AI赋能文献调研：从语义向量到聚类分析的全流程实战

AI赋能文献检索聚类分析，这句话放到去年我会觉得是个“科研项目管理术语”，但这半年帮课题组做完两轮长篇综述之后，我可以负责任地说：它已经在实实在在改变文献调研的工作方式。过去接到一个陌生研究方向，我会去数据库里筛关键词，导出两三百条记录，再用Excel手工分类；运气好一天能分完，运气不好反复调整分类标准，越分越乱。现在我的流程很固定：把文献的标题和摘要批量转成语义向量，交给聚类算法自动切出若干主题簇，再用大模型给每个簇命名，最后回到原文抽检。整个过程通常一个晚上就能完成，而且覆盖宽度和分类粒度比手工整理稳定得多。

这篇内容不是讲空泛的“AI+科研”概念，而是把整套链路拆开：从数据获取、文本清洗、向量化、降维聚类，到结果解读和论文落地，每一步都给出我实际使用的方案、代码片段和参数。适合正在做综述、开题、文献调研的研究生，也适合想给组里搭建一套文献分类流程的科研工作者。

1. 传统文献整理方式的痛点：为什么我换成AI聚类

先聊一个最真实的场景。我之前需要调研“机器学习在电池材料领域的应用”，关键词一换就出一批新文献：同一篇工作可以是“预测电池寿命”，也可以被库里的关键词标记为“数据驱动”“状态估计”“健康管理”。要保证不漏检，我得把变体词全部拼一遍，得到的结果是800多篇文献，然后按研究方向人工分类。这个过程最大的问题不是累，而是标准不稳定。

1.1 关键词检索的语义断裂

关键词检索本质是词面匹配，它处理不了三个常见问题。

一是同义改写。同一种方法，有人写“natural language processing”，有人写“text mining”，还有人用“NLP”缩写。你在检索式里漏掉任何一个变体，就会漏掉一批重要文献。二是跨语言差异。中文文献和英文文献用的是两套词表，但研究的可能完全是同一个子方向。三是语境歧义。“Transformer”在电力领域指变压器，在深度学习领域指模型架构，在语义检索里它是词向量模型，关键词系统根本做不到语境理解，只能一起返回，然后靠人工二次过滤。

这些问题的本质是文献检索停留在“字符匹配”层面，没有进入“语义理解”层面。而AI嵌入向量本身就携带语境信息，它能把不同词面、相似意思的内容映射到空间里的邻近位置，这是传统检索方式很难做到的。

1.2 手工分类的三重困境

传统聚类分析在情报学里并不新鲜，共词分析、引文耦合、文献计量都是老办法。但落到实际工作中，它们的使用门槛和粒度问题一直存在。手工分类就更费力了，我总结下来有三个无法回避的困境。

第一，分类标准随进度漂移。第一天我把“数据驱动建模”设为一个类，第三天发现文献量太大，又想把“深度学习生命周期预测”单独拆出来，结果前两天的分类又得重来。这种主观标准的不稳定会导致综述的统计口径前后矛盾。第二，文献体量与时间不成比例。几百篇文献手工分类，每篇都要读标题、摘要、必要时翻正文，一天最多处理一百篇，而且注意力下降后误判率激增。第三，新主题难以发现。手工整理只能按预设框架去套，那些跨多个主题的“桥梁型文献”和新兴交叉方向，很容易被忽略或硬塞进旧分类里。

2. 整体思路与技术选型：从Embedding到聚类的完整链路

我现在的做法可以概括成五步：数据采集、文本清洗、向量化、降维聚类、语义解读。每一环节都会直接影响最终分类质量，下面把链路完整拆开。

2.1 从“词面匹配”到“语义空间”

先把基础概念讲清楚。传统TF-IDF或BM25把一篇文章表示成一个高维稀疏向量，向量的每一维是一个词，文章之间的相似度取决于共同出现多少词。这种表示方式计算简单、可解释性强，但语义泛化能力很差。后来的LDA主题模型能生成主题分布，却需要预设主题数，而且面对短文本（比如只有标题和摘要的文献记录）效果往往不稳定。

现在更常用的方案是Transformer编码器，它把一段文本编码成一个稠密向量，这个向量被称为文本嵌入。两篇文献如果语义相似，它们在向量空间中的距离就更近。比如“使用循环神经网络预测锂电池剩余使用寿命”和“基于RNN的电池健康状态估计”，词面重合度很高，比较容易命中；而“数据驱动方法评估电动汽车电池老化”和上两句的表达差异很大，词面重合度低，但语义指向相同，在向量空间里依然会靠在一起。这一步就把“文献检索”从关键词匹配升级成了语义匹配，而聚类分析可以直接在这个语义空间中完成。

2.2 五步链路与关键问题

用超市货架来类比这条链路会更好理解。传统方法是先定好货架编号（预设分类），然后一本一本找书放进去。我的做法是让所有书先站到空地上，观察它们和哪些书长得像、内容相近，再让系统自动给出分组的建议。药品类会聚在一起，烹饪书籍会聚在一起，甚至能自动发现“健康饮食”和“疾病预防”之间存在一个交叉区域。

这里有一个容易混淆的点：AI聚类不帮你直接判断“这篇文献属于哪个主题”，它只负责告诉你“哪些文献彼此更接近”。主题到底是什么，最后还要靠人或者大模型去命名。所以整条链路的设计原则是：让聚类算法做分组，让人和大模型做解释。

下面这张表是我在做技术选型时经常对照的底稿：

3. 文献数据获取与清洗：聚类的成败藏在第一步

数据获取这一步看似枯燥，却是影响聚类结果最多的一步。向量模型再强，喂进去一堆脏数据也白搭。我的建议是尽量使用结构化API和标准文献导出格式，而不是从PDF里抽文本。PDF解析会带来大量格式噪声，比如页眉页脚、双栏顺序、公式乱码，这些噪声在后续分词和向量化阶段都会被放大。

3.1 免费可靠的文献元数据源

我目前用得最多的是Semantic Scholar，原因是它的API免费，返回字段包含标题、摘要、年份、外部ID、引用数，而且对学术搜索的语义字段做了不少优化。OpenAlex的覆盖范围更广，适合大规模计量分析。如果你常用arXiv，也可以直接走它的API拉预印本元数据。Crossref则适合按DOI批量核对文档信息。实际使用中，我会先通过关键词从Semantic Scholar拉一批，再用DOI去Crossref补齐缺失字段。

给一段调Semantic Scholar API的示例代码，注意加上限速处理：

python复制import requests
import time

def search_semanticscholar(query, limit=100):
    url = "https://api.semanticscholar.org/graph/v1/paper/search"
    params = {
        "query": query,
        "limit": limit,
        "fields": "title,abstract,year,externalIds,citationCount"
    }
    papers = []
    for offset in range(0, limit, 100):
        params["offset"] = offset
        r = requests.get(url, params=params, timeout=20)
        if r.status_code == 429:
            time.sleep(5)
            continue
        r.raise_for_status()
        papers.extend(r.json().get("data", []))
        time.sleep(1)  # 免费接口限流，必须慢一点
    return papers

提示：免费接口没有API key也能用，但并发调高后很容易触发429限流。稳妥的做法是每两次请求之间至少间隔1秒，大批量抓取建议注册key，并把每批请求间隔降到0.5秒左右。这部分经验是在跑大范围调研的时踩出来的。

3.2 本地文献库导出文件的解析

很多研究生手头已经有一批文献，存在EndNote、Zotero或NoteExpress里。与其重新检索，不如把库里的文献导出成RIS或BibTeX，再脚本化解析。RIS格式是行结构的，标签很规整，解析起来不容易出错。这里给一个基于Python的解析示例：

python复制import re

def parse_ris(content):
    records = []
    current = {}
    for line in content.splitlines():
        if not line.strip():
            continue
        tag, _, value = line.partition("  - ")
        if tag == "TI":
            current["title"] = value.strip()
        elif tag == "AB":
            current["abstract"] = value.strip()
        elif tag == "KW":
            current.setdefault("keywords", []).append(value.strip())
        elif tag == "PY":
            current["year"] = value.strip()
        elif tag == "ER":
            records.append(current)
            current = {}
    return records

实际使用时要先观察自己导出文件里的分隔符到底是什么，不同软件导出的RIS在“ - ”的间距上可能略有差别。如果解析结果为空，优先检查这里，而不是怀疑脚本逻辑。

3.3 字段优先级与缺失处理

在做聚类时，向量模型需要的不是PDF全文，而是能概括文章核心的文本。我通常按这个优先级组成一条“语义文本”：标题 + 摘要 + 作者关键词。如果摘要缺失，就退化成“标题 + 关键词”；如果标题都没了，这条记录基本可以丢弃，因为语义信息太弱，放进聚类只会成为噪声点。

清洗时要处理的细节比想象中多。比如摘要里常见的数字编号前缀“1. Introduction”“2. Methods”，HTML转义符&，PDF复制产生的多余空格和换行，这些都要统一清理。我习惯用一个简单的清洗函数：

python复制import re
import html

def clean_text(text):
    if not text:
        return ""
    text = html.unescape(text)
    text = re.sub(r"\b\d+\.\s*", "", text)  # 去数字编号
    text = re.sub(r"\s+", " ", text)        # 合并多余空白
    return text.strip()

很多人在这个阶段偷懒，觉得“反正向量模型能理解语义，脏一点没关系”。但我的实测结论是：清洗做得好的3000条数据，聚类效果普遍优于未清洗的5000条数据。因为乱码和无意义字符会让向量被无关特征干扰，还会让后续的关键词提取产生垃圾词。数据质量永远优先于数据数量。

4. 文本向量化：中文、英文模型怎么选，坑在哪里

数据准备好后，下一步就是把文本变成向量。模型选型这一点上，我倾向于给出一个很直接的结论：中文文献优先用本地BGE系列，英文文献看规模选本地或API。先说为什么这样选。

4.1 模型选型的原则

中文文本的向量模型这些年进步非常快。北京智源人工智能研究院开源的BGE系列在中文语义匹配和检索任务上表现稳定，bge-large-zh-v1.5的向量维度是1024，对标题加摘要这种文本长度完全够用。如果你想在中文和多语言之间兼顾，可以试bge-m3，它支持100多种语言，而且做了稀疏向量和稠密向量的混合，信息保留更充分。

英文场景里，如果追求开箱即用，SentenceTransformers里的all-mpnet-base-v2表现不错。如果追求SOTA，可以上OpenAI的text-embedding-3-small或3-large，代价是每条文本需要调用API，费用按token算。做研究时我建议优先本地模型，理由有三：没有网络依赖，不会因为批量调用过慢或超时中断；摘要和全文数据不出本地机器，规避了敏感数据的上传问题；没有调用费用，跑大规模文献集不心疼。

4.2 本地BGE模型实测

给一段我在项目里直接用的向量化代码：

python复制from sentence_transformers import SentenceTransformer

model = SentenceTransformer("BAAI/bge-large-zh-v1.5")
texts = df["semantic_text"].tolist()
vecs = model.encode(
    texts,
    batch_size=32,
    normalize_embeddings=True,
    show_progress_bar=True
)
print(vecs.shape)

注意normalize_embeddings=True，这个参数会把向量归一化成单位向量，后续计算余弦相似度时数值更稳定，聚类前也省掉一次额外的标准化。另外要留意BGE系列的文档中有个“查询指令”的说明：对检索任务，模型官方建议给查询文本增加一个短指令，以提升匹配效果。但我们在做无监督聚类时，是对整篇文献的标题和摘要做向量化，不是做“查询-文档匹配”，所以不需要加指令。这是我最初踩过的一个坑，加了指令之后，同类文献的向量反而被带偏，聚类结果变得很碎。

4.3 长度截断与批量处理的细节

Transformer编码器都有最大输入长度限制，BGE系列通常是512个token。标题加摘要一般不会超，但也有例外：有些综述文献的摘要很长，或者作者的“结构化摘要”包含背景、方法、结果、结论四个大段。对于超长文本，我建议先看上下文长度分布，再做截断。截断策略上，保留开头和结尾比只留开头效果好，因为很多摘要的核心结论写在结尾，不过简单实现时直接截前面也算可用方案：

python复制from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("BAAI/bge-large-zh-v1.5")
max_len = 512

def truncate_text(text):
    tokens = tokenizer.tokenize(text)
    if len(tokens) <= max_len:
        return text
    return tokenizer.convert_tokens_to_string(tokens[:max_len])

得到向量后，建议直接保存为.npy或.npz文件，缓存到本地。原因很现实：重新跑一遍5000篇文献的向量化要几十分钟，而缓存能让你在调节参数时跳过这一步。我的习惯是清洗完文本先存一份CSV，向量化完存一份npy，后面对接任何可视化或聚类脚本都能快速读取。

5. 降维与聚类：K-Means、DBSCAN、HDBSCAN的实战选择

向量长度一般从768到1536不等，直接在这个高维空间上做聚类，会遇到“维度灾难”。距离度量在高维空间会变得不那么敏感，噪声项吃掉信号项，聚类结果出现大量碎片。所以我的流程是先降维，再聚类。

5.1 为什么要先降维到50维

很多教程直接让读者用UAMP降到2维之后聚类，这是个典型的错误。降到2维是为了给人类肉眼看，不是给算法聚类用的。2维空间丢失了太多结构信息，聚类出来的簇往往是视觉上的“一团”，而不是真正的语义簇。我的做法是把原始向量先用UMAP降到50维，在这个维度上保留足够的全局结构，再做聚类算法。最后需要可视化时，再对已经产生的簇中心或者原始向量单独降一次维到2维。

为什么是50维而不是10维或100维？这个数字来自UMAP官方和HDBSCAN文档中的常见建议，也符合我自己的实验观察。10维虽然跑得快，但容易丢失细节；50维给出的簇更稳定。如果你用的是BGE系列的1024维向量，从1024直接降到50维，可以在几分钟内完成；样本量特别大时，先降到100维再降到50维也可以，效果差别不大。

UMAP的示例代码：

python复制import umap

reducer = umap.UMAP(
    n_components=50,
    n_neighbors=15,
    min_dist=0.1,
    random_state=42
)
vecs_50d = reducer.fit_transform(vecs)

random_state一定要固定，否则每次运行UMAP结果都会不同，后面的聚类标签和可视化都会跟着变。n_neighbors控制局部邻近信息的范围，文献聚类场景我常用10到15之间；min_dist越小，点越容易聚成密集团，但太小时和噪声很难区分。在实际跑批时，我会先在小规模子集上试几组参数，确认簇数合理之后再跑全量。

5.2 三种聚类算法的选用逻辑

降维之后是聚类。我最常用的三个候选分别是K-Means、DBSCAN和HDBSCAN，它们的适用场景差异很大。

K-Means的优点是快、可解释性强，缺点是必须提前给定簇数K，而且它假设簇是近球形且规模相近。文献主题分布往往不均匀，有些大方向几百篇，有些新兴方向只有几篇，这时候K-Means的表现就不太好。如果你明确知道自己领域就是五六个大方向，K-Means完全可以胜任，用肘部法或轮廓系数选择K。

DBSCAN不需要指定簇数，基于密度聚簇，能找到任意形状的簇，还能把离群点标为噪声。但它对eps参数非常敏感，eps稍微调大就会把多个簇合并，调小又会产生大量碎片。文献数据经过UMAP降维后，每个簇的密度并不一致，DBSCAN很难通过单个参数同时兼顾稀疏和密集的簇。

HDBSCAN可以理解为DBSCAN的层次化改进，它对密度的变化更鲁棒，支持变密度的簇，也能自动把噪声点单独标出。文献聚类场景里，我的首选就是HDBSCAN。它可以自动决定簇的数量，并且会返回一个“噪声类”（标签为-1），这些点往往就是综述型文章、跨领域文章或是元数据质量太差的文献。带着这些点回到原文去看，会发现它们确实很难归属到单一主题。

5.3 参数配置与调参心得

以3000篇文献为例，我常用的HDBSCAN参数如下：

python复制import hdbscan

clusterer = hdbscan.HDBSCAN(
    min_cluster_size=15,
    min_samples=5,
    metric="euclidean",
    cluster_selection_method="eom"
)
labels = clusterer.fit_predict(vecs_50d)

min_cluster_size控制最小簇规模，定在10到20之间比较常见。如果设置太小，比如5，聚类结果会碎片化，产生几十个主题相近的小簇，综述没法用；设置太大又容易把两个独立主题硬揉在一起。min_samples更多影响聚类边界的松散程度，值越小越容易把边界点归入簇内，值越大边界点越容易变成噪声。我一般从5开始调。cluster_selection_method="eom"是HDBSCAN默认的“多余度最小的簇”选择策略，适合大多数文本数据。

调参的关键不是追求“所有文献都被分进簇里”，而是接受一定比例的噪声。这个噪声比例通常在10%到30%之间，取决于文献集本身的多样性。如果噪声比例超过了一半，说明特征提取或者清洗环节可能出了问题，先回去查数据，别急着调参数。

6. 让模型解释聚类结果：簇标签生成与领域图谱

聚类做完，你手里有了“每篇文献属于哪个簇”的标签，但簇本身还没有名字。这一步我交给大模型配合人工抽检共同完成，方法比想象中简单，但细节决定成败。

6.1 提取代表文献与簇内高频词

给大模型做输入前，我先为每个簇准备两类信息：代表文献和簇内关键词。代表文献可以通过距离簇质心最近来选，也可以用HDBSCAN给每个样本标记的“概率”或“异常度”来筛选。我一般选距离质心最近的5篇文献标题，交给模型概括主题；同时用TF-IDF统计每个簇合并文本后的top 15关键词，作为辅助参考。

关键词提取这一步，英文场景用CountVectorizer或sklearn.feature_extraction.text.TfidfVectorizer都行，注意加入自定义停用词。中文场景建议先做粗切词，因为默认的分词结果太碎，大量单字词会干扰关键词质量。我是用jieba配合停用词表处理的：

python复制import jieba

jieba.setLogLevel(60)
stopwords = {"我们", "研究", "方法", "问题", "分析", "基于", "一种"}

def extract_keywords(texts, topk=15):
    corpus = [" ".join([w for w in jieba.cut(t) if w not in stopwords and len(w.strip()) > 1])
              for t in texts]
    vec = TfidfVectorizer(max_features=200)
    tfidf = vec.fit_transform(corpus)
    word_scores = tfidf.sum(axis=0).A1
    ids = word_scores.argsort()[::-1][:topk]
    return [vec.get_feature_names_out()[i] for i in ids]

实际跑的时候你会发现，不同簇的清晰度差别很大。有些簇的高频词非常集中，一眼就看出是“电池寿命预测”；有些簇的关键词东一个西一个，很可能是聚类算法把不该合并的文献合了，或者这类文献本身是跨领域的。遇到后一种情况，可以把簇拆开重跑，也可以接受它为“混合簇”，在综述里单独处理。

6.2 用LLM生成主题标签与综述骨架

给大模型的提示词，我建议写清楚三件事：角色、素材、要求。一个我常用的模板是这样的：

text复制你是情报学专家。下面是一组成对出现的文献标题和关键词，来自同一个主题簇。请为这个簇给出：
1. 1-10字的中文主题名
2. 一段150字以内、说明该主题研究脉络的话
3. 建议是否拆分为2个子主题
文献标题：{titles}
关键词：{keywords}

给模型的素材越具体，幻觉越少。我会把标题和关键词原样放进去，先不给人为翻译，让模型自己理解。生成结果出来后，要求模型给出“该簇代表性文献列表”，方便人工抽检。这一步很关键：如果模型给出的主题名和代表文献对不上，说明这簇数据有问题，不要强行采用。

还有一个经验：大模型的命名能力很强，但命名时容易出现“过度抽象”。比如给簇起名叫“智能算法优化与应用”，这种标签等于没起。我在提示词里加了一条限制：“主题名必须能具体反映该簇的代表性方法或研究对象，避免泛泛而谈。如果无法从素材中提炼，请回复‘需要人工复核’。”加了这条后，标签质量明显提升。

6.3 簇间关系与领域地图

有了簇标签，我会对每个簇的质心向量再做一次层次聚类或者UMAP降维可视化，把簇与簇之间的距离关系直观呈现出来。这一步能帮你看到哪些研究方向彼此靠近，哪些是孤立方向。那种位于两个大簇中间的文献，往往是交叉研究，做综述时单独设一个“交叉前沿”小节，会显得你整理得很精细。

我自己实际跑出来的一次结果是这样的：一个关于“机器学习在锂电池领域应用”的300篇文献集，被HDBSCAN自动分成6个主簇，包括“容量衰减预测”“电解液配方优化”“充电策略与寿命”“老化机理分析”“材料筛选与发现”和“电池管理系统状态估计”。还有大概15%的文献被标记为噪声，抽查后发现多数是综述性论文或者只带短摘要的研究短文。这个结果直接构成我那一章综述的小节框架。

7. 完整案例：从一批文献到清晰的研究版图

前面讲的是单个环节，把这套流程串起来跑一遍，总共需要多少时间？我用一个可复现的Mini项目来说明。

假设目标是调研“数据驱动方法在电池健康管理中的最新进展”。我先生成检索词集合，用Semantic Scholar API抓了300条文献元数据。清洗后构造“标题+摘要”文本，用BGE中文模型向量化，跑出来的向量大概是300×1024的矩阵。这一步在普通办公电脑上用CPU跑，耗时大概两分钟，GPU会更快。

随后用UMAP降到50维，HDBSCAN聚类。根据领域经验，我把min_cluster_size设为12，min_samples设为5，得到5个主簇和15%的噪声点。5个主簇分别是大致对应的研究主题。为了可视化，我再用一次UMAP降维到2维，用matplotlib画散点图，颜色按簇标签区分。这个图看起来就是文献主题地图，不同颜色在平面上自然分成几块。

下面是整个流程的核心骨架代码：

python复制corpus = (df["title"] + " " + df["abstract"]).tolist()
vecs = model.encode(corpus, normalize_embeddings=True)

reducer_50 = umap.UMAP(n_components=50, random_state=42)
vecs_50d = reducer_50.fit_transform(vecs)

clusterer = hdbscan.HDBSCAN(min_cluster_size=12, min_samples=5)
labels = clusterer.fit_predict(vecs_50d)

# 可视化
reducer_2d = umap.UMAP(n_components=2, random_state=42)
coords = reducer_2d.fit_transform(vecs)
df["x"], df["y"], df["cluster"] = coords[:, 0], coords[:, 1], labels

跑完之后，我会把每个簇的代表文献打印出来，逐簇核对。核对时不需要全看，每簇随机抽5篇，看标题和摘要描述是否和模型生成的标签一致。我通常要求准确率在85%以上才把这套结果用于正式综述。如果某簇准确率不达标，优先调整min_cluster_size，而不是min_samples。因为min_cluster_size控制的是“聚拢多少人算一个主流方向”，这个更接近你的领域直觉。

整个流程从抓取到核对结束，大约需要40分钟，其中人工核对的15分钟必不可少。对比原先手工整理两到三天的耗时，这个效率提升非常明显。

8. 我踩过的坑和值得保留的习惯

最后把这些年使用这套方法积累的经验集中说一下，很多是在实际操作中碰过的雷区。

8.1 高频踩坑点

第一个坑是直接用2维UMAP结果做聚类，导致簇边界看着清楚，实际主题混乱。解决方法是先降到50维，再聚类，最后为了可视化另跑一次2维降维。

第二个坑是给BGE模型的无监督聚类任务误加了检索用的查询指令。我在这上面吃了不少亏，后来在代码里明确区分“用于检索”和“用于聚类”两种编码方式，聚类时不加指令，语义稳定性反而更好。

第三个坑是不固定随机种子。UMAP和HDBSCAN都有随机因素，不固定状态，同一批数据每次跑出来的簇都不一样。在八股里固定random_state，写研究报告时也方便复现。

第四个坑是忽视摘要缺失带来的噪声。很多文献只有标题没有摘要，如果整个数据集里这类记录占比较高，聚类时会产生大量“标题噪声”。我的做法是把这些记录单列，不在主聚类中强行处理。

第五个坑是数据量太小。少于50篇文献时，聚类结果往往不稳定，U型曲线偶然性很强；这时候手工分类反而更靠谱。AI聚类更适合百篇以上的规模，规模越大越能体现优势。

8.2 值得保留的好习惯

我给自己定了三条纪律。第一，每次聚类结果必须附带“簇-代表文献-主题名”三列表格，任何讨论都基于这个表格，避免口头讨论“感觉分得对不对”。第二，每次跑完至少人工抽检10%的文献，把抽检结果记录下来。如果某簇抽检全对，说明这个簇的边界清晰，可以在综述里直接使用；如果连续抽检都出错，就回到清洗和参数调整环节重新来一轮。第三，在项目的早期，先把聚类跑完再读原文，而不是边读边分类。这个顺序顺应了“先粗后细”的调研节奏，让我不至于在前十篇文章里就固化了整个综述的框架。

还有一个小技巧是：把第一轮聚类得到的簇，作为第二次聚类的“输入目录”，对每个簇内部再做一次子聚类。这样能构建出一个两级主题树：第一级是领域大方向，第二级是具体研究热点。做博士论文综述的时候，这种层级结构能直接演变成章节大纲，省掉了重新梳理结构的大量时间。

最后我想强调一点：AI聚类不是来替代判断的，它改变的是前期整理和分类的效率。它帮你快速搭建一个宽谱的领域框架，但什么该写进综述、哪些方向值得展开、哪些成果存在明显局限，这些判断仍然需要靠你回到原文去完成。省下来的时间，恰恰应该投入在真正有价值的精读和批判性思考上。我把这套流程已经用在了十几轮课题调研里，到目前为止，它还没有让我失望过。