先看全局
先建立全局地图：一篇综述从选题到终稿，哪些环节必须走完，AI 到底在哪些环节提升效率。
下面我将像素级讲解基于深度利用AI，实现一篇综述论文从0到投稿的整个完整过程。也会重点提及如何在确保学术规范和AI使用伦理的前提下，让AI大幅加速你的科研工作。前半部分是具体攻略，最后是答疑。
注意，虽然我详细演示的这篇综述论文是关于皮肤癌的交流阻抗检测。但其中涉及的整个AI工作流都程是共性的，在我目前跟踪的30多个学科中都是有效的，目前还没有找到不适用的学科，如果你用下来，发现你的学科不太适用，那么记得联系我（我的微信：keyanlun）。
整个综述论文的写作包含三个主要部分。第一部分是筛选综述论文的选题。第二部分是生成综述论文的提纲。这个提纲最起码要细化到二级标题。并且你要知道每个大小标题下方要讨论哪些要点。第三部分就是基于这个提纲以及要讨论的要点，把综述论文的文字给填充完毕，并符合投稿要求。AI在以上三个部分都会起到大幅提高效率的作用。根据我的经验，如果没有AI的介入，整体耗时至少会延长4到5倍。
选题分支
如电池、皮肤癌、大语言模型。先缩小切入口，再谈综述题目。
如皮肤癌交流阻抗检测，可直接进入精准文献检索。
有关键词，但还没形成可写主题。先用综述检索和 AI 分析找方向。
同样是“写综述”，起点差异很大。先把开局分为粗、中、细三类，避免所有人都套同一套流程。
首先来看第一部分，确认综述论文的选题。我这里说的选题，它和论文题目有很强的关联，但并不完全等于题目。看完之后你会明白。这里会出现这么几种分支情况。
第一种分支，你的选题只涉及一个非常宽泛的背景。比如新能源领域，你只知道你的选题是关于电池，甚至连是什么电池比如是锂电池还是锌电池之类的都不知道。又比如算法类领域，你只知道你的选题是关于大语言模型，但不清楚是要写大模型的推理能力、对齐与安全、多模态融合、还是具身智能体方向；又比如电气工程领域，你只知道你的选题是关于电机，但不清楚是要写永磁电机还是感应电机，更不清楚是设计、控制、故障诊断还是代理模型优化方向；又比如医学领域，你只知道你的选题是关于皮肤癌，但不清楚是要写检测、治疗、发病机制还是临床管理方向；又比如机械制造领域，你只知道你的选题是关于增材制造，但不清楚是要写工艺优化、组织性能调控、缺陷控制、还是针对某种具体金属材料（如钛合金、铝合金）的增材制造方向；又比如建筑工程领域，你只知道你的选题是关于BIM（建筑信息模型），但不清楚是要写设计阶段、施工阶段、运维阶段、还是知识管理与协同方向的应用；再比如教育/语言学领域，你只知道你的选题是关于对外汉语教学，但不清楚是要写语音、词汇、语法，还是某个具体语言点（如结果补语、把字句等）的二语教学方向。这种情况一般非常少见。
第二种分支，你导师给了你一个非常具体的选题。比如像本视频中我演示的皮肤癌的交流阻抗检测。假设你导师说，让你围绕皮肤癌的交流阻抗检测方面，写一篇综述。但由于这个细分领域的文献不多，所以这个选题的颗粒度其实已经很细了，本身就已经可以作为综述论文的选题了。这个时候，其实你就已经获得了综述论文的选题，不需要再自己构思了。为什么我说此时你获得的是一个综述论文的选题，而没有直接说成是题目，这是因为选题更接近是一篇综述论文题目中的"干货"部分，但要组成一个完整的题目，还需要其他表述，比如你经常会看到发表的综述题目中会有Recent progress in，Recent advances in，也就是近年来的研究进展之类的表述，所以我如果说成是题目，会和之后我们获得的真正的综述题目产生歧义。
第三种分支，你获得的选题颗粒度介于第一种和第二种之间，这是比较常见的。就是说，你目前的选题信息没有颗粒度粗到像第一种分支那样，但是呢，也没有细到说直接就可以是一个综述论文的选题。比如类似皮肤癌的检测，它的颗粒度不像第一个分支那么大，比如就是皮肤癌，这样你就无从下手了。皮肤癌那么大的领域，你到底写个什么综述呢？是写检测方面的？还是写治疗方面的？还是写检测治疗一体化的？还是写人工智能在皮肤癌方面的研究进展？还是写临床方面的？还是写基础研究方面的？就是能写的细分领域太多了。你肯定得从中选择一个相对小的切入口。但是呢，皮肤癌的检测这个选题的颗粒度，它也不像皮肤癌的交流阻抗检测那么细。毕竟这个选题也有许多能写的内容，比如皮肤癌有那么多检测手段，你是全都要写吗？还是着重写其中的某个或者某类有特色的检测手段？又比如你导师让你写一篇关于锌离子电池方面的综述，它这个颗粒度显然要比电池细了不少，但是也没有细化到能够确认综述论文的选题，毕竟锌离子电池下方还有很多细分研究领域，也即是很多选题可以展开综述。比如你是关注锌离子电池的正极、负极，电解液，还是工业级别的应用？当然，任何情况都有例外，比如有一位同学要写的就是一个超大型的综述，常见于chemical reviews, chemical society reviews等, 他就是想围绕锌离子电池写一篇综述，包含锌离子电池的方方面面。这也行，那么此时他也相当于获得了一个具体的选题，来到了第二种分支的情况。
所以每个人遇到的问题虽然有共性的部分，但也有不同的部分，很难用一个固定的框架解决所有人可能遇到的问题。这也是为什么我需要让你提交作业，然后根据你作业情况反馈的原因。就像你看再多的羽毛球视频和攻略，也很难提升羽毛球水平，还是要有教练来对你进行针对性的训练和指导。
所以以上三种分支，我们可以按照选题颗粒度来划分。包含了颗粒度最粗的第一种分支、最细的第二种分支的和介于两者之间的，我将其命名为颗粒度中等的第三种分支。
我先来讲我们最有可能遇到的情况，也就是选题颗粒度中等的分支，即第三个分支。大部分人遇到的都是这么一种情况。比如导师给了你一些选题的关键词，然后你要基于这些关键词找到一个值得撰写综述论文的选题。
阶段一：选题与建库
把模糊中文关键词拆成数据库可识别的专业概念
根据大于50篇、10-50篇、约10篇或极少来决定下一步
先建立标准化文献库，后续才能分析、打标签和写作
让 AI 提供方向，再由人结合导师意见、文献规模、写作能力和兴趣点判断
这一阶段先把关键词变成检索式，再通过综述数量、Zotero 文献库和候选方向判断，逐步确认可以写的选题。
此时你依次参加阶段一的第1次至第4次训练，通过这4次训练，时刻记得你的阶段性目标是要获得能发表综述论文的选题。
其中，通过第一次的训练，你会把这一组关键词比如皮肤肿瘤细胞表征，转化为一个专业的检索式，这样你就可以在文献搜索引擎中检索了。
第一次训练的任务是要把这个中等颗粒度领域下的综述论文尽可能搜全文，作为后续 AI 分析、寻找细分选题的输入。其实人类写综述也是这么操作的。你要写一个综述之前，你起码得先知道这个领域中别人有没有发过类似主题的综述，还有没有什么值得写综述的切入口，对吧？如果有一模一样的主题，那么你就要考虑你能不能写得比他更好，不然你就得避让这个主题。
这是我节选的一位医生的训练成果（他已同意分享），我们设计的AI工作流中，AI 会给出两个方案，综合全面型与核心技术聚焦型。你可以按照训练营中的说明比对他们的异同，采用适合你的方案。比如下面是推荐首选的方案一综合全面型的输出：
你会发现原先的关键词皮肤肿瘤细胞表征中的表征，很多新人会用直译的方式去搜索，比如搜characterization，但你要知道很多从事这方面的研究学者，他可能会说自己是用皮肤镜看的，或者是用多光谱皮肤成像分析的，或者是用皮肤超声分析的等等，它并不一定会直白地给出表征两个字，这样一来，领域中的核心文献就全部被你遗漏了。
但是你看到采用这套AI工作流，这位医生获得的检索式中，你注意第3组关于表征的检索词，即第二个AND之后的检索词中，完全没有笼统车轱辘的表征这个表述，而是落到了皮肤肿瘤领域中最主流的一批无损检测技术上，而这正是我们要关注的重点。
同样注意到一点有趣的是，在第2组的检索词中，除了tumor*，cancer*等肿瘤表述，AI工作流给的检索式中还增加了lesion*（病变）这个原先并不在我们关键词中的表述，就是说，它并不只局限在肿瘤，虽然你给它的关键词是肿瘤，那你思考一下，这正好也是我们要的效果，因为很多无创检测技术的目标是在疾病早期、甚至癌前病变阶段进行诊断，使用"病变"一词能更好地捕获这些文献。
而第1组的检索词中除了给出大家最能想到的关于皮肤的英文表述skin之外，还给了其他同义表达，cutaneous OR dermal。
所以这套AI工作流，在检索方面，它识别到了我们给它输入的皮肤肿瘤细胞表征可以拆开成A+B+C的检索形式，其中A是皮肤的同义表达，B中除了有肿瘤的同义表达之外，它还引入了病变，C中则给出了一些具体的无损检测表征技术和无损检测这些表述，避免只用表征去检索遗漏大量文献的问题。
当然，你在操作的过程中一般也会出现这样或那样的问题，所以这就是为什么我要采用训练加反馈模式的原因。这样的话，一方面能帮助你聚焦当下到底应该做什么样的动作，另一方面通过老师的指导，你可以知道自己做的对不对，不对的地方，也能及时得到纠偏。当遇到不明白的地方，你可以在对应的训练作业中，把你的问题描述发布出来，除了文字描述，也支持直接截图的，一般中轻度的问题在一到两个工作日内就会得到反馈与指导，重度的问题需要更多时间，如果没得到反馈的话，你在我的微信留言，我的微信是keyanlun。即使你没遇到问题，也建议发布相关的训练作业，这样可以明确你是不是能继续下一次训练，免得你的动作有严重变形。你也可以通过参考其他成员的作业与作业反馈解决自己遇到的问题。如果只是自己看视频，很容易失焦，也不知道自己做的动作到底对不对，有没有变形。
接着在第二次的训练中，你会知道如何根据上一步获得的检索式去获取领域内的综述论文。根据数量的不同，会让你进入不同的训练分支。
比如，如果综述论文大于50篇，那么你就可以直接进入第3次训练。如果综述论文在10~50篇，你也可以直接进入第3次训练，或者你可以补充少量的高质量研究论文，比如你们领域的顶刊之类的。具体操作方式参考训练营中的攻略和刘老师团队的指导以及我的监督，我这里主要是给出整条逻辑脉络。如果综述约10篇左右，这个时候你可以把你检索到的研究论文也一并纳入到第3次的训练中。但你如果搜出来的综数特别少，比如只有几篇，或者总体的搜索结果也很少，比如小于100篇，那就说明你目前这个颗粒度太细了，不太适合写综述，或者只能写一个迷你综述。如果你想写迷你综述，那么你就切换到我先前说的最细颗粒度的分支流程，我之后会讲解如果进入这种分支应该如何操作。如果你想写的不是迷你综述，那么就回到第一次训练，砍掉一个关键词，这样就能扩大检索范围了。
第三次训练则是把上一次训练获得的文献导入Zotero，通过这次训练，你会学会如何基于标准化流程获得规范的文献库。
第四次训练中，你就会获得阶段性的成果了。也就是几个有潜力发表综述论文的选题，除了选题，还会告诉你为什么这个角度还没被充分综述，大致的文献组织思路、预估的工作量与难度等。你再结合自身的研究兴趣、与课题组已有工作的契合度、导师意见等综合确认这个选题。
当然，有一些第一次写综述的同学或者老师可能会遇到这么一个问题，一开始觉得这选题还不错，但写着写着就发现这选题有问题，写不下去，所以我做了一个非常详细的checklist，其中有关于选题的checklist，你如果想避免这方面的问题，那么你在做选题的时候要注意查询一下，避免你的选题踩到坑。
当然，第一次做也难免踩坑，就算踩坑也不要紧，你再退回上面的步骤，重新做训练，换其他选题就可以了，采用这种方式，整个流程也比较快的，重新选个其他题目也花不了多少时间。
比如来看这位医生的训练结果，AI给出了三个候选方向，并推荐了第一个方向：AI赋能下的阻抗谱技术用于皮肤肿瘤领域，另外两个方向分别侧重跨癌种应用和临床转化与实用性方面。我也认同AI的判断，这个选题相对也会写起来容易，有明确的切入口。但考虑原先的题目要求核心文献不仅关于阻抗谱技术，还得涉及AI才行，这可能会让可以分析的文献大幅减少，变成一个迷你综述，但因为我们要写一篇中小型综述，所以这位医生通过与我的交流，将选题放宽到皮肤癌+阻抗谱表征，就是去掉了题目中的AI，准备以电阻抗谱(EIS)为主线，统摄生物物理原理、硬件设备、临床效能与Al融合。AI结合的内容肯定还是要讨论的，但是直接写在正文中。但在标题中就别局限住了，从而可以纳入涉及阻抗谱但没涉及AI的研究。
有了具体的选题，即本例中的皮肤癌+阻抗谱表征，我们就要开始系统搜集这个主题下的研究论文了，只有和这个主题相关的研究论文达到了一定数量，我们才能完成一篇综述论文的写作。
这也就是我一直强调的一个备菜过程，最终的写作就是炒菜，你只要备菜备好了，菜才能炒好。这个环节非常重要，因为你在这一次的训练中，很有可能会发现需要修改你的选题。
这里AI工作流会将你的主题，拆成多个核心概念，然后构筑矩阵式检索，而且这个过程会根据搜索出来的文献结果，循环重复这个步骤，它的目的是筛识和排除不相关的文献，然后保留与这个主题相关的文献。当然，最终我们并不需要相关度百分之百那么高，基本上有个一半左右就可以往下推进综述写作了。
你注意观察这套检索策略，非常有意思。它不是无脑地只检索A and B and C and D，还会选取其中的部分概念做组合检索，这样可以分别起到不同的功能，比如有的用于写背景，有的用于写核心的我们要讨论的 AI ，有的又用于写方法和展望等。
比如采用这套工作流，AI生成检索式之后，它会自己发现这个检索式的一些问题，比如先前我们提到的lesion*病变，发现在材料科学和腐蚀领域，也经常被用到。
另外检索词如果用了dermatolog*(皮肤病学)，这会涵盖了痤疮、湿疹、皮肤屏障等所有皮肤研究，与皮肤癌无关，会引入过多噪声。
那么识别到这些噪声来源后，这套AI工作流会修正检索式，再次检索，直到最终获得的检索结果，相关度还不错，比如有个40%左右或者更高，也就是10篇文献中有个4篇左右是和你的主题相关的，而且数量合适，这就可以进入下一阶段也就是第二阶段的训练了。
如果你搜索出来相关的文献过多，比如大于1000篇，除非你是想写一篇超大型的综述，否则你可以再回到先前的训练中，比如在选题中再追加一个关键词，以缩小文献搜索的范围。但如果你搜索出来的文献过少，比如小于100遍，除非你想写迷你型的综述，否则的话也是回到上一次的训练，可以在选题中去掉一个关键词，这样就能扩大文献搜索范围了。所以这里就是我先前说的，有可能会让你调整选题的原因。
而如果你搜索出来的文献数量适中，100~600篇，其中有40%或者更高的比例，你发现是和你要写的综述主题相关的，那么你就能写出一个常见的中小型综述了。此时你就可以进入阶段二了。当然如果你要写的是超大型综述或者迷你综述，那么文献数量大于1000篇或者小于100篇，你也可以进入第二阶段。
先前提到，我们检索出的文献基本不太可能百分之百都和搜索主题相关的。所以在这次训练中，要训练你如何借助AI对这些文献的相关度进行评级，它会根据文献和主题的相关度，从高到低评级成A、B、C、D，最后保留下与主题相关度高的论文去写综述。
阶段二：提纲与标签
第二阶段是把文献变成结构：题目、一级章节、二级标题、讨论要点和 Zotero 标签要互相对应。
基于这些相关度高的论文，通过第6次训练，你会获得这么一份综述论文题目。比如这是生成的题目，电阻抗谱技术在皮肤癌诊断中的应用与临床转化进展，还是和我们要写的综述主题密切关联的。当然投稿前，我们也会根据全文的情况，做一些修改。
下面是生成的综述提纲。六个章节，包括开头的前言和收尾的结论与展望，是一个经典的综述论文的结构。当中的章节分别是EIS诊断皮肤癌的生物物理学原理与实验基础、面向临床应用的阻抗谱检测系统与关键硬件、EIS在皮肤癌诊断中的临床效能与验证、技术融合与智能分析：阻抗谱诊断的新前沿。
这里的布局也是很合理的，第二章先交代一些原理和基础知识方面的内容，为后续几个章节做好铺垫。如果没有这么一章，直接进入细节的话，比如交流阻抗检测系统与硬件，临床研究以及与AI的结合等等，那么一些读者可能阅读会有障碍，所以先安排了这么一个基础知识的章节。
有一些新人可能会纳闷说，看论文的人不应该都是这个领域的研究者嘛，为什么还需要科普这些基础知识呢？这是因为看你论文的人，不只是小同行，还包括大同行甚至外行，小同行才是你说的，他就是做交流阻抗检测皮肤癌的。你不用说这些基础原理知识，他也知道。但问题是，你的论文一定也会面临大同行的，他们可能是做皮肤癌的，甚至是做其他肿瘤的，或者是其他皮肤病研究的人，或者知道阻抗谱，但不知道阻抗谱在皮肤癌中的应用。包括评审你论文的审稿人很可能也不是小同行，一般也是大同行。所以你得考虑这些群体，这些群体反而才是大部分。而且既然你想你的论文发表在一个期刊上，那么你要换位思考，期刊肯定也是希望它的受众面是有一定广度的，不希望你的论文只是那么几十或者上百个小同行会读，因此也希望你的论文面对受众更广的读者也是有一定可读性的。其实不只是综述论文，研究生论文也是如此，也要同时考虑到大小同行。
所以我这里很欣慰地看到这套AI工作流，也是很好地识别了这个需求，在第二章就安排了这么一个交流阻抗谱诊断皮肤癌的生物物理学原理与实验基础，让人家明白交流阻抗是个啥东西，怎么就可以检测皮肤癌了呢？
那有了这个认知基础后，后面第三章你再去讲解阻抗谱检测系统与关键硬件时，别人不至于因为不了解基本原理，看了一头雾水。第三章面向临床应用的阻抗谱检测系统与关键硬件。那讲完基本原理后，总得让人看看这玩意儿长啥样的，对吧？所以这一章节准备讨论检测系统和关键硬件也是合理的。而且这里也不是笼统地介绍阻抗谱的检测系统和关键硬件，你看小标题这里还提到是要面向临床应用的，这就直接契合了这个综述的主题。
那明白了临床用的这东西长什么样的之后，是不是就可以看看它的临床实际使用下来的效果怎么样了？所以你看紧接着安排的章节就是EIS在皮肤癌诊断中的临床效能与验证，其中的EIS就是交流阻抗谱的意思。所以这个标题同样也是契合我们综述论文的主题的，而且出现的位置也很合适。
先前我们提到过这篇综述，我们也想讨论关于和AI结合的工作。那它是不是遗漏了这部分呢？继续往下看。第五章的技术融合与智能分析：阻抗谱诊断的新前沿，就提到了AI，也就是标题中说的智能分析。
第六章则是最后一个章节，结论与展望。所以我们想讨论的点，这份提纲都囊括了，而且顺序也是合理的。你可以试着把这些章节顺序调换一下，你就会发现不太合理了。你可以看到，经过训练，你第一次拿到的这份资料，其实就已经完成度很高了。对于大部分新人而言，甚至是已经有过经验的学者而言，要第一份提纲就做到这个程度，还是很不容易的。
而且在每个一级标题下方，你在训练营获得的这份提纲其中还给出了讨论的要点和二级标题。比如引言建议先从皮肤癌流行病学与传统诊断的局限写起，再切入无创/微创诊断的发展趋势 ，最后讨论EIS 基本原理与生物医学应用潜力，这个顺序也是合理的，遵循着倒金字塔的结构，而且也是紧扣主题的。
包括第二章下方的二级标题，先讨论皮肤癌电学特性的生物物理基础，再讨论离体/体外细胞与组织模型的阻抗研究，这里需要讨论的要点，包括它们的顺序也是合理的。
类似的，第三章先讨论组成这个设备的关键部件，然后再讨论这个设备整体，这逻辑结构也是合理的。
另外几个章节我就不一一分析了。你会发现它一个是讨论覆盖的点还是全面的，另一个方面它讨论的点出现的逻辑顺序也是正确的。
如果你觉得需要修改提纲，那么你就可以在这一步对提纲进行修改。或者你觉得改动到位的话，就可以和老师讨论下综述提纲，觉得可以之后，就可以推进一下第 7 次的训练。如果提纲有吃不准的地方，也可以在作业中询问刘老师，我也会全程关注和监督刘老师的答复，如果你遇到一些疑难棘手问题，那么你可以直接给我的微信keyanlun留言。当然不只是提纲，每次的训练作业都可以这样处理。如果你觉得没问题，那么就进入下一次的训练。
在第 7 次的训练中。会训练你掌握将之前导入到Zotero的文献都自动化地贴上标签。运行完毕后，你会发现每篇文献旁边自动化出现1.1，1.2，2.1，2.2这些。这是和上一次你训练中获得的提纲关联的，这就可以告诉你，你当时获得的提纲的二级标题下方可以用来讨论的文献是什么。有时你会发现一篇文献会隶属于两个小标题，这也是正常的，这说明这篇文献它有两个角度可以被引用讨论。这里会出现一个高频问题，就是你什么时候开始检查AI工作流自动打的这些标签对不对。这有两种做法，一种如果文献不多的话，你在这一步就能检查。另一种是你可以进入具体写作的时候再检查。
比如当你准备写1.1小标题下方的文献时。你可以先看一下这批文献正不正确。正确后你再开始进入写作流程。如果不正确的话，就把标签修改正确。
另外，标签修改过程中，你可能会发现文献减少了，那也没关系，你再从剩余文献中补充一些相关文献或者直接搜索一些相关文献就行了，在训练营中也有讲怎么操作。我个人是倾向于用后面这个方法，因为一方面，前面这个方法耗时会很久，另一方面在写的过程中，你有可能会发现原先的框架不够合理，要调整。那这样一来，你前面检查这些文献的标签对不对，可能也白检查了。所以我觉得你可以确认要写这个小标题的时候，就检查这个小标题对应的文献对不对，比如你确定要写2.1了，那你就看打上2.1标签的这些文献对不对。如果对，那就行了，如果不对的话，就去掉不相关的，然后再补充相关的进去。
阶段三：写作与精修
进入写作后，关键是按小标题切块推进。好的综述不是文献罗列，而是从文献之间提炼逻辑。
至此，第二阶段的训练就结束了，也就是我说的备菜环节结束了。下面就可以进入正式炒菜环节了，也就是第三阶段写作的环节。
通过第8次的训练，结合训练营中给你的一些自动化处理程序，你就能够完成对应章节的初稿了。比如假设你先写2.1章，接着再完成2.2章节，第3章、第4章、第5章等等，全篇的初稿就获得了。
注意，它这个不是像网上你们看到的那种一键出综述全文，我估计你们有人也用过，我自己体验下来，问题非常大。所以这个训练营中的操作流程，其实是切割成一小部分、一小部分来写的，一部分没问题之后再来写下一部分，不至于整篇全文快速写作完，结果发现段落内部问题很大。因为进入 AI 时代，获得全文是不难的，一篇中小型综述也就1.5万字，你想让 AI 一口气输出个几万字是甚至10万字以上也都做得到的。但问题是 AI 能吐出来文字不代表这文字能用。所以这一步宁愿慢一点，比如就先把某一个小标题下方的1000字或者2000字先给写好，写好后再去写后面第二个小标题。这个动作循环个10次左右，那全文也获得了。而且在写第一个小标题文字的时候，你可能会发现你在写作过程中的一些问题，那么在写后面的时候也可以纠正，而不是带着这些问题，带着这些瑕疵甚至重大 bug ，直接一股脑地生成全文。
我们可以来简单看一下这一部分的初稿。新人写作最常见的问题就是综而不述。
你们也经常会听到老师或者听高审稿人说你们写的稿件综而不述，没有自己的思想。最典型的结构，就是通篇都是某某人都报道了什么，某某人报道了什么，某某人报道了什么之类的，最多前面加点总起引导，比如这是个很重要的问题，然后接着就是谁做了什么，谁报道了什么。随后又说另一个问题也很重要，然后又是哪些作者做了什么。这样给人的感觉确实不好，那人家也不需要看你的综述了，他直接让AI去梳理一下领域内的文献，也能获得这样的东西，甚至写得比你还要好，对吧？
考虑大部分人不是医学领域的，那么我给出一段中文，帮助大家看看一看这段初稿的质量如何：...... 采用这种多模态融合方案的根本原因在于两类检测技术各自表征的生物物理维度互不相同。电化学阻抗谱（EIS）可通过测量整体电学参数（例如胞外电阻Re、细胞膜电容Cm），对细胞异常状态实现高灵敏度定量检测；但其本身不具备空间分辨能力，无法生成细胞形态图像 [RE214]。与之相反，光学检测手段能够实现结构可视化成像，却会受穿透深度制约，且结果解读易带有主观性 [RE006]。......
你看这一段，就比如没有常见的新手写综述，只是罗列文献的问题，它里面是有高度凝练的，而且根据不同文献之间的逻辑结构，也会进行梳理对比等等。比如开篇的这句话："采用这种多模态融合方案的根本原因在于两类检测技术各自表征的生物物理维度互不相同"就抛出了作者提炼的一个要点。接着后面两句话就是对这个要点的进一步阐述，用具体的案例阐述，比如采用交流阻抗会有什么样的优点，但与同时存在什么样的缺点：电化学阻抗谱（EIS）可通过测量整体电学参数（例如胞外电阻Re、细胞膜电容Cm），对细胞异常状态实现高灵敏度定量检测；但其本身不具备空间分辨能力，无法生成细胞形态图像 [RE214]。
然后光学检测又有什么样的优点，但又有什么样的缺点：与之相反，光学检测手段能够实现结构可视化成像，却会受穿透深度制约，且结果解读易带有主观性 [RE006]。
这样就支撑开头说的了，需要多模态融合方案：采用这种多模态融合方案的根本原因在于两类检测技术各自表征的生物物理维度互不相同。
但如果你们经常审综述或者改学生的综述论文，你就会发现大部分人会写成这样的。每种方法有各自的优缺点之类的，比如EIS怎么样，又比如光学检测怎么样？那和这一段相比，是不是显得就没有什么思想了？只是简单的罗列。
而这段表述是看到了文献和文献之间的内在逻辑关系，然后以合适的方法呈现出来。而且你注意英文的表述，像这种While、Conversely, 也能清晰引导读者的逻辑，就读着让人感觉是一个有思想的人在写，而不是只会堆砌文献。
包括开头fundamental，lie in，还有inherently lacks等等表述，也给人感觉是在凝练自己的思考。当然，我不是说只要你用了这些信号词就能提升综述论文的质量了。
你还是要结合他原文来看，他原文确实是有这种作者是带有思想的感觉，而且看了这段话： ...... 采用这种多模态融合方案的根本原因在于两类检测技术各自表征的生物物理维度互不相同。电化学阻抗谱（EIS）可通过测量整体电学参数（例如胞外电阻Re、细胞膜电容Cm），对细胞异常状态实现高灵敏度定量检测；但其本身不具备空间分辨能力，无法生成细胞形态图像 [RE214]。与之相反，光学检测手段能够实现结构可视化成像，却会受穿透深度制约，且结果解读易带有主观性 [RE006]。......
你是不是觉得即使是一个我先前提到的大同行也能一下子明白这件事情了？这就是综述的意义。你这个综述发表了，得让大小同行读了有获得感，读了有收获，否则他们还不如自己去读文献，对吧？现在毕竟 AI 这么发达，AI 也能够帮你读领域内的文献。同时，这也是你自我提升的一种方式，也就是所谓的“输出型学习”。在梳理和综述这些文献之前，你可能对领域内的发展也没那么清楚；所以一边完成写作的过程，你自己一边也特别清楚了。这对于你做研究论文或者后续申请项目也会有很大的帮助。
而且这里也注意了文献引用问题。你会发现这两句话，就是一句讲电化学阻抗谱的，一句讲光学检测手段的，肯定是要文献支撑的，不可能你张口就来的。那么这里确实也引用了文献了。这个文献是由程序化自动引出的，而且到了阶段4，也会通过程序化的方式一键替换成期刊规范引用的格式。这样可以大幅降低你的手工工作量。
第九次训练：质量控制
按 S/W/R/L 等编号排查结构、语言、引用和逻辑错误
核对每个“干货”表述是否被文献证据支撑
把 AI 草稿转化成你理解、你判断、你能负责的表达
AI 可以帮你省掉机械劳动，但不能替你承担学术判断。
初稿出来后，重点不再是继续堆字，而是把结构、表达、事实和引用都核到能投稿的状态。
获得了初稿之后，你就可以进入第9次训练，其中会训练你两个事件并行处理。这两个事情处理完之后，整个稿件的AIGC率以及查重率都应该是比较低的了。
一个是你依次对照我发你们的checklist文件，看看初稿里面是不是存在类似的问题的。如果存在的话，就把它修改掉。
这里面我整理的还是比较清晰的，改完之后，你们的稿件应该就不太会有硬伤了，而且一些中等颗粒度和细颗粒度的细节问题应该会被修改掉的。也就是说，对照checklist的改动的过程，天然的就会把稿件的AIGC率给降低下来，而且这个时候这个稿件的语言表述就会内化成自己的表达了。
我这里也说一下这个checklist怎么使用，点击此处进入这个文件。
左栏你会看到我把常见的错误编号用字母加数字表示了。其中的S就表示structure结构方面的错误，S1，S2，S3，S4表示的就是结构方面不同的错误类型。如果我以后发现了你们的作业中有第五种错误类型，就会继续补充S5之类的。
类似的，W就是words单词语言级别表述方面的错误。
R则是References参考文献相关的错误类型。
L则是logic逻辑方面的问题。
你就可以一条条依次顺下来看，这个编号旁边是问题说明，但光看问题说明，你可能还是感觉比较抽象，不知道到底怎么改，或者自己有没有出现类似的问题。
所以接下来是这样用的。你按键盘的ctrl+F，逐一搜索其中的错误编号，比如S1这个问题，你就完整复制错误编号S1：，记得这个冒号也复制。随后点击下方的查找全部。然后你就会发现所有实例，我会结合实例，用尽量通俗的语言告诉你为什么这段文字犯了checklist中的错误，以及需要怎么修改。
我用的文字尽可能地抛弃了专业方面的用语，这样不同专业的人都能看懂。所以你作为跨专业领域的人也完全能用这套checklist来自查自己的初稿有没有这样的问题，并且修改。比如有经常会文科能不能用，社科经管能不能用，或者医学能不能用，这都是可以用的。
比如S1是涉及总分结构错误或涉及最、核心等表述的相关错误（包含结构错误和事实错误）。那么我们就来这个文档看一下。
比如你看我给你的第一个真实案例。看到这个例子，你发现了吧？其实这和你是什么专业的人并没有关系。很多专业的人都会出现类似这样的表述误区。因为各行各业的专业，你写综述都是要剖析某个现象背后的原因吧，或者剖析哪个是主因，哪个是次要因素吧，所以都很容易犯这样的错误。即使AI来写，AI也会犯这样的错误。
另外，我相信你假如看了第一处可能还不明白，但是你看到了我给你的多个不同的案例都犯了同样的错误之后，你肯定能识别出自己的稿件有没有这样的问题了。而且我在里面还教你这些问题怎么改了，你甚至可以把我教你的话作为提示词复制给AI，让AI启发你怎么修改，这样也可以。
那S1这个问题解决后，就依此类推，推进到S2、S3、W1、W2、L1、L2、R1、R2等等。等整个checklist这样都过完一遍之后，我相信你稿件的AIGC率就特别低了。
关键的是，人类阅读的可读性也会大幅增加，整个稿件的AI味也会大幅减少。其实到最后应该是没有，因为每一句话都以你能理解的方式给重新表述了，真正内化为你的语言了。
一些人以为一个好的AI工具就是生成一个综述稿件，自己就最好也不要改，直接就能拿来投稿的。但这个认知其实是有严重问题的。因为一旦这样的话，就等于你这个稿件的AI生成率是100%。而且，如果通过AI写、AI降低AIGC率的话，为什么需要你发表一篇综述呢？就像我说的，读者也好，审稿人也好，他们不能自已去用一些AI工具，让AI去写一篇综述来给自己看吗？而且期刊出版社为什么要收你这篇刊物呢？总之，如果你期待这样写综述的话，那你作为人类的贡献在哪里呢？你唯一的贡献难道就是对着AI窗口说一些话吗？或者复制粘贴提示词，或者下载一个别人的skill，或者跟Agent对个话，然后再把它的东西复制到你的文档里，或者直接用它生成的产物（现在的Agent也能直接生成文档），然后期待自己也别改这样的稿件。那如果真是这样，那你和AI，你觉得到底谁是机器、谁是人呢？你不觉得他才更像人，你反倒是那个做着很机械活的机器了吗？你不就是把稿件去后台传个系统嘛，而且Agent现在也能干这个事情，那还要你干嘛呢？所以如果那样做，本质也是违反学术伦理的。一个真正好的AI工具，应该是把那些机械的、没有创造性的工作都给你去掉，从而快速高效高质量地帮你梳理清楚思路。这样一来，你开始觉得完全无从下笔的地方，现在有了这套思路，你知道这里该怎么写，而且也能通过Checklist排查掉并修改常见的各类错误，就最后还是得体现你作为人类的贡献也就是思考在里面，而不能完全是零思考，只干一些机械的活。
在第九次训练中，还会做一个重要的事实核查工作。
比如在其中会教你用AI来检查每一句话是不是会有问题，像这种强匹配的，他就是说这句话他和原文的相关数据是完全吻合的。
这个训练营里采用的是本地知识库，但有时候还是会产生一些不匹配的问题。比如像这句话，它会给你指出那两篇文献的摘要没有出现这些具体表述。当然你不能AI给你说什么你就信什么，你自己也要去这些文献看一看，看看他说的对不对。这个做起来也不麻烦，他也告诉你具体的文献编号了，也告诉你他所检查的这段文字是什么了，所以你应该能比较快地定位到去检查到底对不对。
我建议这个事实核查工作和我上面说的按checklist检查同步穿插进行，因为有时候你会发现这么个问题，你花了一些精力去核实事实，把这个句子改对了，但是犯了checklist中的错误，可能这个句子直接就删掉不能用了，那这样一来你就白事实核查了。但也有可能你checklist中把某句话给调整到位了，但最后通过检查后，你发现这句话讲错了，反而偏离了当前要讨论的主旨，得把这句话给删掉，那这样会导致你checklist中的一些工作也白费了。所以这个度你们要把握好，最好检查的时候，提前把你前方会遇到的坑一起考虑进去。
你们如果吃不准的话，我觉得可以这样，你们先识别出一个句子里面有哪些是干货类的信息，哪些是有点车轱辘文的非干货的信息。干货的就是像数据、证据等等的，就是要么你亲自做过，要么是文献说的，你不可能自己张口就来的。然后还有一些是凭第一性原理的推理，或者凭一借常识，是有可能自己写出来的，所以当看到一个句子的时候，你要先识别出这里面的干货是哪个，然后你就这么想，这个句子假如干货表述有误或者有瑕疵，那么这个句子你会不会用？如果评估下来纠正后还是可以用的话，那么你可以先不着急去核对干货，而是先把我checklist中说的问题给修改好。但如果你脑补下来，觉得这句句子里面的干货如果写错的话，很有可能这个句子就不能用了。那这种情况下，你就可以先来核对干货。
另外，我有个习惯是这样的，你会看到我在批改论文的时候，会有一些绿色的部分。这是因为你如果核对正确之后不做任何标记，那等你再回过头来看的时候，一大篇文字你会忘记掉哪些地方是自己核对过的，哪些地方是自己没有核对过的。所以，我的办法就是如果已经核对无误的地方，我会把它标记成绿色。这样一来，以后这个文字再挪动或者重组的时候，无论它怎么改动，你也知道这一部分的内容是当时已经核对过了，所以你就不用重复看。最后等全文都变成绿色，也就是这篇稿件定稿，可以准备投稿的时候了。
而且这里面还有一个特别有趣的点，这套AI工作流，它还会做一些批判性的纠偏，就是说文献A确实说了这句话，文献B也说了这句话，但是AI有时候会识别到它俩之间的矛盾。
比如在这位医生的综述论文中，他一开始引用了这个团队的 A 论文，A 论文的这两个数据都是 100%。然后 AI 在核查的时候，发现这个团队还做了另一篇B 论文。B 论文里面的数据比较低。所以这个时候AI就提醒你了，同一个团队，结果一个是百分之百，另一个是83%/95%，那么那个双100%的，是不是存在样本刻意优化的问题？就是能让你意识到你引用的文献本身也可能有问题，要批判性地吸取这些文献。这个提示我觉得特别好，我当时第一次检查初稿的时候也没发现这个问题，毕竟要检查的数据太多了，而且我也很难注意到这两篇论文其实是同一个团队的。
阶段四：收尾投稿
头尾部分有综述论文自己的写法，需要单独训练
图几放什么、子图来自哪里、permission 怎么处理
把 RE 占位符替换成目标期刊格式，并生成参考文献列表
正文之外，还要完成引言、结论/展望、摘要、语言内化、配图授权和参考文献格式，终稿才算闭环。
经过以上操作，除去引言、结论/展望、和摘要部分的文字撰写工作就完成了。接着你就可以进入下一次的训练内容了。在第10次的训练过程中，则会针对综述类论文它引言和结论与展望的特点，训练你完成引言、结论与展望、以及摘要的写作。
有挺多学生会纠结怎么降低AIGC率，所以在第11期的训练中，会专门训练你如何将语言内化为自己的表述，从而真正的降低AIGC率。而且面向英语能力较为薄弱的和英语能力较强的，有两种不同的处理方法。
至此，你就可以进入最终的阶段4了，就是来到收尾工作和根据你要投稿的期刊规范里的格式了。
通过先前的训练，你获得了综述论文全文的文字，但一篇综述论文还需要有插图的。所以这次的训练，就是要让你知道如何给你的综述论文插入配图，具体包括图1放什么，图2放什么，图3放什么等等，以及每个图中要放入哪些子图，这些图片分别来自哪些文献等。同时，你也不能随便引用别人文献的图片，你在投稿之前还要获得permission，也就是引用许可。在这次训练中也会训练你掌握如何获取。
当图片也插入完成后，你就可以进入第13次训练了。还记得我们先前获得的文字中有类似这样引用参考文献的部位对吧？
在第13次的训练中，会训练你掌握利用自动化工具，一键把所有的这些文献占位符替换成符合期刊格式的规范引用的参考文献列表。
格式取决于你要投稿的具体期刊，比如你看这里就依照文献出现的顺序依次引用了。
参考文献信息中包括作者、期刊、卷期、页码等信息。
至此，整个综述论文的写作就闭环了。从最初那个"皮肤肿瘤细胞表征"的关键词，到最终获得了这份逐句可溯源、配图与引用齐备的综述终稿。
在训练营中还给你提供了一些配套的论文处理小工具，这样就可以方便你把一些繁琐机械的工作给自动化处理了。
两种少见分支
最常见的是中等颗粒度，但如果你的起点特别粗或特别细，也有对应路线。
讲完最常见的第三个分支，接着来看第一个分支，也就是选题颗粒度最大的情况。这种情况非常少见。然后也有两种方式处理。
第一种方式是采用类似我上面刚介绍的方法，你可以直接用这个最粗颗粒度的关键词参与训练。区别就是在第一期第2.1次和2.2次的训练中，在获得参考文献的环节，你可以对文献进行限制。
比如选择顶刊、一区、二区的综述论文，以及考虑叠加年份的限制，比如选择近三年的综述论文。这样一来，我特别设计的这个AI工作流同样会帮你找到一些中等颗粒度的选题，然后你从中结合自己的研究兴趣、选题难度、导师建议、与课题组已有工作的相关度等因素，最终筛选出自己想要做的选题。
第二种方式是你可以用我赠送给大家的《科研论1》这本书中第二章的方法，在较粗颗粒度的关键词基础上叠加预测出的导师感兴趣的关键词，这样一来也相当于获得了中等颗粒度的选题，同样可以通过以上的第1次到第18次训练，也就是第一个分支的操作方式，完成你的综述论文。注意训练营中的所有成员都可以获赠本书，我包运费。
你也可以直接在京东上采购本书，在京东上搜科研论1能找到这本书。
【京东】https://3.cn/-2U1IXGG?jkl=@R2V7NEotGZ@ CA3576 「科研论.1 选择的重量，国家杰青/Top期刊副主编钟澄著：如何做好本科、硕士、博士、博士后阶段的重要选择？如果已经做出选择，如何将现有路径进一步优化？如何走出选择不慎导致的困境与迷茫？ 科研论.1选择」
点击链接直接打开 或者复制文案打开京东
比如你当前的关键字只有电池，但你搜了下发现导师最近对AI挺感兴趣的。那么你就可以电池加AI，也就是说你的选题关键词从笼统的电池细化为电池加AI，这样一来你的选题颗粒度就属于中等颗粒度，就符合以上刚提到的第三个分支的处理情况了。类似地，我先前举例的其他几个笼统选题，诸如大语言模型、电机、皮肤癌，经过了这步操作，有可能变为大模型驱动的多智能体系统、新能源汽车驱动电机的故障诊断、皮肤癌的电化学检测。当然有的时候你一旦叠加完一些关键词之后，会发现这个领域本身就已经是个细分领域了，如果你觉得不需要让AI再给你启发选题了，直接就可以针对这个选题搜集文献和出提纲了，那么就相当于也进入了选题阶段的第二种分支。
最后看选题阶段的第二个分支。你获得的是一个最细颗粒度的选题。那么此时就可以直接从5次的训练开始，一直训练到第18次训练结束。
也就是从精准文献重检索与策略优化开始，直接获得针对具体选题的精准检索式，以及一个由100~600篇相关研究型论文组成的文献库。这个文献库就是你后续写综述真正要分析和引用的素材库。
这其中的注意事项是要根据搜索结果调整检索式，具体参考训练的视频和文字说明。如果搜出来文献过多，比如超过1000篇且明显有不相关的文献，就要让AI分析误检文献的共性，在检索式中加入排除项，或者将关键词限定在标题中进行检索；如果搜出来文献过少，比如低于100篇，就要升维组合、用上位词替换。具体的迭代方法在这一次训练中给你提供的攻略视频和文字说明中有详细演示，务必对照执行。
先把整张地图看清楚。整个流程分四个阶段、十余个步骤，每一步都有明确的“输入 → 产出”。下面这四张卡，就是你接下来要走完的全部路程。
从一个宽泛的想法出发，借 AI 精准定位到一个既有创新性又可行的具体选题（如果你已经有具体选题，那么就用你的），并为它建好一个高相关的核心文献库。
把无序的文献库，变成一份逻辑严密、章节分明、且每个子章节都有足量文献支撑的写作蓝图，并让每篇文献都“各就各位”。
在 AI 辅助下完成初稿，再通过系统化流程做语言修改、事实核查、原创性重塑，把“AI 味”的草稿内化成真正属于你的表达。
完成配图、版权、参考文献格式化等全部收尾，交付一份可以直接投稿的成品。
下面顺着四个阶段走一遍。每个步骤都按同样的格式呈现：这一步做什么 → 你会拿到什么 → 展开看原始产出（节选）。
这一步做什么：你只提供一个中等颗粒度的关键词——本例是“皮肤肿瘤细胞表征”。用我们专门设计的 AI 提示词，把它自动拆成三个可检索的核心概念（皮肤 / 肿瘤 / 表征所对应的“无创检测技术”），并补全每个概念的同义词、英文变体与缩写，最后拼成一条专业的高级检索式。
一条可直接粘贴进 Scopus 的高级检索式（也会教你改造后用于其他比如WOS、PubMed、CNKI等数据）。它的任务，是把这个中等颗粒度领域下的综述论文尽可能“一网打尽”，作为后续 AI 分析、寻找细分选题的弹药。
AI 先给出两个方案——“综合全面型”与“核心技术聚焦型”。下面是方案一（综合全面型，推荐首选）：把“表征”落到当前皮肤肿瘤领域最主流的一批无创检测技术上，并刻意保留 lesion*（病变）以覆盖癌前阶段文献：
TITLE-ABS-KEY (
( skin OR cutaneous OR dermal ) AND
( tumor* OR tumour* OR cancer* OR carcinoma* OR melanoma*
OR neoplasm* OR malignan* OR lesion* ) AND
( "non-invasive" OR noninvasive OR "in vivo" OR dermoscop*
OR dermatoscop* OR "reflectance confocal microscopy" OR RCM
OR "optical coherence tomography" OR OCT OR "Raman spectroscop*"
OR "hyperspectral imaging" OR "photoacoustic imaging"
OR "high-frequency ultrasound" OR "terahertz imaging" )
)
AND NOT TITLE ( review OR "case report" OR "case series" )第二组 (tumor* OR …)：这里我们增加了一个非常重要的词 lesion*（病变），因为很多无创检测技术的目标是在疾病早期、甚至癌前病变阶段进行诊断，使用“病变”一词能更好地捕获这些文献。
重要调整：我们没有在这里排除 therap*（治疗）或 treat*（处理）——因为很多无创检测技术的研究目的就是为了“监测治疗反应”，例如用 OCT 观察肿瘤在治疗过程中的变化，排除这些词会错失大量重要的应用研究文献。 ……
这一步做什么：把检索式投进数据库，先看一眼 Review 类型论文的数量，再对照下面这套“红绿灯”规则行动。颗粒度合不合适，数字会替你说话。
一个明确的“下一步动作”——是直接进入选题分析，还是先调整检索范围。颗粒度被校准到刚刚好。
综述 ≥ 50 篇：领域积累已很充分，直接进入第 3 步建库。
综述 10–50 篇：最理想的区间——既能反映现状又不会信息过载。直接进入第 3 步，或额外补充少量高质量研究型论文一起分析。
综述约 10 篇：偏少但仍有基础。建议把检索到的研究型论文也一并纳入，给 AI 更丰富的输入。
综述只有几篇，或结果总数 < 100 篇：说明颗粒度其实已经偏细了。两种处理办法——① 退回上一层级，砍掉一个关键词、扩大检索范围；② 直接切换到“最细颗粒度”的分支流程（此时你的选题颗粒度已接近最细）。
结果总数过多（> 1000–2000 篇）：不用慌，AI 后续完全处理得了。若想精简输入，可在数据库层面加限制——只留近 5 年、只留 Q1/Q2 分区、或只留特定顶刊（视频里有演示）。
这一步做什么：在 Scopus（或其他文献搜索引擎） 里把目标综述批量导出为含摘要的 RIS 文件，导入 Zotero，按标准化流程整理成库。
一个在 Zotero 里整整齐齐、与你方向相关、每篇都带完整摘要的综述文献库——为下一步 AI 领域分析备好原料。
这一步做什么：从 Zotero 导出全部综述的元数据，喂给 AI 的领域分析提示词，让它读完这上百篇综述、勾画出领域的热点与空白，再给出几个具体到可以直接动笔的选题方向。
3–5 个候选选题，每个都附带“为什么这个角度还没被充分综述”、“大致的文献组织思路”、“预估的工作量与难度”。你再结合研究兴趣、与课题组已有工作的契合度、导师意见，敲定最终选题——这就是整篇综述真正的“干货内核”。
方向一：AI 赋能下的阻抗谱技术（首选推荐）
(1) 具体标题建议：《人工智能如何解锁电阻抗谱的诊断潜力：皮肤肿瘤领域的应用、算法与挑战》
(2) 为什么这个角度还没被充分综述：文献列表明确显示，将 EIS 与 AI 结合是近年来的绝对前沿。现有综述要么宽泛地谈论皮肤癌的无创技术，要么单独综述 AI 在皮肤镜图像中的应用。专门剖析“EIS 复杂电学数据”与“AI 高级算法”这一特定“强强联合”的综述仍然是一个空白。
(4) 预估的工作量和难度：工作量中等，核心文献相对集中，大约 30–50 篇；难度中等偏高，难点在于清晰阐述算法与数据的结合方式，并提出有见地的技术评述。 ……（另含 方向二：跨癌种应用的比较性综述；方向三：临床转化与实用性聚焦，此处略）
这一步做什么：围绕已定选题，用“矩阵式检索”提示词把主题拆成多个核心概念，做多层次组合检索，再通过“检索 → 分析 → 优化”的循环不断迭代，把噪音一轮轮挤出去。
100–600 篇与最终选题高度相关的研究型论文——这就是你后面要精读、提炼、引用的弹药库。
选题被拆成四个核心概念，各自建好“语义群”，再用 AND 组合：
A 阻抗谱（impedance spectroscopy / EIS / bioimpedance…）
B 皮肤癌（skin cancer / melanoma / BCC / SCC…）
C 临床（clinical / patient / diagnosis / screening…）
D 人工智能（AI / machine learning / deep learning / SVM…）
A AND B AND C AND D → 最精准的核心交叉（综述主体支柱）
A AND B AND C → 回溯 AI 出现前的传统临床证据（写引言/背景）
B AND C AND D → 对照皮肤镜图像 AI 的主流水平（写讨论）
A AND C AND D → 借鉴其他癌种“阻抗+AI”的成熟范式（写方法/展望）检索 → 分析 → 优化（真实一幕）：首轮结果混进了腐蚀、电池、麻醉的文献。AI 自查后给出原因——
为什么会检索出不相关的文献？（AI 自查节选）
· lesion*（损伤、病变）：在材料科学和腐蚀领域，lesion 常用来描述材料表面的腐蚀坑或损伤点……
· “BIS”：除了代表“生物阻抗谱（Bioimpedance Spectroscopy）”，它更常用于麻醉领域，代表“脑电双频指数（Bispectral Index）”。
· dermatolog*（皮肤病学）：涵盖了痤疮、湿疹、皮肤屏障等所有皮肤研究，与癌症无关，是噪音的主要来源，强烈建议删除。 ……
据此 AI 产出“平衡版 / 严格版”两套优化检索式，再跑一轮——这就是循环迭代的实况。
一句话——你为整篇综述打好了地基。后面所有的大纲、写作、配图，都长在这块地基上：
这一步做什么：先用工具箱的论文分割器把上百篇文献切成 AI 能一次“吃下”的小批量；让 AI 分批给每篇文献评相关度等级（A/B/C/D），筛掉真正不相关的；再让 AI 把保留下来的文献综合聚类，输出一份每个子章节后面都标注了“支撑文献数量”的大纲。
一份结构完整、逻辑清晰、而且经过文献数量验证的可执行写作大纲——哪一节有多少篇文献撑着，一目了然，不会出现“写到一半发现没料”的尴尬。
在分析了您提供的 119 篇相关性等级为 'A' 和 'B' 的文献后，我将它们归纳为四个核心技术章节，并进一步细分为八个二级子主题。
—— 拟定题目：电阻抗谱技术在皮肤癌诊断中的应用与临床转化进展
这一步做什么：让 AI 为每一篇文献判断它的主章节、次要章节和核心贡献；然后用工具箱的 BibTeX 标签同步器，把这些章节标签（如 #2.1）和论文的唯一编号（REXXX）一键批量写回 Zotero。
一个在 Zotero 中被完全结构化的文献库：每篇文献后面都跟着“它能用于哪些章节 + 它的唯一编号”。文献管理从此变得无比清爽——再也不用靠记忆和翻找。
这一步做什么：要写哪一章，就用工具箱的章节筛选器一键筛出该章全部文献 → AI 做第一轮深度分析 → 第二轮论点聚类、生成段落级写作大纲 → 用引用编号补全器为每个段落精准提取要用到的文献素材 → AI 第三轮辅助写作，落成段落初稿。
综述正文各章节的初稿——论点有聚类、每句话有对应文献、引用编号已就位。
…… The fundamental rationale for this multimodal fusion lies in the distinct biophysical dimensions each technology captures. While EIS provides a highly sensitive, quantitative assessment of cellular irregularity by measuring bulk electrical properties (such as extracellular resistance Re and membrane capacitance Cm), it inherently lacks spatial resolution and cannot generate morphological images [RE214]. Conversely, optical methods provide structural visualization but can be limited by penetration depth or subjective interpretation [RE006]. ……
句末 [RE214]、[RE006] 由引用编号补全器自动带出，到阶段四被脚本一键替换成期刊规范引用。
这一步做什么：两件事并行—— 一边对标期刊范文做语言润色，一边启动四级匹配度事实核查，把初稿里的每一句话拿回去和它引用的原文摘要或全文中的某处逐句比对，揪出 AI 编造或夸大的地方。这是学术写作“最后一公里”里最不能省的一步。
一份语言地道、且逐句可溯源的精修稿。哪句是文献明确支撑的、哪句要改、哪句是 AI 幻觉，清清楚楚。
核查严格且仅基于文献摘要，每句话给出四级判定：强匹配 / 部分匹配 / 不匹配 · 幻觉 / N/A。下面摘几行真实结果：
| 原文句子（节选） | 核查结果 | 说明 |
|---|---|---|
| “…Arduino-based EIS system working at 10 Hz–100 kHz with a current of 0.370 mA [RE161]” | 强匹配 | 摘要数据完全吻合（0.370 ± 0.003 mA、10 Hz–100 kHz）。 |
| “…the measurement… takes a short time within 10 seconds [RE215, RE250]” | 不匹配 · 幻觉 | 两篇摘要均未提及“10 秒”这一数据，疑似 AI 杜撰（或藏在全文里需回查）。 |
| “…rigid electrode with approximately 5 × 5 mm active area… [RE250]” | 不匹配 · 幻觉 | 摘要只报告了灵敏度/特异性，完全没有电极尺寸信息。 |
| “Nevisense was classified as Class III… requiring PMA [RE005, RE081]” | 不匹配 · 幻觉 | 两篇摘要均未出现 Nevisense / Class III / PMA 等具体表述。 |
| “As early as 2007, developers recognized regulatory approval was as critical… [RE315]” | 强匹配 | 2007 年原文明确支持此论断。 |
这一步做什么：用与正文相同的“范文解构 → AI 搭大纲 → 匹配文献 → 辅助写作 → 事实核查”流程，但换上针对引言、结论/展望、摘要的特化提示词，把论文的开篇、收尾和门面一并拿下。
完整的引言、结论与展望、摘要精修稿——和正文同一套质量标准，逐句可溯源。
这一步做什么：掌握“用自己的话给师弟重讲一遍”的核心心法，通过“英文直改”或“中英转换”，并结合我10多年顶刊审稿经验给你制作的专属Checklist（参加训练者可获得这份文件的永久订阅权限，文件会不断更新），把 AI 固有的句式和逻辑流彻底打碎重构，补上你自己的理解和细节。这不只是为了过检测，更是把别人的话真正内化成自己的话。
一篇语言上带有个人风格、AIGC 率显著降低（从动辄 70%+ 降到 10% 乃至更低）、低查重率的稿子。
这一步做什么：先让 AI 拆解顶刊范文的配图策略，再结合你的全文，生成一份定制化配图计划；然后按计划去找图或自己绘制，并走完引用图片的版权申请流程（含 Elsevier 等出版社的实操）。
一套有说服力、符合规范的论文配图，以及对应的版权授权——不会在投稿前卡在图片版权上。
这一步做什么：全文定稿后，把含 REXXX 占位符的 Word 文档、BibTeX 文件和 CSL 样式喂给训练营提供的自动化脚本（RE2CiteKey），一键把所有占位符替换成规范引用、并自动生成文末参考文献列表。（也可以用 Zotero 的 Word 插件“边写边引”。）
一份配图齐全、引用格式完全正确、可直接提交的综述论文终稿。
…… With the growing incidence of skin cancer that becomes a global public health concern [1,2], more precise and objective tools are urgently needed to address the inherent limitations of current diagnostic methods [3]. At present, the clinical diagnosis of skin diseases usually first uses visual observation assisted by dermoscopy, and invasive biopsy follows to offer further confirmation [4–6]. ……
文末自动生成规范参考文献列表：
References
1. Saeed, W.; Shahbaz, E.; Maqsood, Q.; Ali, S.W.; Mahnoor, M. Cutaneous Oncology:
Strategies for Melanoma Prevention, Diagnosis, and Therapy. Cancer Control 2024, 31, doi:10.1177/10732748241274978.
2. Long, G.V.; Swetter, S.M.; Menzies, A.M.; Gershenwald, J.E.; Scolyer, R.A. Cutaneous Melanoma.
The Lancet 2023, 402, 485–502, doi:10.1016/S0140-6736(23)00821-8.
3. Chatzilakou, E.; Hu, Y.; Jiang, N.; Yetisen, A.K. Biosensors for Melanoma Skin Cancer Diagnostics.
Biosensors and Bioelectronics 2024, 250, doi:10.1016/j.bios.2024.116045.
4. Jutzi, T.; Krieghoff-Henning, E.I.; Brinker, T.J. The Rise of Artificial Intelligence -
High Prediction Accuracy in Early Detection of Pigmented Melanoma.
Laryngo- Rhino- Otologie 2023, 102, 496–503, doi:10.1055/a-1949-3639.
…（其余条目按引用顺序自动补全）上面流程里那些“一键完成”的丝滑环节，背后都是它。我们把课程里多个独立小程序整合成了一个桌面应用——《论文处理工具箱》，四大功能各自对应工作流中最容易卡壳的自动化节点。
把上百篇文献批量切成 AI 能一次“吃下”的小文件，让大规模相关度分级、领域分析成为可能。
用于 · 阶段二「相关度分级 + 大纲」把 AI 判好的章节分类一键写回 Zotero，每篇文献自动带上 #章节号 与 REXXX 唯一编号。手动打标签从此退休。
写某一章时，一键筛出该章所有相关文献，不必在几百篇里翻找——想写哪节，料就在哪节。
用于 · 阶段三「分章节写作」按段落大纲，精准提取该段要用到的具体文献信息，让 AI 写作时“言之有据、引之有号”。
用于 · 阶段三「分章节写作」REXXX 占位符的 Word、BibTeX 与 CSL 样式，一键替换全部引用并生成参考文献列表。下面是全部训练的入口。建议先看完四阶段全景，再依次点开、按说明完成对应作业。每一步点完大概会拿到什么，前面案例里都演示过了——做的时候随时往回对照。
微信公众号