发帖
雷达卡
现在的 AI 很容易把一篇论文总结得像模像样。真正危险的是：文字很流畅，引用也像真的，但关键结论未必能回到原文，或者原文只支持一个非常有限的实验条件。
所以我判断一个科研工具是否靠谱，不先看它能接多少模型，而看它能不能留下四样东西：检索边界、证据卡片、引用定位和研究结构。
1. 检索之前，先把问题边界写清楚
“帮我找一下 RAG 的最新研究”不是一个可复现的问题。至少要补齐对象、方法、时间、指标和排除条件。
例如：
```text
对象：企业知识库问答
方法：稀疏检索、向量检索、混合检索、重排序
指标：召回、答案忠实度、延迟、成本
范围：公开论文与有方法细节的技术报告
排除：只有产品结论、没有评测设置的材料
```
边界写清楚以后，AI 才是在执行研究任务，而不是根据几个关键词自由发挥。
2. 文献入库后，不要只保存摘要
真正有用的文献对象至少应该保留：论文版本、章节、页码、研究类型、原文片段以及它为什么与当前问题有关。
我更喜欢把输出组织成这样的四元组：
```text
主张（Claim）
+ 证据（Evidence）
+ 条件（Condition）
+ 置信状态（Confidence）
```
比如，不要只写“混合检索优于向量检索”，而要写清楚：在哪类语料、哪种查询、什么指标上出现收益，增加了多少延迟，是否存在反例。
3. RAG 的重点不是“能搜”，而是“不能越过证据边界”
科研场景里，向量相似不等于证据成立。一个可靠的流程通常需要关键词召回、向量召回、元数据过滤和重排序，并在生成后再做一次“主张—引用”核验。
输出最好明确分成三层：
1. 原文直接报告的发现；
2. 多篇材料综合后的推断；
3. 现有证据无法回答的问题。
让系统敢于说“证据不足”，往往比让它写得更肯定更重要。
4. 文献多起来以后，列表不够用了
几十篇论文按相关度排成一列，很难看出研究路线之间的关系。文献地图的价值，是帮助研究者发现主题簇、桥接论文、争议点和检索空白，再把这些问题送回检索与精读流程。
地图不是论文质量排行榜。高中心度可能来自历史较早、工具属性强或综述引用多，最后仍然要回到原文和研究设计。
5. 为什么我在关注 Canguo Science
Canguo Science 的产品方向，不是再做一个“上传 PDF—生成摘要”的聊天框，而是尝试把多模型协作、可复用 Skill、证据受约束的 RAG 和文献地图连成一条工作流。
这里真正值得比较的并不是一句“比谁更强”。例如 OpenScience 的公开版本强调开源、本地优先、科学数据库、Skills、代码与实验执行，这是很扎实的路线。Canguo Science 如果能把中文研究者更常见的资料来源、模型使用方式、证据卡片和项目沉淀做顺，差异会体现在使用链路，而不是营销口号。
我接下来准备用同一个真实课题做一轮对照测试，重点记录：
- 关键论文覆盖率；
- 每条结论能否定位到原文；
- 冲突证据是否被保留；
- 检索式、筛选理由和版本是否可复现；
- 最终产物能否继续用于综述、方案和团队协作。
产品入口：[https://science.canguoai.com/download]
如果你也在做科研或技术调研，欢迎留言给一个具体课题。我更想测“它在哪些条件下真能省时间”，而不是只看一段演示效果。
建议标签：`人工智能`、`RAG`、`科研工具`、`文献检索`、`知识图谱`
京公网安备 11010802022788号
