需要一步步下达指令。能不能让它自己规划？于是我们来到了第三层。

第三层：从"被动执行"到"主动规划"

人类使用 AI 的方式经历了一条清晰的进阶之路：

提示词工程 (Prompt Engineering)：靠"念咒"，指令写得越精细，AI 干得越好。

核心组件：角色设定 (Role) → 背景信息 (Context) → 具体任务 (Task) → 输出格式 (Format)
上下文工程 / RAG (Context Engineering)：主动把 PDF 论文"喂"给 AI，让它基于资料回答。这叫"开卷考试"。
Agent (智能体)：这是质的飞跃！AI 不再是被动工具，变成了拥有"规划和执行能力"的数字员工。你只需说一句：“帮我综述一下低龄儿童疼痛评估的最新进展。“它会自主决定：先搜文献 → 再读摘要 → 最后写综述。

三、Agent（智能体）与文献综述的结合

Agent 核心公式拆解

从"大脑"到"手脚"再到"主动规划”，最终汇聚成了当前 AI 时代的核心概念——Agent（智能体）。

Agent = LLM（大脑） + 规划与记忆（笔记本） + 工具箱（手脚/Tool Calling）

组件	类比	在 Trae 中的实现
LLM（大脑）	思考和推理能力	在 Trae 设置中选择模型（如 GPT、Claude、Qwen 等）
规划与记忆（笔记本）	记录任务进度和上下文	对话历史 + 项目文件夹 + 规则文件（.trae/rules）
工具箱（手脚/Tool Calling）	连接外部世界的能力	MCP Server、Skills 配置（学术搜索、文件读写、浏览器自动化等）

规划与记忆：Agent 的"笔记本”

Agent 的"笔记本"负责记录任务进度和上下文信息。在 Trae 中，这主要通过以下方式实现：

对话历史：保持对话的连贯性，让 Agent 记住之前的讨论内容
项目上下文：将文献、笔记、大纲等文件放在同一目录下，Agent 会自动读取这些文件作为上下文
规则文件（.trae/rules）：定义项目级别的规则，指导 Agent 的行为模式

工具箱的扩展：MCP 和 Skills

MCP 本质上是工具调用（Tool Calling）的标准化接口。它让 AI 能够以更统一的方式调用外部服务。而 Skills 则是将常用的工作流封装为可复用的技能包。它们都是 Tool Calling 生态的延伸，而非独立的新层级。

【具体案例】：以医学文献检索为例，开发者做了一个 paper-search-mcp。你可以把它想象成一个专门插在 AI 上的"PubMed 数据库 U盘"。有了它，AI 就能直接通过这个标准化接口，连接到学术数据库精准检索论文。

从被动到主动：Agent 自主规划流程

当你对 Agent 说："帮我写一篇关于’低龄儿童疼痛评估’的文献综述，并保存到桌面上。"

graph LR A["接收用户指令"] --> B["思考与规划"] B --> C["调用学术搜索工具"] C --> D["检索相关文献"] D --> E["对比、总结、提炼框架"] E --> F["调用文件写入工具"] F --> G["生成综述文件"] style A fill:#e0f2fe,stroke:#0ea5e9 style B fill:#fef3c7,stroke:#f59e0b style G fill:#dcfce7,stroke:#10b981

入门首选：开箱即用的 AI 综述工具

在进入 Trae + MCP 这类需要技术配置的"高阶方案"之前，并非所有 AI 辅助文献综述工具都需要编程基础。

工具类型	技术门槛	配置时间	适合场景
AMiner / Elicit / Gemini Deep Research	低（网页操作）	5分钟	快速了解领域、初步文献调研
Trae + MCP	高（需懂 JSON、API、Python）	1-2小时	深度定制、长期科研工作流

先学简单工具，再学复杂工具——这是让零基础研究者建立信心和直观体验的正确顺序。

AMiner：学术文献智能探索

AMiner（https://aminer.cn）是由清华大学唐杰教授团队开发的学术社交网络与分析平台，近年来集成了大模型能力，可以直接生成文献综述。

AI 综述生成：输入研究主题，自动检索相关论文并生成结构化综述
学者画像：帮你快速了解某领域的重要研究者
文献关联分析：可视化展示文献之间的引用关系

适用场景：当你对某个护理主题只有模糊方向时，AMiner 可以帮你快速建立领域全景图。

Elicit：专注文献综述的 AI 工具

Elicit（https://elicit.com）是专门为研究者设计的 AI 辅助文献综述工具。

智能文献检索：不只是关键词匹配，而是理解你的研究问题
文献摘要提取：自动提取每篇文献的研究目的、方法、结论、局限性
对比分析：将多篇文献并排对比，找出共识和分歧
研究问题生成：帮助你从文献中发现研究空白

适用场景：当你已经有了一个明确的研究问题，需要快速筛选和理解相关文献时。

Gemini Deep Research：Google 的深度研究助手

Gemini Deep Research 是 Google 在 Gemini 中集成的深度研究功能。开启 Deep Research 模式后，它会自主规划检索策略、浏览多个网页、整合信息，生成一份结构化的研究报告。

自主规划检索：不是简单匹配关键词，而是理解问题后制定检索策略
多源整合：自动访问多个信息源，包括学术数据库、新闻、技术文档
结构化报告：生成带有章节框架的研究报告

适用场景：当你需要对一个主题进行快速但全面的初步调研时，10-15 分钟即可完成过去需要几天才能做完的工作。

其他值得关注的工具

工具	特点	适用场景
	专门检索和理解学术论文，支持提取论文结论	快速确认某个观点是否有研究支撑
	AI 学术搜索，结合了文献检索和论文理解	深度学术调研，引用网络分析
	实时网络检索 + 引用追踪	追踪最新研究进展
	自动提取论文摘要、关键发现、局限性和未来方向	快速筛选大量文献

如何选择入门工具

建议的入门路径：

graph TD A["第一步：快速了解领域"] --> B["用 AMiner 或 Gemini Deep Research 生成领域全景"] B --> C["第二步：聚焦研究问题"] C --> D["用 Elicit 筛选高质量文献，提取关键信息"] D --> E["第三步：深度定制（可选）"] E --> F["当上述工具无法满足需求时，学习 Trae + MCP"] style A fill:#e0f2fe,stroke:#0ea5e9 style D fill:#dcfce7,stroke:#10b981 style F fill:#f3e8ff,stroke:#a855f7

选择建议：

时间紧迫、快速摸底：先用 Gemini Deep Research，10 分钟出结果
需要英文文献筛选：Elicit 是最专注的工具
想了解领域全貌和核心作者：AMiner 的可视化分析更强
护理领域中文文献：目前仍需结合 CNKI、万方，配合人工筛选

【重要提醒】：以上所有工具生成的内容都需要人工核实。AI 会存在幻觉，可能将不存在的文献、不准确的结论整合进输出中。护士研究者在使用这些工具时，必须以自己的专业判断作为最终把关。

四、实战演练：使用 AI 编程工具自动化完成文献综述

本节将以 Trae 为例，快速演示如何配置并使用 AI Agent 完成一篇完整的文献综述任务。

⚡ 本节是"抛砖引玉"性质的快速演示。完整的工作流需要课后自行练习。

核心组件配置

在开始之前，我们需要为 Trae 配置以下核心组件。这些组件对应着 Agent 公式中的各个要素：

大脑（LLM 模型）

大脑的质量直接决定任务执行的质量。目前国内外 LLM 的排名日新月异，大家可以前往查看最新排名。

从性价比角度，推荐的模型如下：

类别	推荐模型	特点
国内模型	GLM-5.1	中文理解能力强，适合中文文献处理
	Qwen-3.6-Plus	综合性能优异，推理能力强
	DeepSeek-V4	最新模型，代码和推理能力突出
国外模型	GPT-5.4	综合能力最强，工具调用稳定
	Gemini-3.1-Pro	长文本处理能力强，适合大量文献分析
	Claude Opus 4.7	推理和写作能力出色

【选择建议】：如果你的任务以中文文献为主，优先选择国内模型；如果需要检索英文数据库（如 PubMed），国外模型在英文理解上略有优势。

工具箱配置

工具箱是 Agent 的"手脚"，决定了它能做什么。对于文献综述任务，Trae 自带的工具调用能力包括：

网页搜索：用于检索互联网上的公开信息、新闻、博客等
文件读写：用于读取本地 PDF 文献、保存综述结果
浏览器自动化：用于访问学术数据库网站、下载文献摘要

如需检索学术数据库（如 PubMed、Semantic Scholar），则需要额外配置专门的 MCP 工具（如 paper-search-mcp）。更进一步，还可以配置网页自动化工具（如 playwright-cli），让 AI 能够模拟人类操作浏览器，完成更复杂的网页交互任务。

规划与记忆（上下文管理）

Agent 的"笔记本"负责记录任务进度和上下文信息。在 Trae 中，这主要通过以下方式实现：

对话历史：保持对话的连贯性，让 Agent 记住之前的讨论内容
项目上下文：将项目相关的文献、笔记、大纲等文件放在同一目录下，Agent 会自动读取这些文件作为上下文
规则文件（.trae/rules）：可以定义项目级别的规则，指导 Agent 的行为模式
智能体角色：Trae 支持创建专属的智能体角色，将角色设定（如"资深护理学研究者"）和常用工作流封装为一个可复用的智能体，直接省去每次输入提示词的麻烦

创建专属智能体角色

Trae 允许你创建专属的智能体角色，将角色设定和常用工作流封装为一个可复用的智能体。

操作方法：

在 Trae 的设置中找到"智能体"选项，点击创建新智能体。你可以直接用自然语言描述你期望的角色，Trae 会自动生成相应的系统提示词和配置。

护理研究智能体示例：

你可以创建一个专门用于护理科研的智能体角色，例如：

角色名称：护理科研助手
角色设定：你是一位资深的护理学研究者，擅长文献检索、整理、综述撰写等科研全流程工作。你熟悉 PubMed、CINAHL、CNKI 等数据库检索，理解护理学常见研究设计（ RCT、量表编制、现象学研究等），能够根据用户的研究主题提供精准的文献检索和综述建议。
预设工作流：当用户提出文献综述任务时，自动执行"确定研究主题 → 文献检索 → 提取关键信息 → 生成综述大纲 → 逐章撰写"的标准流程。

这样，每次新建对话时只需选择这个智能体角色，就能省去重复输入角色设定的麻烦。

【跨界洞察】：你可能会疑惑——一个编程工具怎么能用来做护理科研？这要从底层逻辑说起。编程工具的本质是"写代码"，而代码是命令计算机工作的底层语言，也就是说，编程工具理论上可以操作计算机的一切。而科研活动（文献检索、数据分析、论文撰写）本质上都是在计算机上完成的。当 AI 能够帮助你操作计算机，这些工作对它来说就不在话下了。护理研究者不需要学习编程，只需要用自然语言描述你的需求，AI 就能帮你操控电脑完成科研任务。这才是 AI 编程工具能够参与所有科研活动的底层逻辑。

快速任务演示

任务目标：完成一篇关于"无法自我报告疼痛的低龄儿童疼痛评估工具与技术"的文献综述

步骤 1：创建项目文件夹

在本地创建一个文件夹，例如 c:\Users\YnLo\Desktop\non-verbal-pediatric-pain-assessment\

步骤 2：在 Trae 中打开项目

打开 Trae，选择"打开文件夹"，选择刚才创建的项目文件夹。

步骤 3：配置 MCP 工具

在 Trae 的设置中，添加以下学术搜索 MCP 配置：

{
 "mcpServers": {
 "paper-search-mcp": {
 "command": "python",
 "args": [
 "-m",
 "paper_search_mcp.server"
 ],
 "env": {
 "PAPER_SEARCH_MCP_UNPAYWALL_EMAIL": "czwziy@ynlo.top",
 "PAPER_SEARCH_MCP_CORE_API_KEY": "",
 "PAPER_SEARCH_MCP_SEMANTIC_SCHOLAR_API_KEY": "",
 "PAPER_SEARCH_MCP_ZENODO_ACCESS_TOKEN": "",
 "PAPER_SEARCH_MCP_GOOGLE_SCHOLAR_PROXY_URL": "",
 "PAPER_SEARCH_MCP_IEEE_API_KEY": "",
 "PAPER_SEARCH_MCP_ACM_API_KEY": ""
 }
 }
 }
}

步骤 4：输入任务指令

在 Trae 的对话框中输入以下提示词：

【占位符说明】：以下提示词中的 pediatric-pain-assessment 是论文核心词的英文缩写，请根据你的实际研究主题替换。例如：如果你的主题是"糖尿病足护理"，可以替换为 diabetic-foot-care。

# 角色设定
你是一位资深的护理学研究者，擅长撰写系统综述和Meta分析，对无法自我报告的儿童疼痛评估领域有深入的专业知识。

# 任务背景
我正在撰写一篇关于"无法自我报告的儿童疼痛评估"的文献综述，目标读者是临床护理研究者和护理专业研究生。综述需要做到字字有出处，所有观点和论点都必须有文献支撑。

# 执行流程
请严格按照以下流程执行，严禁一次性生成全文：
Step 1：开始之前，先和我进行头脑风暴以确定研究题目，过程中你可以使用MCP工具检索文献。
Step 2：根据研究题目，继续初步检索文献，并生成综述撰写大纲，保存为 `pediatric-pain-assessment/spec.md`。停止并和用户头脑风暴确定大纲，过程中可以继续检索文献。
Step 3：根据大纲制作详细的检索和撰写计划/步骤，保存为 `pediatric-pain-assessment/plan.md`。
Step 4：根据计划(plan.md)，按照"确定章节主题 → 检索相关文献 → 撰写该章节"的节奏，逐章完成
每完成一章后，简要汇报该章节的文献检索结果和核心观点，再继续下一章

# 检索要求
- 使用文献检索工具（如MCP）进行文献检索
- 检索近5年的相关文献
- 筛选高质量研究：优先选择系统综述、随机对照试验、技术验证研究
- 对每篇拟引用的文献，提取以下信息备用：
 * 摘要
 * 核心发现
 * 论文标识符，如doi/pmid

# 输出格式要求
- 使用 Markdown 格式
- 标题层级清晰（## 一级标题，### 二级标题，#### 三级标题）
- 关键信息使用表格或列表呈现
- 语言风格：学术、严谨、客观

# 绝对要求（必须遵守）
1. 严禁编造或使用不存在的文献，所有引用必须真实可查
2. 非常识性的观点和论点必须有文献引证
3. 引证格式：使用 `[@doi:xxx]`、`[@pmid:xxx]`、`[@arxiv:xxx]` 或 `[@title:xxx]` 格式，紧跟在被引证的句子后面
4. 同一观点/句子的引证文献以1篇为宜，最多不超过3篇
5. 如果某章节的文献检索结果不足，请如实说明，不要强行拼凑内容，可以使用"【待引证】"作为占位符
6. 文末**不需要**放置参考文献的列表

# 最终输出
将完整的综述保存为 `pediatric-pain-assessment/draft.md` 文件。

步骤 5：等待 Agent 执行

Agent 会按照提示词中定义的流程自主执行：

头脑风暴阶段：与你讨论并确定研究题目，期间会调用文献检索工具辅助决策

大纲生成阶段：根据确定的题目，初步检索文献后生成综述大纲，保存为 spec.md，等待你确认

计划制定阶段：根据确认的大纲，制作详细的检索和撰写计划，保存为 plan.md
逐章撰写阶段：按照计划，依次完成"确定章节主题 → 检索文献 → 撰写章节"的循环

文件保存：将完整的综述保存为 draft.md 文件

【操作提示】：在头脑风暴和大纲确认阶段，你可以随时提出修改意见，调整研究方向。这是确保综述质量的关键环节。

步骤 6：审阅和修改

Agent 完成后，打开生成的综述文件，进行人工审阅和修改。重点关注：

文献引用的准确性（逐一核对 [@doi:xxx] 是否真实存在）
逻辑结构的连贯性
专业术语的规范性
是否遗漏重要文献

【重要提醒】：AI Agent 是强大的辅助工具，但它仍然会存在幻觉，不能完全替代研究者的专业判断。最终的文献综述必须由研究者本人审阅、修改和负责。

进阶技巧

分步执行：对于复杂的综述任务，可以拆分为多个子任务，逐步完成
提供模板：如果你有特定的格式要求，可以提前准备好模板文件，让 Agent 按照模板填充内容
迭代优化：第一轮生成后，可以继续对话让 Agent 修改特定部分
文献管理：建议配合 Zotero、EndNote 等文献管理工具，建立个人文献库
配置自定义 Skills：在 Trae 中可以创建自定义 Skills，将常用的提示词模板、格式规范、期刊要求等封装为可复用的技能

从"快速了解领域"到"投稿级综述"

本教程演示的是一个快速入门的工作流，目的是帮助你在短时间内：

了解一个陌生领域的基本面貌
发现潜在的研究空白和选题方向
快速积累该领域的核心文献和关键概念

如果你希望完成一篇可以正式投稿的综述，还需要进行大量的后续工作：

后续工作	说明	所需工具/技能
论文结构精修	按照目标期刊的格式要求调整章节结构、字数限制、图表规范	期刊作者指南、LaTeX/Word 模板
撰文语气调整	确保学术语言的严谨性、客观性，避免 AI 生成的模板化表达	研究者本人的学术写作能力
参考文献列表生成	将 `[@doi:xxx]` 格式的引用转换为标准参考文献格式（APA、AMA、Vancouver 等）	Zotero + Better BibTeX、Pandoc
文献质量评价	对纳入文献进行方法学质量评价（如 Cochrane 偏倚风险评估工具）	PRISMA 指南、ROBINS-I 工具
图表制作	绘制 PRISMA 流程图、数据提取表、森林图等	R、Python、RevMan
多轮迭代修改	与 Agent 反复沟通，逐段打磨语言、补充遗漏文献、调整论证逻辑	更精细的提示词设计、自定义 Skills

【课程定位】：本教程是 AI 辅助撰写标准学术综述的前序课程。它起到抛砖引玉的作用，帮助你快速上手 AI 工具，体验从选题到生成初稿的完整流程。真正高质量的综述需要研究者投入大量时间，与 AI 深度协作，并配合专业的文献管理工具和方法学框架。

五、总结与展望

核心要点回顾

文献检索是科研的基石：它贯穿科研全生命周期，从选题到投稿，每一步都离不开高质量的文献检索
选题与检索的螺旋关系：临床经验 → 研究概念 → 文献检索 → 初步选题 → 再次检索论证 → 最终选题，这是一个迭代深化的过程
AI 工具的演进逻辑：从孤立的大脑（LLM）→ 装上手脚（Tool Calling）→ 主动规划（Agent），理解这个脉络有助于我们更好地使用 AI
从网页 Agent 到本地 Agent：本地 Agent 通过工具调用机制（如 MCP、Skills）连接专业数据库，能够实现完整的文献综述自动化工作流

AI 在护理科研中的未来展望

随着 AI 技术的持续发展，我们可以期待：

更智能的文献筛选：AI 将能够更精准地理解研究者的需求，自动筛选高质量文献
跨语言检索能力：打破语言壁垒，同时检索中英文文献，提供更全面的研究视角
自动化质量评价：自动评估文献的方法学质量，辅助系统综述和 Meta 分析
个性化研究助手：基于研究者的专业背景和兴趣，提供定制化的文献推荐和研究建议

给护理研究者的建议

保持批判性思维：AI 是工具，不是决策者。最终的学术判断必须由研究者本人做出
持续学习：AI 技术迭代迅速，保持开放心态，积极尝试新工具、新方法
重视基础能力：无论 AI 多么强大，扎实的科研方法论和文献检索基础始终不可或缺
伦理意识：使用 AI 辅助研究时，注意数据隐私、学术诚信等伦理问题

【结语】：AI 不会取代护理研究者，但善用 AI 的护理研究者将在这个时代获得显著优势。希望本教程能够帮助你开启 AI 辅助科研之旅，让技术为你的学术探索插上翅膀。

Yielding New Life Optimized.

Agent |

AI 辅助文献检索和文献综述

⚡ 为什么选择这种方式？

🎯 课前互动

🗺️ 授课内容概览

一、文献检索：科研活动的基石

🧭 文献检索是科研的"导航仪"

文献检索贯穿科研全生命周期

科研选题与文献检索的螺旋关系

从临床经验到研究概念

第一轮文献检索：探索现有方法

确定初步选题

第二轮文献检索：论证选题的科学性与可行性

文献检索驱动选题的完整闭环

二、AI 工具的演进逻辑：从"孤立的大脑"到"全能助手"

第一层：LLM 的本质 —— 只有算力的"孤立大脑"

第二层：工具调用（Tool Calling）—— 给大脑装上"手脚"

第三层：从"被动执行"到"主动规划"

三、Agent（智能体）与文献综述的结合

Agent 核心公式拆解

规划与记忆：Agent 的"笔记本”

工具箱的扩展：MCP 和 Skills

从被动到主动：Agent 自主规划流程

入门首选：开箱即用的 AI 综述工具

AMiner：学术文献智能探索

Elicit：专注文献综述的 AI 工具

Gemini Deep Research：Google 的深度研究助手

其他值得关注的工具

如何选择入门工具

四、实战演练：使用 AI 编程工具自动化完成文献综述

核心组件配置

大脑（LLM 模型）

工具箱配置

规划与记忆（上下文管理）

创建专属智能体角色

快速任务演示

进阶技巧

从"快速了解领域"到"投稿级综述"

五、总结与展望

核心要点回顾

AI 在护理科研中的未来展望

给护理研究者的建议