文献综述写不动？AI总瞎编？国光量子科研大模型给出全新解法

（原标题：文献综述写不动？AI总瞎编？国光量子科研大模型给出全新解法）

写文献综述的人，多半都有过这样的体验：检索与下载耗去了大半时间，真正坐到文档前，反倒迟迟下不了笔。问题通常不出在文字功夫上，而是心里少了一张“地图”——哪些文献应当进入综述范围、它们之间是承接还是分歧、关键术语在同一学科语境下口径是否一致、最后写下的结论能不能与所引文献一一对上。

国光量子近期推出的科研文献搜集与综述撰写复合应用，正是围绕这些痛点，把“检索—整理—撰稿—校订”拆解为一套可执行、可检查的分步流程，并在界面上实时呈现整体进度，让用户清楚看到自己当前所处的阶段以及已经沉淀下来的中间结果。

文献综述写不动，时间都去哪了？

一篇综述能不能立得住，关键在于“证据池”够不够扎实：覆盖面是否充分，噪声是否可控，重要分支是否被遗漏。实际检索中，同一主题在不同数据库与预印本平台上的表述往往并不一致；如果只靠寥寥几个关键词，常会陷入两难——要么结果过多、筛选成本居高不下，要么策略过窄、错过真正具有代表性的工作。

证据池确定之后，紧接着是知识层面的整理。综述写作必须交代清楚文献之间的关系：技术发展的脉络、方法上的差异、实验条件与结论的对应关系、不同结论背后可能依赖的模型假设。如果缺少结构化的阅读笔记、术语对照与引用关系梳理，写作过程便容易反复停顿——并非找不到词，而是不敢落笔，因为难以快速确认自己的表述是否与所依据的文献相符。

更不必说，文献综述本身就是一项长周期任务，从检索、阅读、笔记到提纲、初稿、多轮修改，环节繁多。若缺少清晰的阶段划分与可交接的中间产物，独立写作时容易在各环节之间来回折返；放到团队协作里，则更容易出现口径不一、重复劳动等问题。

AI总瞎编，通用大模型不好使了?

大语言模型在科研写作辅助上已经相当普及，无论是解释摘要要点、改写句式，还是生成提纲草案，都能为作者节省可观的时间。然而，若把目标定为“在单次对话中直接产出一篇可提交的综述”，恐怕就需要格外审慎。

通用对话形态的大模型在缺乏明确约束时，往往会弱化甚至省略检索与筛选的过程，使读者难以判断结论究竟基于哪些文献、又遵循了怎样的取舍标准。即便是同一概念或同一类实验条件，不同论文的表述也常有差异；模型在生成文本时若对来源信息整合得过于“平滑”，便容易出现术语口径漂移、与原文不完全一致的情况。这些问题在短文本问答中或许并不显眼，可一旦放进综述这种长文本、强引用的场景，人工核对的成本会陡然上升。

业界通常将这种“语法通顺、语气自信，结论却与可核对事实不一致”的现象称作“幻觉”（hallucination）。典型表现包括：虚构不存在的论文或作者，把不同文献的结论张冠李戴，给出看似具体却无法溯源的实验数据与版本信息，或是在没有依据时补出一段“听起来合理实则错误”的细节。其本质并非“故意造假”，而是概率性语言生成在缺少外部约束与核验机制时的系统性风险。一旦置于综述写作的语境，它直接牵涉的是学术诚信与可复核性，仅凭“读起来像那么回事”，不足以判断文本是否堪用。

再者，综述写作往往由多个相对独立的子任务串联而成：扩展检索、去重与聚类、引用网络与主题结构的把握、分篇提要、术语表维护、提纲编排、初稿撰写以及多轮校订。如果将所有环节压进一次问答，作者既难以追踪每一步的输入输出，也不便在审稿或团队讨论中复盘修订。因此，把长流程切开、让每一阶段都有明确产出，并保留可回溯的中间材料，反而是更稳妥的做法。

国光量子的新思路：分阶段、可追溯、可校订

国光量子将上述判断落实为一套复合应用：系统层面采用多智能体分工与可编排的工作流，把长任务拆解为顺序推进的步骤；交互层面则让用户随时看到进度变化，同步获得各阶段的结果摘要，而不是只在终点收到一份长文。

针对前文谈到的幻觉风险，这套流程并不试图宣称“模型从此不再出错”，而是借助工程化手段，把生成内容尽可能约束在可追溯的证据链之内：先固定文献集合与分篇提要，再让模型在既定材料上组织语言；把“可能编造”的空间压缩为“在已给出的来源范围内进行重述与归纳”，并在校订环节对关键事实与术语一致性进行二次核对。换言之，缓解幻觉的关键在于降低不可核验的自由度，而非用一次长回答把不确定性掩盖过去。

检索阶段强调分步建立文献集合，而不是依赖单次黑箱输出。流程上通常会先覆盖最近一段时间内发表的相关工作，把握研究前沿；再补充按关注度或相关性排序的文献，纳入讨论度较高的代表作；最后沿着候选文献的参考文献链向外扩展，补齐关键经典与重要分支。这样一来，文献集合的形成过程更加透明，也更容易回答“为什么这些论文应当进入综述范围”。

整理阶段强调先完成结构化材料，再进入大段撰写。在落笔之前，系统会引导生成或呈现与写作直接相关的中间结果，例如对候选文献的分组与聚类、引用关系概览、分篇提要句、术语与实体对照、主题发展时间线以及典型应用场景梳理。这些材料的直接作用，是帮助作者在动笔前对齐概念口径、明确各段落准备引用的事实来源，尽量避免凭印象写作带来的表述不一致。

撰稿与校订阶段则把初稿视为可修订版本，而非终稿。在结构化材料之上生成综述初稿后，系统仍保留一道审查与校订环节，用于核对术语与模型假设的前后一致性，并对科研写作中那些容易被忽略、却又至关重要的边界条件——例如有限规模与渐近结论的区别、实验条件与理论模型的对应关系——给出补充说明或修改提示。必要时，还会输出进一步深化阅读或补充论证的建议，便于作者规划下一版工作。

在交互组织上，对话区域与文献管理区域彼此协同：对话侧负责说明流程意图与阶段结论，文献侧用于管理书目、查看补充信息与引用提示，免去用户在多个应用窗口之间频繁切换所带来的注意力损耗。

下面是我们目前已经实现的、以量子密钥分发（Quantum Key Distribution，QKD）相关文献脉络作为示范主题的一套文献综述撰写演示流程，用以完整展示从检索到综述初稿的整条链路。需要补充说明的是，示范本身的意义在于呈现方法与交互形态，并不等同于“对任意主题都能在不加配置的情况下达到同等深度”的自动化承诺。不同学科在检索源、评价指标与写作规范上客观存在差异，实际使用中仍应以人工判断与行业要求为准。

哪些场景更适合？

从使用动机来看，与产品设计目标较为契合的场景大致有以下几类，但远不止于此。

在学位论文与课题开题阶段，作者往往需要在有限时间内建立对子领域的系统认识，并形成一份可继续修改的综述骨架与阅读清单，以便后续逐步嵌入自身的研究贡献与创新表述。分阶段检索与结构化中间材料，恰好把“先读后写”拆成一系列可执行的小目标，缓解一上来就要面对空白文档的压力。

审稿意见或项目评审常会要求补充近年文献，或覆盖某一类方法的代表性工作。此时作者需要在短时间内重建或扩展候选文献集合，并能够说明“为何补充这些文献”。可追溯的建池过程与分组提要，远比单纯追加下载文件更便于写进答复信或说明材料。

交叉学科研究或转入新方向时，作者通常要同时理解多条技术路线及其常用术语。若缺少对照表与引用关系概览，便容易遭遇“同名异义”或“不同文献对同一对象使用不同名称”等阅读障碍。先把术语与实体关系统一梳理，再进入写作，往往能显著减少后期的大规模返工。

科研团队内部的文献综述与资料整理也常涉及分工。如果各成员使用的笔记格式与筛选标准不一致，合并阶段的成本必然抬升。统一的工作流与共享的中间产物，有利于按职责拆分任务（例如分别完善某类提要或某一组术语），再在共同材料的基础上合并撰稿与审校，从而减少重复沟通与口径冲突。

最后仍需重申：工具的作用，是降低重复性劳动与组织成本，而非替代作者的学术判断。是否采纳某篇文献、如何评价不同结论的可靠性、综述最终采取何种立场，仍须由具备相应专业背景的研究者亲自决定。

结语

文献综述的价值，归根到底在于读者能否凭借作者的文字回溯到原始文献，并理解不同工作之间的关系与边界。深度检索解决的是“证据池能否站得住”的问题，多轮校订解决的是“表述能否与证据相符”的问题；二者叠加，也是在系统层面降低幻觉型错误进入终稿的概率。国光量子希望通过分阶段流程与可检查的中间产物，把这两件事，从一项几乎完全依赖个人经验的劳作，转变为可以讨论、可以迭代、可以团队协作完成的工作方式。