如何从 300 篇候选文献中筛出 50 篇核心文献

科研工作流系列·01｜这是系列第一篇深度拆解。上一篇我们画了11个环节的全景图，从这篇开始，一个环节一个环节地拆。第一个拆的，是大多数科研人每天都在做、但几乎没人做得高效的环节：文献检索。

同样是用AI做文献检索，为什么有人三天搞定三百篇，有人三天还在调ChatGPT的Prompt？

差距不在工具，在流程。

我见过太多人的文献检索方式：打开数据库，输入关键词，下载前两页结果，然后一篇一篇打开看摘要。看了二十篇觉得差不多了，开始写综述。写到一半发现漏了关键文献，回去重新搜。搜完发现又多了一堆，不知道哪些该读哪些该扔。

这个循环可以无限重复。

问题出在哪？出在把"检索"和"筛选"混在一起了。检索是撒网，筛选是收网，这是两个完全不同的动作。大多数人一边撒网一边收网，结果网越撒越乱，鱼越捞越少。

我花了大半年时间，在自己的供应链韧性研究项目里反复打磨，最终跑通了一套完整的文献筛选流程。核心思路是：先让AI从你的文献库里一次性筛出20到50篇高相关文献，然后分三轮从不同来源补充可能遗漏的论文。AI负责评分和分类，你负责在每一轮补充时做取舍判断。

这篇文章把这套流程完整拆给你看。

第一步：AI一次性筛选，从文献库直接锁定核心论文

这一步是整个流程的核心，也是AI发挥最大价值的地方。

你需要给AI三样东西：研究主题（一句话描述你的研究问题）、理论Gap（你要填补的研究空白）、关键词列表（按类别组织）。关键词我通常分三组：核心概念词、理论机制词、研究视角词。

拿我的供应链韧性项目举例：核心概念是"供应链韧性""数字化转型"，理论机制是"资源编排""动态能力"，研究视角是"双刃剑效应""数字鸿沟"。三组词交叉组合，覆盖面就够了。

AI拿到这些信息后，会在你的文献库里做两件事。

第一件：相关性评分。对每篇文献从两个维度打分，主题相关度和Gap契合度，各5分，满分10分。主题相关度看的是这篇论文和你的研究问题有多大关系；Gap契合度看的是它对你要填补的研究空白有没有直接帮助。两个维度加起来，分数高的留下。

第二件：角色分配。这一步很多人不知道AI能做，但它对后续写综述帮助极大。AI会给每篇筛出的论文分配一个角色：理论基础、机制解释、现象描述、方法借鉴、对照观点、实证证据。六个角色，对应综述中六种不同的引用方式。

这意味着筛选完成的那一刻，你手里拿到的不只是一个论文列表，而是一份带评分、带角色标签的结构化清单。每篇论文在你的综述里该放在哪个位置、起什么作用，AI已经帮你想好了。

这一步跑完，通常能从文献库里筛出20到50篇高相关文献。如果你的文献库积累够厚，这个数量可能就够用了。但大多数情况下，还需要从其他来源补充。

第二步：Zotero补充，捞回精选库里的遗漏

如果你用Zotero管理文献，这一步值得做。

Zotero里存的往往是你精挑细选过的论文，质量普遍比较高。AI会用你的关键词在Zotero里搜一轮，把搜到的结果和第一步的列表做去重，然后把新发现的论文展示给你。

注意，这一步AI不替你做决定。它会列出搜到的论文，附上标题、作者、年份、标签、期刊，然后问你：哪些要纳入？你可以选全部纳入，也可以只挑几篇，也可以一篇都不要。

你选中的论文会被AI用同样的标准打分、分配角色，然后合并到核心列表里。

第三步：外部搜索，从学术数据库发现新论文

本地文献库和Zotero覆盖的都是你已经读过或收藏过的论文。但总有你没见过的好论文。

这一步用三个学术数据源并行搜索：Semantic Scholar、OpenAlex、arXiv。AI会把你的中文关键词翻译成英文，组合成2到3个搜索查询，同时发给三个数据源。三个源的结果自动合并、自动去重、自动排除前两步已经有的论文，按引用数降序排列。

搜完之后，同样是展示给你看，你来决定哪些纳入。

这一步经常能发现惊喜。我在供应链韧性项目里，就是通过外部搜索发现了几篇2024年新发表的实证研究，本地文献库里根本没有，但对我的论证非常关键。

第四步：引文追踪，顺藤摸瓜找到隐藏的关键论文

这一步很多人不做，但它能捞回前三步都漏掉的论文。

原理很简单：如果一篇重要论文的标题和摘要里恰好没有你的关键词，关键词检索根本搜不到它。但如果它被你已经筛出的多篇核心论文引用，引文追踪就能把它找出来。

引文追踪分两个方向：正向引用（谁引用了这篇论文）和反向引用（这篇论文引用了谁）。你从前三步的结果里挑出几篇最核心的论文，AI通过OpenAlex的API批量获取它们的引用关系，去重之后展示给你。

我在供应链韧性项目里就遇到过这种情况。有一篇关于组织冗余理论的论文，标题里完全没有"供应链"和"韧性"这两个词，前三步全部漏掉了。但它被我核心文献中的四篇同时引用，引文追踪一下子就把它找出来了。这篇论文后来成了我理论框架的重要支撑。

最终产出：不只是一个列表

四步走完，你会拿到两份结构化文档，信息远比简单的论文列表完整。

第一份是引用索引。每篇论文按角色分类（理论基础、机制解释、现象描述、方法借鉴、对照观点、实证证据），附带相关性评分、核心贡献描述、来源标记（本地文献库、Zotero、外部搜索、引文追踪）。本地文献直接链接到你的笔记，外部文献附带DOI和URL。

第二份是综述框架。AI基于筛选结果，自动生成一份综述的骨架：核心概念界定用哪些文献、理论基础用哪些、研究现状和争议怎么组织、研究空白怎么论证。每个部分都列出了对应的论文和它在综述中的具体作用。

这两份文档加在一起，你的综述其实已经完成了一半。剩下的工作是逐篇精读、填充细节、打磨论证逻辑。

AI在这个流程里的真实边界

跑完这套流程，我对AI在文献检索这个环节能干什么、不能干什么，有了比较清楚的判断。

AI真正强的地方有两个：一是批量评分和分类，几百篇文献的相关性评分和角色分配，让Claude或者ChatGPT配合脚本跑，几个小时就能完成，人来做要几周；二是多源搜索和去重，五个数据源并行检索、上千条引用关系的追踪、跨源自动去重，这些纯体力活AI做得又快又准。

但有两件事AI做不了。

第一，它判断不了一篇论文对你的研究到底有多重要。相关性高不等于重要，一篇论文可能和你的主题高度相关，但方法有严重缺陷；另一篇看起来相关性一般，但提出了一个独特的理论视角，恰好能解释你数据中那个反常的发现。这种判断靠的是你的学术直觉，所以每一轮补充搜索的结果都需要你亲自过目、亲自取舍。

第二，它发现不了跨学科的隐藏文献。如果一篇论文来自完全不同的学科领域，用的是完全不同的术语体系，关键词检索和语义匹配都捕捉不到。这种文献往往需要你在读其他论文时偶然发现，或者在学术会议上听到别人提起。

所以这套流程的设计逻辑是：AI负责评分、分类、搜索、去重这些重体力活，你负责在每个关键节点做取舍判断。AI和你在每一步都各司其职，人工判断贯穿全过程。

文献筛完了，下一步是逐篇精读。五十篇核心文献，每篇要提取核心观点、研究方法、理论依据、主要结论、关键变量、因果机制、研究局限，七个维度。手动做，一篇至少一两个小时，五十篇就是五十到一百个小时。