贵萌兄朋友拿来一段 AI 写的论文引言让我帮忙看：“你说这段写得行不行？”我看了一眼，结构很漂亮，有研究背景，有现状梳理，有三条研究缺口，最后一句“然而现有研究尚未解决……”干净利落地引出研究问题。亮点在于，每个论断后面都挂着引文，格式标准得像 SCI 论文。我随手把第一条引用的 DOI 输入查询页，页面弹出一行提示：文章不存在。再查第二条，作者对上了，但标题少了一个副标题。第三条是真的，但发表年份差了两年。
这类场景在论文辅导的交流里反复出现：AI 写引言已经不是什么新鲜事，很多人真正担心的不是“AI 写不出”，而是“AI 给的引用能不能信”。事实上，AI 写引言真正的难点从来不在文字表面，而在它有没有能力在你可控的范围内引用真实文献。如果只是让大模型凭记忆写，它确实能模仿出学术话语的样子，但“模仿”不等于“真实”。这就是为什么我建议把“引用来源”这件事从模型的记忆里拿掉，换成你本地可验证的事实。下面要讲的四步流程，核心就是把这件事拆开做。
1. 先想清楚：AI写引言的瓶颈从来不是句子，而是引用
1.1 假文献到底是什么，为什么大模型会“编”引用
很多人把“假文献”理解成“完全不存在的一篇文章”，但实际遇到的假文献比这复杂得多。常见情况有三类：
- 完全虚构。作者、年份、标题、期刊名都拼凑得有模有样，但现实中根本没有这篇文章。
- 真实作者，虚构标题。作者是真实存在的研究者，但这篇论文并不存在，属于把作者名字和某个话题强行拼在一起。
- 真实文献，错误信息。文章本身存在，但标题少词、年份写错、卷期页码对不上，或者把 A 文献的观点安到 B 文献头上。
大模型为什么会“编”引用？因为大语言模型的训练目标本来就不是“查数据库”，而是根据上下文概率预测下一段文本。当它的上下文里没有具体的文献数据时，它倾向于生成一批“看起来合理”的元数据来填补位置。这不是某个模型不够聪明，而是结构性局限：没有真实数据源作为锚点，模型无法区分“记得一篇文献”和“合理猜测一篇文献”。明白了这一点，你就会知道，光在提示词里写一句“不要编造文献”是远远不够的。
1.2 为什么“让AI少编”的常规做法不够
“让它少编”是典型的软约束。模型可能在这一次遵守了，下一次又忍不住补了一条。更好用的做法，不是反复叮嘱它“别编”，而是改变它的信息来源。
试想一个场景：你让 AI 写一段“大语言模型辅助写作对论文质量影响”的引言，它要引用相关研究。如果它的信息来源只是自己的训练记忆，那它写作时就会调用大量无法验证的“既有知识”。如果它的信息来源是你本地已经下载好的文献库，它只能从真实存在的题录里检索、选取、引用，假文献的生存空间就会被压缩一大截。
所以，四步流程的主线其实是：把引用来源从“模型记忆”换成“本地事实”。
1.3 四步流程的主线：把引用来源从“模型记忆”换成“本地事实”
这里说的四步，并不是什么高深理论，而是围绕“如何让 AI 在真实文献基础上写引言”展开的工程链路：
- 本地 Markdown 写作包：把研究问题、术语表、大纲、写作约束组织成 AI 可读的文件。
- Zotero MCP：让 AI 通过标准协议直接检索你的 Zotero 文献库，而不是靠记忆“背诵”文献。
- 引用核验：AI 生成后，逐条比对元数据和观点归属，只有真实可查的才留下。
- 学科引言指令：用五套学科结构约束 AI 的段落组织方式，避免写成万金油式开头。
这套流程真正改变的不是“写”，而是引用可信度的来源。AI 负责把材料组织成句子，但“事实”部分的决定权必须留给你自己。可以把它理解为：AI 是替你跑腿的助手，而你是复核事实的负责人。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 第一步：用本地 Markdown 打造“可被AI读取的写作包”
2.1 为什么是 Markdown，而不是 Word 或 PDF
在论文写作里，“给 AI 喂什么材料”和“最终输出什么格式”是两回事。最终提交的可能是 Word、PDF，但给 AI 阅读和处理的中间材料，我推荐用本地 Markdown。
原因有几个：
- 纯文本，读取无干扰。AI 处理纯文本比处理带复杂样式的 Word 或 PDF 更稳定，不会出现分页符、批注、目录交错造成的理解偏差。
- 支持数学公式。学术写作里经常用到数学符号，Markdown 可以用
$...$和$$...$$写 LaTeX 公式。这在计算机、数学、工程类论文里特别重要。 - 可拆分，可版本管理。一个项目对应一个目录，你决定让 AI 看哪几个文件，就给哪几个文件。配合 Git 还能追踪每一版修改。
- 工具生态成熟。VS Code、Typora、Obsidian 等本地工具都能打开，导出 PDF 或复制到大纲工具也很方便。
在工程体验里，纯文本格式对大多数 AI 的上下文读取都更友好。尤其是引言写作这种需要精确理解上下文的任务，减少格式噪声，就是减少跑偏概率。
2.2 一份“写作包”应该长什么样
“写作包”是我给这套材料结构起的名字，你可以叫它“写作目录”“项目包”都行。关键在于，它把 AI 需要知道的一切都组织成了稳定、可复用的文件。
推荐的最小结构长这样：
text复制01_project/
00_readme.md # 项目说明、给 AI 的整体任务
research_question.md # 研究问题、目标、假设
terminology.md # 术语表、缩写、统一译法
outline.md # 引言大纲/章节结构
constraints.md # 禁止虚构引用、引用格式、字数限制
02_literature/
notes/ # 你自己的文献笔记
03_drafts/
intro_v1.md # 生成的引言草稿
每个文件的意义是什么？
00_readme.md告诉 AI “你是谁、要做什么、材料在哪”。它像一个总入口。research_question.md是核心，没有清晰的研究问题，AI 只能靠猜。terminology.md用于统一术语，避免一段话里“人工智能”“AI”“大模型”混用。outline.md控制段落结构，防止 AI 写得无边无际。constraints.md是安全网，把“不能编文献”“引用须来自检索结果”写进去。
2.3 组织目录和文件的实操建议
实际组织时，有几个细节值得注意：
- 一个项目一个文件夹。不要把所有论文材料堆在一个目录里，时间一长根本分不清哪份属于哪个项目。
- 文件开头写清楚“给 AI 的身份说明”。比如：“你是某专业领域的研究者，现在要为以下研究问题撰写引言。”这样 AI 一开始就进入角色。
- 按需给上下文，不要一次全塞。写作包是素材池，不是每轮对话都要把全部文件塞进去。通常给“研究问题 + 术语表 + 大纲 + 限制条件”就够了，文献笔记按需补充。
- 文件命名用数字前缀。
01_readme.md、02_research_question.md这种命名方式在文件管理器里天然排序，不会乱。 - 用 UTF-8 编码保存。中文环境下偶尔会遇到乱码，统一 UTF-8 可以省掉很多麻烦。
- 有公式的文件，提示 AI 保留 LaTeX 语法。不要让它把公式改成普通文字或图片描述。
如果你用的是 Obsidian 或 VS Code，可以在项目文件夹里建立一个模板，下次直接复制目录结构和文件框架。刚开始可能觉得多了一层准备工作，但它能显著减少后面反复磨合提示词的时间。
2.4 给 AI 的上下文模板：示例
下面是一个可以直接改写的上下文模板，放在 Markdown 文件里，或者直接粘贴进对话都可以：
text复制请阅读以下写作材料，然后等待我的指令。
研究主题：（你的主题一句话）
核心问题：（你想回答的问题）
术语表：（术语、缩写、统一译法）
大纲：（引言部分的结构要点）
限制条件：
1. 禁止虚构或拼凑文献。
2. 所有引用必须来自 Zotero MCP 的检索结果。
3. 如果检索不到合适文献，请明确报告，不要用近似文献替代。
4. 输出末尾单独列出“待核验文献清单”。
这里可以多说一句：不要急着让 AI 直接写正文。先让它读材料、复述研究问题、说明打算怎么组织文献，确认理解一致后再生成。这一步能避免“AI 写得很好但答非所问”的尴尬局面。
3. 第二步：通过 Zotero MCP 把 AI 的引用来源锁进真实文献库
3.1 MCP 到底解决了什么问题
MCP 的全称是 Model Context Protocol，模型上下文协议，通俗理解就是一套“AI 与外部工具之间的标准插头”。在没有 MCP 之前，你想让 AI 使用某个软件的数据，通常要把数据复制粘贴到对话里，麻烦而且容易过期。有了 MCP，AI 可以在对话过程中按需调用外部工具，从数据源拉取信息。
Zotero MCP，就是把 Zotero 文献库作为数据源接入 AI 的一套连接工具。对写论文的人来说，它带来的变化很直接：AI 可以检索你 Zotero 库里的真实文献，返回题录信息，然后基于这些真实信息组织引用。
这套方案的价值在于，把“获取文献”这个动作从“模型猜测”变成了“数据库查询”。引用来源被锁进了你自己的文献库，假文献的空间就小了很多。
3.2 Zotero MCP 的工作方式
你可以把它理解成在一个 AI 客户端里装了一个“文献查询工具”。配置好之后，AI 不再需要你把某篇文献的作者、年份、标题全部塞进提示词，而是可以直接发起搜索，拿到远程返回的条目数据。
典型工作链路是：
- 你在 Zotero 里已经维护好一批相关文献。
- AI 客户端通过 MCP 调用服务器。
- 服务器访问 Zotero 的本地库或 API，按关键词、作者或年份返回条目。
- AI 基于返回的真实题录信息生成引用。
这里有个边界要提前说清楚：不是所有 AI 客户端都原生支持 MCP。能不能用，取决于你使用的客户端版本、配置位置以及你安装的 MCP 插件。落地前先确认这些条件，不要想当然。
3.3 搭建配置的通用步骤
不同插件和客户端的配置方式会变，但步骤逻辑通常一致：
- 确认 Zotero 资料库可以访问。本地打开 Zotero，确认文献都正常显示；如果启用了云端同步，先让同步完成。
- 安装一个 Zotero MCP 服务器实现。常见做法是通过 Node.js 运行一个
npx命令，也可能是 Python 包。具体包名、依赖版本都按你安装的插件说明来。 - 在 AI 客户端或 IDE 的 MCP 配置文件里加入这个服务器。配置里通常包含命令、参数、环境变量。很多客户端都提供一个 JSON 格式的配置文件。
- 重启会话，让客户端加载新的 MCP 工具。
- 用一条简单搜索验证。比如让 AI 搜索某个作者或关键词，看它返回的文献是否真实存在。
这里给一个 JSON 示例结构，帮助理解字段含义。注意是“常见写法”，不要直接复制：
json复制{
"mcpServers": {
"zotero-mcp": {
"command": "npx",
"args": ["-y", "你选择的zotero-mcp包名"],
"env": {
"ZOTERO_LIBRARY_ID": "你的Zotero库ID",
"ZOTERO_API_KEY": "你的API Key"
}
}
}
}
如果你用的是本地数据库直连模式，配置里可能不需要 API Key，而需要本地数据库路径或端口号。不同插件差异很大，落地前务必查看你安装工具的 README 和文档，别照着网上的旧帖子死磕。
3.4 配置时的常见坑
配置过程最常遇到的情况，按概率排序大概是：
- 服务启动了，但 AI 没有暴露相关工具。可以先重启客户端、新建会话，再看 MCP 配置是否被正确加载。
- 查询返回 0 条结果。检查是不是关键词写得太大，Zotero 库是不是为空，或者用的是个人库还是群组库。
- Zotero 本身打不开或卡住。这时候问题通常不在 AI 侧，先查 Zotero 安装、同步和插件冲突。
- 刚导入的文献搜不到。等几秒钟，让索引和同步完成后再试。
- 权限报错。检查环境变量、API Key、本地目录访问权限，有没有不小心写错空格或换行。
注意：不要一上来就把某个 MCP 插件当成万能工具。它只是把“检索入口”打开，真正能不能检索到、检索结果准不准，还取决于你的 Zotero 库质量和配置方式。
4. 第三步：引用核验，决定一条引用去留的标准动作
4.1 核验什么：五类信息缺一不可
引用核验是四步流程里最枯燥、也最重要的一步。不要因为 AI 显示“引用了 Zotero 返回的文献”就放松警惕。核验时至少检查五类信息：
text复制作者：姓名拼写是否与原文一致。
年份：是否与文章的正式出版时间一致。
标题：是否存在，是否有漏词、多词、大小写差异。
出处：期刊名、会议名、书籍名是否准确。
卷号/期号/页码/DOI：能否在出版方页面或 DOI 系统里对应到同一篇文章。
除了元数据，还有第六项，也是最容易被忽略的一项：观点归属。AI 引用的那句话，是否真的出自该文献？有时候文献是真的，但 AI 把 A 文献的结论安到了 B 文献头上。这类错误靠查 DOI 是查不出来的，必须打开原文核对。
4.2 核验顺序：先来源，再字段，最后观点
核验不是拿到引用列表后随机抽查，而是要有顺序。建议按下面三步走：
- 先来源核验。在 Zotero 库里找一找，这篇文献是不是真实存在？如果在库里查无此文，直接标记“待删除”，不要想通过改名、替换年份来补救。
- 再字段核验。来源真实后，再逐一对作者、年份、标题、出处、卷期页码。这一步需要访问 DOI 系统、出版方页面或数据库官方检索页。
- 最后观点核验。打开 PDF 原文，把 AI 引用的那句话和原文对一下。重点看：这句话是不是作者的原意？有没有断章取义？是不是三个文献的观点被揉成了一句？
这个顺序能防止最危险的情况：作者和标题都对，但句子表达的观点根本不是那篇论文讨论的。
4.3 核验工具与判断标准
实际操作中，最顺手的方式不是把每一条都复制到浏览器里搜一遍，而是用“组合拳”：
- 在 Zotero 里导出 RIS 或 BibTeX，再导入别的文献管理工具交叉比对，看字段有没有变化。
- 查 DOI。在 DOI 系统里输入编号，能正常打开且标题、作者匹配，说明这篇文章真实存在。
- 访问出版方官网或数据库官方检索页。很多期刊官网提供“按标题查找”功能，输入标题后看作者、卷期页码是否一致。
判断标准应该明确：如果五个元数据字段全部一致，且观点归属正确，放行；如果只有细小拼写问题，修正后放行；如果任何一项对不上，或者观点明显错配，优先删除。学术写作里，一段可疑引用的风险远大于少一条引用带来的损失。
4.4 三种结果：放行、修正、删除
核验完每一条引用，最终只有三种结果：
- 放行：所有字段一致，观点匹配，可以作为正式引用。
- 修正：文献本身真实，但页码、年份、标题大小写有误。修改后可以继续用。
- 删除：查无此文、观点错配、作者标题张冠李戴。彻底删掉，不要试图改一改再保留。
这里有一条经验可以分享：如果你对一条引用没有百分之百把握，最好的选择是删除而不是修改。因为修改之后，你可能会因为“手动改过”而产生虚假的掌控感，反而忽略了更深层的观点错位。
5. 第四步：用5套学科引言指令，让 AI 在约束里写引言
5.1 学科指令的设计原则
所谓学科引言指令，不是简单告诉 AI “你是一名研究者，请写引言”，而是要把学科里成熟的论证路径写清楚。好的学科指令通常包含六个要素：
- 角色：你是哪个领域的研究者。
- 任务：写引言，还是先检索文献。
- 上下文：研究问题、术语、大纲。
- 数据来源：必须通过 Zotero MCP 检索，不能凭记忆补。
- 引用约束：每处引用都来自真实检索结果，无法确认就不写。
- 输出格式：段落数、结构顺序、待核验清单。
下面五套模板是通用结构，千万不要原样照抄，要填上自己的研究问题和搜索关键词。
5.2 人文社科类
人文社科类引言通常重视思想脉络和立场对话，而不是单纯罗列“某某做了某研究”。写作重点是“这派观点是什么、不同立场之间如何争论、最后落到哪个空白”。
text复制你是一名人文社科领域的研究者。请为以下研究问题撰写引言初稿。
研究问题：（填入你的问题）
资料来源：先调用 Zotero MCP 检索与该问题相关的文献，至少返回 8 条真实题录，再从中挑选 5 条最适合引用的。
逻辑要求：
1. 先梳理观点脉络，写清楚前人分别站在什么立场、用过什么框架。
2. 再指出这些立场之间的对话或争论。
3. 最后落到目前还没有在某个条件或某种材料下回答某个问题的研究缺口。
引用约束：每处引用必须标注作者、年份、真实标题；凡无法在检索结果中确认的信息一律不要写。输出末尾单独列出“本段引用的文献清单，待核验”。
5.3 理工科类（计算机/工程示例）
理工科引言更强调研究现状的分类、技术路线演进和差距识别。写作上经常采用“方法大致分为几类，每类解决了什么问题，但仍存在什么问题”的句式。
text复制你是计算机/工程领域的研究者。请为以下技术问题撰写引言。
研究问题：（填入你的问题）
资料来源：先调用 Zotero MCP 检索与（关键技术词）相关的近5年文献，返回至少 10 条真实题录。
逻辑要求：
1. 用“某领域的主要方法大致分为三类/两条路线”的方式梳理研究现状。
2. 按时间或能力演进说明每个方法解决了什么问题。
3. 指出在特定条件（或场景）下仍存在的问题与空白。
引用约束：禁止凭记忆补充文献；如果检索结果不足，请明确报告缺少哪种关键词的结果，而不是用相似文献补位。
5.4 医学/生命科学类
医学和生命科学的引言通常从“疾病负担或现象重要性”写起，再推进到机制认识、临床现状和缺口。病例数据、机制结论都要求能回溯到原文。
text复制你是医学/生命科学领域的研究者。请为以下研究撰写引言。
研究背景：（填入疾病或现象的关键词）
资料来源：先调用 Zotero MCP 检索主题词和疾病关键词，至少返回 8 条真实题录。
逻辑要求：
1. 先写疾病或现象的负担与重要性。
2. 再写当前对机制和治疗/干预的认识进展。
3. 然后写临床或实验层面的现有不足。
4. 最后引出本研究要回答的问题。
引用约束：每处病例数据、机制结论必须能回溯到具体文献，无法核验的数据不要写入。
5.5 教育学/心理学类
教育学和心理学更重视“现实问题—理论框架—实证结论—研究缺口”的展开方式。直接罗列文献会显得没有灵魂，最好从一个真实场景或实践痛点切入。
text复制你是教育学/心理学领域的研究者。请为以下研究撰写引言。
研究问题：（填入你的问题）
资料来源：先调用 Zotero MCP 检索相关理论、干预研究和实证文献。
逻辑要求：
1. 先从真实教育或心理实践场景写起，让问题有现实感。
2. 再引入相关理论框架和关键实证结论。
3. 指出以往研究多聚焦于哪些方面，但较少回答哪些问题。
引用约束：所有实证结论必须有文献支撑；不要把 AI 的常识当成实证结论；不确定的地方输出到“待核验”清单。
5.6 管理学/经济学类
管理学与经济学的引言通常从一个普遍现象或现实问题切入，交代理论视角，再说明变量关系上的研究不足。
text复制你是管理学/经济学领域的研究者。请为以下研究撰写引言。
研究问题：（填入你的问题）
资料来源：先调用 Zotero MCP 检索相关理论背景和实证研究。
逻辑要求：
1. 从一个普遍现象或管理/经济现实问题切入。
2. 交代研究背后的理论视角与关键词。
3. 指出过去实证结果的不一致或适用边界。
4. 引出本研究在变量关系或数据场景上的补充。
引用约束：引用数据要标注来源年份；无法核实的数据必须标注“待核验”，不能当成常识直接使用。
这五套指令共同点很明显：都先要求 AI 检索，再要求 AI 写；都对“不能编”做了强约束；都要求把待核验内容单独列出来。这比一句“请认真写”要可控得多。
6. 完整示例：一个小时跑通一段可核验的引言
6.1 假设你正写一篇这样的论文
为了把前面四步串起来，这里用一个虚拟研究题目演示：大语言模型辅助写作对本科毕业论文质量的影响。
假设这是某高校本科毕业论文的开题材料，目标引言字数控制在 800 字以内，引用格式要求 APA。请注意，这是一个演示用的虚拟题目，不构成对任何真实研究结论的判断。
6.2 第1步：搭写作包（约10分钟）
在项目目录下建立三个文件：
markdown复制# research_question.md
研究主题：大语言模型辅助写作对本科毕业论文质量的影响
核心问题：在本科毕业论文写作场景中，使用大语言模型辅助写作，是否影响论文的语言质量、引用规范与原创性？
目标要求：引言不超过800字，APA 引用格式。
markdown复制# terminology.md
LLM：大语言模型
AI辅助写作：人机协作式文本生成与修改
引用核验：对每条引用元数据和观点归属进行人工核对
markdown复制# constraints.md
- 禁止虚构或拼凑文献
- 引用必须来自 Zotero MCP 检索结果
- 如检索不到，明确报告，不要用近似文献替代
- 生成结束后单独输出待核验清单
这一步看起来简单，但解决了两个问题：第一，AI 有了明确的研究问题和术语标准；第二，AI 知道“引用来源”这条红线在哪。
6.3 第2步：让 AI 先检索后写作（约5分钟）
不要一上来就说“请写引言”。先用下面这种指令让 AI 完成一次检索：
text复制请先不要写作。使用 Zotero MCP 检索以下主题：
1. large language model academic writing
2. AI-assisted writing education
3. ChatGPT undergraduate thesis
每个主题返回 8 条真实题录，按相关度排序。检索完成后，先告诉我你找到了哪些真实文献，再等待我的下一步指令。
这样做的意义在于，把“写”和“找”分成两步。AI 只有在检索到真实文献之后，才有资格开始组织句子。如果它没有返回文献，或者返回的结果明显和你掌握的资料不一致，这时候就应该停下来查配置，而不是继续生成。
6.4 第3步：生成结果与核验（约15分钟）
检索通过后，再让 AI 结合 research_question.md 和 terminology.md 生成引言。生成后的核验动作要按前面说的三步执行：先在 Zotero 里找来源，再对字段，最后打开 PDF 看观点归属。
假设核验结果如下：
| 引用编号 | 来源核验 | 字段核验 | 观点核验 | 结论 |
|---|---|---|---|---|
| 1 | 存在 | 一致 | 匹配 | 放行 |
| 2 | 存在 | 年份少写2年 | 匹配 | 修正 |
| 3 | 查无此文 | 无 | 无 | 删除 |
这种表格不用很复杂，但它能帮你一目了然地掌握每条引用的状态。十五分钟通常够用，前提是 Zotero 库里的文献组织得足够好。如果你的库是临时凑的，时间会成倍增加。
6.5 第4步：人工收尾与版本管理
核验结束后，把最终引言保存到 03_drafts/intro_v1.md，并把核验表放在旁边作为附件。如果后面修改引言，记得更新版本号：intro_v2.md、intro_v3.md。
这一步千万不要跳过。核验完不保存记录，等于白核验。后续论文审查时如果有人问“这条引用是从哪来的”，你能快速定位到当时核验的原文，这个能力比 AI 生成的句子本身更有价值。
7. 这套流程为什么还会翻车：排查链路与边界
7.1 现象：AI 还在编文献
即使配好了 Zotero MCP，写好了写作包，AI 仍然可能在某种情况下输出假文献。最常见的原因是：模型没有真正调用检索工具，而是直接凭记忆生成了引用。
这种情况在产品里表现为：配置是对的，但 AI 在对话过程中绕过了工具调用，直接写了“参考文献列表”。原因是复杂的，可能是客户端对工具调用的支持不稳定，也可能是模型在当前温度参数下倾向于自由生成。
所以，遇到 AI 还在编文献，不要直接下结论“这个方案没用”，要按顺序排查。
7.2 一层一层排查：输入、连接、查询、约束、模型
建议按下面五层逐层排查：
- 输入层：写作包里有没有明确写“必须先检索再写作”？如果没有，AI 可能直接进入生成环节。补上这条约束，往往能解决一半问题。
- 连接层：MCP 服务器是否真的启动？AI 客户端是否加载了对应工具？是不是在用旧会话？重启客户端、新建会话再试。
- 查询层：Zotero 库是不是空库？搜索关键词对不对？中文文献用英文关键词搜不到，属于预期行为。建议同时准备中英文关键词。
- 约束层：提示词里有没有强约束“禁止凭空引用”？有些模型对模糊的“不要编”理解不到位，需要写“所有引用必须来自工具返回结果”。
- 模型层：不同模型对工具调用的遵守度差异很大。有的模型在长对话里容易“忘掉”调用工具，直接把记忆补上去。此时可以换一个更稳的模型，或者把任务拆短一些，重新发起检索。
注意：排查的顺序很重要。先看输入和连接，再怀疑模型，不要一遇到问题就怪模型或怪插件。
7.3 适用边界：什么时候这套流程是过度设计
这套四步流程并不适合所有场景。它的定位是“严肃学术写作”，也就是毕业论文、期刊投稿、基金申请这类需要严格引用规范的场景。
以下情况不需要这么重的流程：
- 内部讨论、笔记整理、头脑风暴。这些场景不需要完整引用，直接让 AI 写提纲就行。
- 没有建立个人文献库的快速查询。临时使用 Zotero MCP，效果有限，因为你库里的文献本身就少。不如先用联网检索确认来源，再逐个核验。
- 学校和期刊明确禁止使用 AI 辅助写作的作业。这时候不适用任何流程，遵守规则优先。
如果只是写一篇不需要参考文献的课程小短文，搭建这套流程确实是过度设计。判断标准就一句话：你要不要为每条引用负长期责任？只要答案是“要”，这套流程就值得；如果只是临时写点内容，简单核验即可。
8. 最后回到写作本身：AI 改变的不是“写”，而是“确认”
8.1 把这套流程沉淀成个人模板
四步流程里最值钱的不是某一次生成结果，而是这套可复用的模板。等你用熟了，可以把写作包目录、五套提示词、核验清单保存成一个固定模板：
text复制paper_template/
├── 01_project/
├── 02_literature/
└── 03_drafts/
新论文开始的时候，复制一份目录，改掉研究问题和关键词就行。模板的意义不在于节省那几分钟，而在于把你验证过有效的方法固化下来，避免每次都在同一个坑里打转。
8.2 最后的底线
无论流程多顺，有一条底线不能丢：AI 可以辅助写作，但提交内容的学术责任永远在作者自己身上。
学校或期刊如果对 AI 辅助写作有明确规则，先照规则办；规则模糊时，先确认自己是否理解每一条引用的原文。AI 生成的引言里，如果有一条引用你从未读过原文，建议先读再定稿。
说到底，AI 写作的最大价值，不是替你决定哪些文献可以引用，而是让“哪些文献不可信”这件事更快地暴露出来。当你发现自己要核对的东西越来越少，生成的引言越来越接近真实文献的脉络，那才是这套流程真正生效的时刻。