用Zotero MCP工作流杜绝AI假文献：论文引言写作教程

很多研究生第一次用大模型辅助写论文引言，栽得最惨的不是逻辑结构，而是参考文献表。AI 能在几分钟内写出一段像样的研究背景，还会配上“Smith (2024) 指出……”“Li et al. (2023) 提出了……”这样的引文。但当你把条目一条条放进数据库检索，问题立刻暴露：DOI 无法解析、作者查无此人、期刊名看着熟悉但年份页码对不上。这不是某个模型特别差，而是生成式 AI 的工作方式决定的——它不是在查库，而是在预测“最像参考文献的字符串”。

这篇文章要讨论的，不是“能不能用 AI 写论文引言”，而是“怎么让 AI 在写引言时不产生假文献”。我会给出一个完整工作流，核心是四件事：本地 Markdown 写作环境、Zotero 文献库 + MCP 接入、学科化引言指令、逐条引用核验。按这套流程，你可以把“AI 编文献”的风险从源头压到最低，而不是等写完全文再逐条返工。

全文会按“假文献为什么必然出现”“核心工作流设计”“环境准备”“四步操作”“5套学科指令”“核验与排错”的顺序展开。文章偏实践，建议边看边搭环境，文末的指令模板可以直接复制到你的 AI 工具里用。

1. 为什么 AI 写论文引言，总是绕不开“假文献”

1.1 假文献是怎么产生的

大语言模型的文本生成本质是逐 token 的概率预测。它读到上文，然后预测最合理的下一个词、下一句话。当你在提示词里要求“引用相关文献”，模型并不是去某个数据库里检索真实记录，而是根据训练语料中见过的海量参考文献格式，生成一段“在统计意义上很像参考文献”的文本。

问题就出在这里：模型的知识有时间截止点，也有覆盖盲区。新发表的高质量论文、冷门学科的小众期刊、非英文文献，模型往往只记得一个模糊印象，甚至完全没有印象。遇到这种情况，它不会诚实地回答“我不了解”，而是会利用见过的真实引文片段，拼接出一条格式完整、语义合理但实际不存在的条目。

换句话说，AI 生成假文献不是“偶尔犯错的 bug”，而是生成机制本身的结构性副作用。

1.2 假文献的三种典型形态

根据常见的论文反馈，假文献主要有三种形态，危害程度也不一样：

第一种是完全虚构。条目里的作者、标题、期刊、年份看起来都正常，但 DOI 在 Crossref 里查不到，标题在任何数据库都搜不到。这种条目最危险，因为外行很难分辨。

第二种是张冠李戴。标题是真实论文，但作者写错、年份写错，或者引用的卷期页码对不上。这种常在“模型把两篇主题相近的论文信息拼在了一条里”的场景出现。

第三种是语义叠加。AI 把 A 论文的问题背景、B 论文的方法、C 论文的结论揉进一句话，然后给出三个看似相关的引用。每条引用可能真实存在，但引言里的论断与文献实际内容并不对应。

第三种最难发现，因为除非你逐条阅读原文，否则根本不知道 AI 有没有歪曲作者观点。

1.3 结论：问题不在 AI，在“生成流程”

很多人试图用提示词解决假文献问题，比如“请只引用真实文献”“不要编造参考文献”。坦白说，这些约束有一定效果，但本质上不可靠。因为模型对“真实文献”的认知来自训练语料，它无法区分哪些是“确定见过”的，哪些只是“猜测”。

更稳妥的做法是把“记忆”换成“检索”：不让 AI 凭印象生成引用，而是让 AI 只从你提供的本地真实文献库里挑选条目。这就是本文四步工作流的底层逻辑。

2. 核心工作流：本地 Markdown、Zotero MCP 与引用核验

2.1 一个思路转变

过去我们让 AI 直接写引言，等于让 AI 从“它的记忆”里找文献；现在我们要做的，是让 AI 从“我的 Zotero 文献库”里选文献。这个转变，从技术上等价于给 AI 装上一个只读的本地文献数据库接口。

这样产生的好处很直接：

• AI 能引用的范围被限定在你亲手筛选过的文献集合内；
• 每条引用的源头可控、可解释；
• 生成之后的核验成本大幅降低，因为不再需要在全网范围内“大海捞针”。

2.2 Zotero：真实文献库的底座

Zotero 是开源文献管理工具，支持 Windows、macOS、Linux。它适合作为这个工作流的底座，原因有三个。

第一，Zotero 的文献条目是结构化数据。标题、作者、年份、期刊/会议名、卷期页码、DOI 都有独立字段，AI 通过 MCP 读取这些字段时，不会拿到一坨难以解析的纯文本。

第二，Zotero 支持本地存储和同步。你可以把文献库看作一个“本地可信数据源”，不依赖某个在线平台的接口和配额。

第三，Zotero 能导出标准引文格式。最后插入正文时，可以直接用期刊模板统一格式化，避免手写引文导致格式不一致。

2.3 MCP：给 AI 一个“访问文献库”的通用接口

MCP，即 Model Context Protocol，模型上下文协议。它定义了一套标准接口，让 AI 应用或编程工具能够接入外部数据源、文件和工具。

一个容易理解的类比是“USB 接口”：过去不同外设要用不同的线——鼠标、键盘、U 盘、打印机各插各的；MCP 想做的是统一接口，让模型与工具之间建立一个通用插口。对本文场景来说，MCP 的价值是：让 AI 客户端能够直接读取 Zotero 本地库中的文献条目信息，并通过关键词、集合名称等方式检索文献。

配置好之后，你可以在 AI 对话框里直接说“在我的 Zotero 库中查找关于 XXX 的文献，列出标题、年份和 DOI”，AI 会通过 MCP 调用本地库完成检索，而不是凭空生成。

2.4 为什么用本地 Markdown 写作

论文正文写作推荐放在本地 Markdown 环境里，原因并不复杂。

Markdown 是纯文本，适合用 VS Code、Obsidian、Typora 等工具编辑；纯文本可以纳入 Git 版本管理，每次 AI 改写、人工修改都能留下 diff；纯文本也不依赖特定软件，方便后续用 Pandoc 转换为 Word 或 LaTeX。更重要的是，本地文件不存在在线文档的权限和网络问题，你可以在任何环境里继续写作。

这里要澄清一个边界：Markdown 负责“写作”，Zotero 负责“文献”，二者通过 MCP 在 AI 客户端里汇合。Markdown 本身不替代文献管理，Zotero 也不替代写作排版。

2.5 新旧方案对比

3. 环境准备与前置条件

开始操作前，先把环境清单列清楚。版本信息请以你实际使用的版本为准，本文重点演示通用思路。

3.1 Zotero 文献库准备要点

Zotero 的安装并不难，真正的功夫在于“文献库质量”。你需要关注以下几点：

第一，为当前论文建立一个独立 Collection（分类/集合），建议按选题命名。不要让 AI 面对一个包含上万条课题无关文献的大库，筛选范围越窄，AI 的引用越精准。

第二，导入文献时尽量使用带元数据的导入方式。从 Web of Science、PubMed、IEEE、CNKI 等数据库导出时，选择包含 DOI、作者、摘要的格式；也可以用 Zotero 浏览器插件直接保存页面。导入后务必检查 DOI 字段是否完整，这是后续核验的关键。

第三，中文文献需要特别留意。部分平台导出的条目可能缺失 DOI 或期刊名不规范，建议导入后手动补全，或者用中文数据库的官方检索结果交叉确认。

一个值得养成的习惯是：只把“自己已经读过或打算精读”的文献放进来。文献库不是收藏夹，而是推理依据。AI 从库里选文献，意味着你要对库里的每一条文献负责。

3.2 Markdown 编辑器与 MCP 客户端选择

Markdown 编辑器方面，如果你习惯写代码，VS Code 加 Markdown 插件就很顺手；如果你更想要一个“第二大脑”式的笔记环境，Obsidian 更合适；如果只求简单排版，Typora 也能满足。核心要求只有一个：能稳定编辑本地 Markdown 文件。

MCP 客户端的选择会影响配置方式。目前支持 MCP 的客户端和开发工具不少，配置入口通常都在“设置 → MCP / 工具服务器”区域。本文给出的配置示例是通用骨架，你需要把你选择的 Zotero MCP 服务的实际命令与入口路径替换进去。

4. 四步流程避开假文献

现在进入核心操作。整个流程可以概括为：入库、接入、生成、核验。四步做完，你得到的不只是一个“AI 写的引言”，而是一段引用真实、来源可溯、格式可导出的引言初稿。

4.1 第一步：在 Zotero 中建立选题文献库

这一步的目标是：准备一组面向当前论文选题的高质量文献条目。

具体操作如下：

1. 在 Zotero 左侧新建一个 Collection，命名为“论文选题名+引言”；
2. 用数据库检索当前选题的核心关键词，将筛选后的文献导入该 Collection；
3. 逐条检查元数据：标题是否完整、作者是否准确、年份是否正确、期刊/会议名称是否规范、DOI 是否存在；
4. 删除重复条目和与选题弱相关的条目；
5. 如果某条重要文献缺少摘要，可以手动补录，方便后面 AI 理解文献内容。

完成后的判断标准很简单：库里的每一条文献，你都清楚它研究什么、结论是什么、与你的论文有什么关系。如果做不到，说明文献筛选还没有完成。

4.2 第二步：配置 Zotero MCP 连接

这一节给出 MCP 客户端的通用配置骨架。不同客户端的配置格式基本围绕 mcpServers 展开，只是入口不同。

json复制{
  "mcpServers": {
    "zotero": {
      "command": "npx",
      "args": ["-y", "你选用的zotero-mcp服务包名"],
      "env": {
        "ZOTERO_API_KEY": "在Zotero账户设置页面生成",
        "ZOTERO_LIBRARY_ID": "你的Zotero用户ID"
      }
    }
  }
}

这里的三个关键信息需要重点说明：

• command 和 args：来自你选择的 Zotero MCP 实现。社区有多种实现，包名和启动参数不完全一样，以你选定的项目 README 为准。
• ZOTERO_API_KEY：在 Zotero 官网的账户设置页面生成，权限建议选择仅允许访问个人 library，不要给写权限。
• ZOTERO_LIBRARY_ID：同样在账户页面查看，是你的个人 library 编号。

配置完成后，重启 MCP 客户端，然后在对话框里问一句：

“我的 Zotero 库里有哪些与当前选题相关的文献？请列出标题、年份和 DOI。”

如果 AI 能返回你库中的真实条目，说明接入成功。这一步如果能跑通，后面的生成流程就稳了一大半。

4.3 第三步：用学科指令生成引言初稿

接入成功后，不要急着让 AI“写一段引言”。先给它立规矩。下面是一份通用指令模板，你可以把它作为起点，后面按学科替换细节：

text复制你是【学科领域】的学术写作助手。请根据我的 Zotero 文献库信息，撰写一段论文引言。

严格规则：
1. 只能引用我的 Zotero 库中实际存在的文献，不得新增、改写或编造任何参考文献。
2. 每处引用用“作者, 年份”标注，在文末列出所有引用条目及来源集合名称。
3. 如果库中缺少某个主题的文献，直接说明缺什么，不要自行补全。
4. 引言结构为：研究背景与问题 → 现有工作梳理 → 研究缺口 → 本文工作与贡献。
5. 目标字数：400-600字。

请注意规则中的第 3 条。很多 AI 写作失败，就是因为模型在“没有足够证据”时倾向于编造而非坦诚。把“承认缺文献”作为硬性要求，能有效减少假文献。

生成初稿后，先不要急于修改措辞。优先做第四步核验。

4.4 第四步：逐条核验引用

核验分两层。

第一层是库内对照。把 AI 输出的每条引用与 Zotero Collection 中的条目逐条比对，必须做到：标题一致、作者一致、年份一致。任何一条对不上，都直接判定为不合格，要求 AI 基于库内条目重写。

第二层是机器核验。对生物医学、自然科学、工程技术领域的英文文献，DOI 是最可靠的核验依据。你可以用下面的 Python 脚本，通过 Crossref API 批量验证 DOI 是否真实存在且可解析。

python复制import sys
import requests

# 文件路径：check_ref.py
# 用法：python3 check_ref.py references.txt
# references.txt 每行一个 DOI

def check_doi(doi):
    url = f"https://api.crossref.org/works/{doi}"
    try:
        resp = requests.get(url, timeout=10)
        if resp.status_code == 200:
            data = resp.json()["message"]
            title = data.get("title", [""])[0]
            year = None
            for k in ["published-print", "published-online", "issued"]:
                if k in data:
                    year = data[k]["date-parts"][0][0]
                    break
            return True, title, year
        return False, "", None
    except Exception:
        return False, "", None

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("请指定包含 DOI 的文件路径")
        sys.exit(1)
    with open(sys.argv[1], encoding="utf-8") as f:
        for line in f:
            doi = line.strip()
            if not doi:
                continue
            ok, title, year = check_doi(doi)
            print(f"[{'OK' if ok else 'FAIL'}] {doi:40} {title[:60]} ({year})")

运行前先安装依赖：

bash复制pip install requests

然后准备一个 references.txt，把 AI 输出中的所有 DOI 逐行放进去，运行：

bash复制python3 check_ref.py references.txt

输出中带有 [FAIL] 的条目，就是高危疑似假文献。此时回到 Zotero 库核对正确条目，不要尝试手动“修复” AI 生成的版本。

5. 五套学科引言指令模板

不同学科的引言有完全不同的论证惯例和文献偏好，一套通用指令无法通吃。下面给出五套可直接复制的指令模板，每套都针对该学科的写作习惯做了调整。复制到你的 AI 工具中，替换掉方括号里的选题即可。

5.1 计算机与人工智能

text复制你是计算机科学领域的学术写作助手。请根据我的 Zotero 文献库，撰写论文引言。

学科要求：
- 优先引用本领域高质量会议和期刊论文，按“问题→方法→局限”的逻辑组织现有工作。
- 重点讲清楚研究背景中的真实应用需求，以及现有方法在效果、效率、泛化性上的不足。
- 引用用“作者（年份）”格式标注，最后列出对应 Zotero 条目。

严格规则：
1. 只引用 Zotero 库中真实存在的文献。
2. 缺少某类文献时直接说明，不自行补全。
3. 引言结构：应用背景 → 现有方法分类与局限 → 研究缺口 → 本文方案与贡献。
4. 目标字数：500 字左右。

核心差异点：计算机学科重“最新进展 + 性能对比”，引入引用时偏向近 3-5 年的会议论文，并且习惯把方法按技术路线分类讲解。

5.2 医学与生命科学

text复制你是医学领域的学术写作助手。请根据我的 Zotero 文献库，撰写论文引言。

学科要求：
- 优先引用近 5-10 年的原创研究、系统综述和 Meta 分析。
- 关注临床问题：研究对象、干预措施、对照设置、结局指标。
- 引用用“作者（年份）”格式标注，最后列出对应 Zotero 条目。

严格规则：
1. 只引用 Zotero 库中真实存在的文献。
2. 缺少某类文献时直接说明，不自行补全。
3. 引言结构：临床问题 → 现有证据 → 证据缺口 → 本研究目的与意义。
4. 目标字数：500 字左右。

核心差异点：医学引言讲究循证，文献需要能支撑“为什么做这个研究”的临床意义。AI 生成的内容要特别警惕“疗效夸大”和“对文献结论的过度解读”。

5.3 人文社会科学

text复制你是人文社会科学领域的学术写作助手。请根据我的 Zotero 文献库，撰写论文引言。

学科要求：
- 引用经典理论文献与近年高水平研究并重，注意梳理概念演变和学术争论。
- 使用学术书面语，表达严谨，避免口号式表述。
- 引用用“作者（年份）”格式标注，最后列出对应 Zotero 条目。

严格规则：
1. 只引用 Zotero 库中真实存在的文献。
2. 缺少某类文献时直接说明，不自行补全。
3. 引言结构：现实背景 → 概念界定 → 理论脉络与争论 → 研究缺口 → 本文视角。
4. 目标字数：600 字左右。

核心差异点：人文社科不追求“最新”，而追求“脉络完整”。AI 很容易把不同学派的观点混在一起，所以要在指令里明确“概念界定”和“理论脉络”两个环节。

5.4 工程技术

text复制你是工程科学领域的学术写作助手。请根据我的 Zotero 文献库，撰写论文引言。

学科要求：
- 引用期刊论文、会议论文、技术标准、专利和典型工程案例。
- 重点关注工程瓶颈、工艺参数、性能指标、成本与可靠性。
- 引用用“作者（年份）”格式标注，最后列出对应 Zotero 条目。

严格规则：
1. 只引用 Zotero 库中真实存在的文献。
2. 缺少某类文献时直接说明，不自行补全。
3. 引言结构：工程应用背景 → 关键技术瓶颈 → 现有方案与不足 → 本文方法 → 预期工程价值。
4. 目标字数：500 字左右。

核心差异点：工程学科强调“技术指标”和“可重复性”。AI 生成的引言容易写得像产品宣传，指令中要加入对具体参数和工程代价的描述约束。

5.5 数学与物理

text复制你是数学与物理领域的学术写作助手。请根据我的 Zotero 文献库，撰写论文引言。

学科要求：
- 引用经典理论文献、方法类论文和综述文献，注意模型或定理的演进脉络。
- 表述严密，不夸大结论适用性，不强行加入应用场景。
- 引用用“作者（年份）”格式标注，最后列出对应 Zotero 条目。

严格规则：
1. 只引用 Zotero 库中真实存在的文献。
2. 缺少某类文献时直接说明，不自行补全。
3. 引言结构：问题源起 → 已有模型与方法演进 → 关键困难 → 本文方法与主要结果。
4. 目标字数：400 字左右。

核心差异点：数理学科的引言非常强调逻辑链的连贯性，AI 容易“讲一堆背景却接不到自己的问题”。用“问题源起→关键困难→本文方法”的链条可以纠正这一点。

6. 完整示例与结果验证

下面用一个人文社科方向的简化场景，演示从“库内文献检索”到“核验通过”的完整闭环。

假设选题是“生成式 AI 对学术写作伦理的影响”。在 Zotero 中建立一个 Collection，导入了 6 篇相关文献，其中 3 篇是英文期刊论文，3 篇是中文期刊论文。

第一步，在 MCP 客户端输入：

text复制请在我的 Zotero 库中检索“生成式 AI 学术写作”相关文献，列出标题、作者、年份和 DOI。

AI 返回了库中 6 条真实条目。此时你就可以判断库内有没有足够支撑引言写作的文献。

第二步，使用 5.3 的“人文社会科学”指令，把选题补充进去，生成一段引言初稿。AI 输出的文本如果严格遵循了指令，引用的文献会集中在刚检索到的 6 条之内。

第三步，从 AI 输出中提取 DOI 或标题，做核验。英文文献的 DOI 放入 references.txt，运行 python3 check_ref.py references.txt。中文文献找不到 DOI 时，用中文数据库的标题检索逐条复核。核验中出现 [FAIL] 的条目，回到 Zotero 库查找正确文献，不允许自行“修正”。

那么，怎么判断整个流程成功？下面四条标准可以作为锚点：

• AI 输出中的所有引用，都能在 Zotero 指定 Collection 中找到一一对应的条目；
• 每一条引用都能解释“为什么选它”，而不是“AI 说它相关”；
• 有 DOI 的英文文献全部通过 Crossref 核验，中文文献通过权威数据库核验；
• 引言中的论断与文献摘要/原文观点一致，不存在语义歪曲。

如果 AI 在某次生成中引用了库里不存在的文献，不要手动删掉然后继续用。正确做法是让 AI 重新生成，并在提示词中补充“只引用上一轮你检索到的条目标题”，这样既可以观察到模型改进，也可以记录迭代过程。

7. 常见问题与排查思路

8. 最佳实践与工程建议

工作流跑通之后，建议把它从“一次性操作”升级为一套可复用的写作流程。这里有几点工程层面的建议，实际项目中踩过坑，值得优先处理。

第一，文献库按论文项目隔离。一篇论文建一个 Collection，命名格式建议为“研究方向+论文名+日期”。不要把多年积累的所有文献都堆在一个库里。隔离之后，AI 的检索范围清晰，核验范围也随之缩小。

第二，提示词模板纳入版本管理。我建议把提示词模板存成 Markdown 文件，放在论文目录下，与正文一起用 Git 管理。每次提示词改动都留痕，方便回溯是哪一版提示词产生了错误引用。

第三，API Key 不要提交到仓库。MCP 配置文件中包含 API Key，建议把它放到本地环境变量或独立的本地配置文件中，再在配置骨架里引用。否则仓库一旦公开，文献库数据就有被读走的风险。

第四，把核验脚本做成固定步骤。不要每次都手动从 AI 输出里复制 DOI。可以把 AI 输出保存为 Markdown，提取参考文献段落中的 DOI 写个小脚本批量抽取，再调用核验脚本。这样流程可以复用，也不容易漏掉某一条。

第五，明确 AI 的使用边界。AI 负责生成初稿、梳理思路、提供表达方案；作者负责确定研究问题、筛选文献、核验引用、判断学术论点是否成立。期刊政策通常要求作者对引用的准确性负责，AI 生成内容也需要在正文或文档中按规范说明使用了生成式 AI 工具的哪些环节。

第六，投稿前统一格式。无论 AI 输出用什么引用格式，最终都以 Zotero 的标准样式库为准。Zotero 支持按目标期刊样式一键生成参考文献表，比自己手写可靠得多。

9. 总结与后续学习方向

这套工作流的本质，是把“AI 凭印象生成文献”替换为“AI 从本地可信文献库中检索并引用”，再辅以机器可核验的 DOI 查询。四步走完，假文献风险大幅下降，核验成本也集中在本地库内检索和 DOI 解析两个环节，相比逐条全网搜索要高效得多。

如果你正在用 AI 辅助写论文，我建议今天先做两件事：一是把 Zotero 里当前论文的 Collection 整理干净、补全 DOI；二是找一套学科指令跑一次完整闭环，亲自看一遍“AI 检索–生成–核验”的全过程。

后续可以继续深挖的方向包括：MCP 协议的实现原理与自定义工具开发、利用本地大模型离线完成写作与检索、把核验规则扩展到更多数据库源，以及将这套工作流嵌入 Obsidian 或 VS Code 形成更完整的科研写作环境。四步工作流不会让 AI 替你思考，但它至少能阻止 AI 替你“编造”。这条边界，值得每一个用 AI 写作的人守住。