技能使用指南

literature-review（文献综述）Skill 是什么？如何一键完成系统性文献综述与引用验证？

文献综述Skill 打通 PubMed、arXiv、bioRxiv、Semantic Scholar 多库检索，按七阶段方法学完成筛选、质量评估与主题合成，自动校验 DOI 引用并导出 APA、Nature 等格式 PDF，附 PRISMA 流程图。本文详解安装步骤、使用流程、竞品对比与典型场景，帮你把数周的综述工作压缩到数天，立即上手体验。

文献综述Skillliterature-review
8 个章节 约 18 分钟阅读 AI 智能生成

文献综述Skill：从多库检索到引用验证，一键产出可发表的系统性综述

  • 多数据库一站式检索：技能内置 PubMed、arXiv、bioRxiv、Semantic Scholar 等学术数据库的检索路径，并可通过 gget、bioservices、datacommons-client 等科学技能扩展专业库访问，避免"单库检索漏掉关键论文"。
  • 七阶段标准化流程：从 PICO 研究问题设定、检索策略设计、筛选与质量评估，到主题合成、引用验证、PDF 生成，全流程有明确阶段与检查清单，天然贴合系统综述的方法学规范。
  • 引用必须可验证：内置 verify_citations.py 脚本，逐条比对 DOI 与 CrossRef 元数据，引用错误在定稿前就被拦截，这是普通对话式 AI 写作最难保证的一环。
  • 图文双产出：强制要求每篇综述配 1-2 张 AI 生成示意图（如 PRISMA 流程图），并可直接导出 APA、Nature、Vancouver、Chicago、IEEE 等多种引用样式的专业 PDF。
  • 可重复、可交付：检索字符串、检索日期、结果数量全部留痕，他人可依文档复现你的检索过程，这是学术写作的硬要求。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能中文名：文献综述Skill 技能英文名：literature-review 技能ID：13035

它解决的是一个非常具体的痛点：做文献综述时，研究者往往要在 PubMed、arXiv、bioRxiv、Semantic Scholar 之间反复切换，手动导出题录、手工去重、逐条核对 DOI、再套用期刊引用格式，最后还要排版成 PDF。这一整套动作耗时数周且极易出错，尤其是引用信息错漏，常常在投稿或答辩前才被发现。文献综述Skill 把这条链路封装成一个可调用的技能：AI 负责检索、聚合、去重、主题合成与引用验证，并输出 Markdown 与 PDF 两种交付物。

"一键安装"的思路与步骤（具体安装命令与入口以官方说明为准）：

  1. 确认安装前提：需要一个支持 AI 技能调用的客户端或平台账号；该技能声明可用工具为 Read、Write、Edit、Bash，因此运行环境需要具备文件读写与命令执行能力；若要生成 PDF，还需准备 Python 环境并安装 requests（用于引用验证），以及系统级工具 pandoc 与 LaTeX（如 texlive-xetex），文档中给出了 macOS 与 Linux 两套安装方式。
  2. 找到安装入口：在平台的技能市场、技能库或插件中心中检索技能英文名 literature-review，或直接按技能ID 13035 定位；具体入口路径请以官方说明为准。
  3. 执行安装并授权：点击安装后，按提示确认技能所需的工具权限（读取、写入、编辑、执行命令）。权限授予范围越小越安全，建议仅在专用工作目录内使用。
  4. 验证是否生效：安装完成后，让 AI 读取该技能的说明文档，确认能识别"何时使用此技能"与七阶段工作流；随后在项目目录运行依赖自检命令：
    python scripts/generate_pdf.py --check-deps
    若返回依赖齐全，说明 PDF 生成链路可用；再让 AI 复述一次技能支持的引用样式（APA、Nature、Vancouver 等），能准确回答即代表技能已加载生效。

该技能的主要功能和特点

  • 多库并行检索与结果聚合：覆盖生物医学（PubMed、bioRxiv）、通用科学与预印本（arXiv、Semantic Scholar）以及 ChEMBL、UniProt、KEGG、COSMIC、AlphaFold 等专业库，支持通过集成技能调用，并可用 search_databases.py 对合并结果去重、按引用量排序、按年份过滤、输出 Markdown 摘要。
  • 严格的方法学骨架：内置 PICO 框架引导研究问题设定，要求明确综述类型（叙述性、系统性、范围性、荟萃分析）、时间边界、纳入/排除标准，并逐库记录检索字符串、检索日期与命中数量。
  • 四层筛选与 PRISMA 留痕：去重 → 标题筛选 → 摘要筛选 → 全文筛选，每一层都记录排除数量与原因，并可直接生成 PRISMA 流程图数据结构，满足系统综述的报告规范。
  • 质量评估工具对应：随机对照试验用 Cochrane 偏倚风险工具，观察性研究用纽卡斯尔-渥太华量表，系统综述用 AMSTAR 2，并给出高/中/低/极低的质量分级，避免"所有证据一视同仁"。
  • 主题化合成而非逐篇罗列：强制按 3-5 个主题组织结果部分，比较与对照不同研究方法，识别共识、争议与知识空白，这是区分"学生作业"和"专业综述"的关键分水岭。
  • 引用验证闭环：verify_citations.py 提取文档中全部 DOI，验证解析是否成功，从 CrossRef 拉取元数据比对作者、标题、期刊信息，输出验证报告，失败项修改后需重新运行直至全部通过。
  • 高影响力优先策略：给出按论文年龄划分的引用计数阈值参考表（如 7 年以上 1000+ 引用视为奠基性工作），以及期刊层级（Nature、Science、Cell、NEJM、Lancet、JAMA、PNAS 等为第一层级）和作者声誉的评估维度。
  • 图与文一起交付：强制要求每篇综述包含 1-2 张 AI 生成示意图，可通过科学示意图技能生成 PRISMA 流程图、检索策略流程图、主题合成图、研究空白地图、引用网络图等，命令形如：
    python scripts/generate_schematic.py "您的图表描述" -o figures/output.png
  • 多引用样式与专业排版：generate_pdf.py 支持 --citation-style 指定 apa、nature、chicago、vancouver、ieee，另可选 --no-toc、--no-numbers 控制目录与章节编号。

和普通 AI 对话写作相比，它强在"流程约束"和"可验证"：普通工具能帮你写出一段通顺的综述文字，但不会强制你去多库检索、不会记录检索参数、不会逐条校验 DOI，也不会在你漏掉 PRISMA 流程图时提醒你不合格。

如何使用该技能？

以下是基于技能文档整理的完整使用步骤，可直接照着执行：

  1. 明确研究问题。用 PICO 框架描述。示例输入：“与标准护理（C）相比，CRISPR-Cas9（I）治疗镰状细胞病（P）的疗效如何？” 同时告诉 AI 综述类型（系统性/范围性/荟萃分析）、时间范围（如 2015-2024）与语言限制。
  2. 生成检索策略。让技能从研究问题中抽取 2-4 个核心概念，列出同义词、缩写与相关术语，并给出布尔组合。生物医学场景优先使用 MeSH 术语与字段标签，例如：
    ("CRISPR"[Title] OR "Cas9"[Title])
AND ("sickle cell"[MeSH] OR "SCD"[Title/Abstract])
AND 2015:2024[Publication Date]
  3. 执行多库检索。通过集成技能调用数据库，例如：
    gget search pubmed "CRISPR基因编辑" -l 100
gget search biorxiv "CRISPR sickle cell" -l 50
    arXiv 与 Semantic Scholar 通过 API 访问，按类别限定检索范围（如 q-bio.QM、cs.LG）。
  4. 聚合与去重。将所有库的 JSON 结果合并后运行：
    python search_databases.py combined_results.json \
  --deduplicate \
  --rank citations \
  --year-start 2015 \
  --year-end 2024 \
  --format markdown \
  --output search_results.md \
  --summary
    输出为带摘要的 Markdown 结果清单，方便逐层筛选。
  5. 四层筛选并画流程图。按标题、摘要、全文逐级筛除，记录每层排除数量，最后形成 PRISMA 数字链条（初始 n、去重后 n、标题筛选后 n、摘要筛选后 n、最终纳入 n）。
  6. 数据提取与质量评级。让技能对每篇纳入文献抽取作者、年份、期刊、DOI、研究设计、样本量、关键发现、局限性与利益冲突，并按对应工具给出质量等级。
  7. 主题合成撰写正文。从模板起步：
    cp assets/review_template.md my_literature_review.md
    要求按主题而非按论文组织，示例输出形态为：“病毒载体（AAV）在 15 项研究中使用，显示高转导效率（65-85%），但引发免疫原性担忧；相比之下脂质纳米颗粒效率较低（40-60%），但安全性更好。”
  8. 引用验证。运行：
    python scripts/verify_citations.py my_literature_review.md
    查看生成的引用报告 JSON，修正失败条目后重新运行，直到全部通过。
  9. 生成图与 PDF。先生成示意图，再导出：
    python scripts/generate_pdf.py my_literature_review.md \
  --citation-style nature \
  --output my_review.pdf
  10. 对照质量清单自检。检查 DOI 是否全部通过、引用样式是否一致、系统综述是否附 PRISMA 流程图、检索方法是否完整、结果是否按主题组织、局限性是否承认。

输出说明：最终交付物通常是"一份 Markdown 稿件 + 一份 PDF + 引用验证报告 JSON + figures 目录下的示意图"。Markdown 便于继续编辑与版本管理，PDF 用于提交与评审。

同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
文献综述Skill（literature-review） 面向学术写作的端到端文献综述技能 多库检索、去重聚合、PRISMA 留痕、质量评估、DOI 验证、多引用样式 PDF、强制配图 需支持技能调用的平台环境；PDF 输出需 pandoc 与 LaTeX；需基础命令行能力 系统综述、荟萃分析、学位论文文献部分、研究空白梳理 优势：流程与方法学约束强、引用可验证、交付物专业；不足：依赖本地工具链，首次配置有一定门槛
人工检索 + 文献管理软件（如 EndNote、Zotero 类工具） 传统学术工作流 题录管理、去重、引用插入、格式切换 需自行逐库检索并导入；软件本身需学习 篇幅较小的综述、需要长期维护个人文献库的研究者 优势：完全可控、文献库可复用；不足：检索与筛选全靠人工，费时且易漏检，无自动合成能力
通用 AI 对话工具 + 手动粘贴文献 通用写作辅助 摘要改写、段落润色、提纲生成 门槛最低 已有检索结果、只需要文字组织的场景 优势：上手快、成本低；不足：不保证引用真实，容易生成不存在的 DOI，无检索留痕与格式合规保障
学术搜索引擎自带的推荐/追踪功能 检索增强 引文网络、相关论文推荐、被引追踪 无需安装 从前沿论文反向扩展检索、追踪最新进展 优势：发现相关文献效率高；不足：不产出成稿，不做质量评估与引用格式统一，需与其他工具拼接使用

选择建议：如果目标是一篇需要交代检索方法、经得起审稿人追问的综述，文献综述Skill 的流程价值最大；如果只是给已有材料润色，通用工具足够；如果检索阶段想快速扩展引文网络，可以先用学术搜索引擎铺开面，再交给技能做筛选与合成。

该技能的典型应用场景与实际体验情况

场景一：医学研究生的学位论文文献综述 角色是临床医学方向的研究生，痛点是不熟悉系统综述的报告规范，检索词随手写，导致要么漏检要么一次返回上千条无关结果。使用方式：先用 PICO 拆解研究问题，让技能生成带 MeSH 术语的检索式，在 PubMed 与 bioRxiv 各跑一轮，再用去重脚本合并。实际体验是"从凭感觉搜变成按公式搜"，检索式被完整记录在方法学部分，答辩时可以直接展示检索日期与命中数量。注意事项：预印本结果需单独标注"未经同行评审"，并检查是否已正式发表，否则容易被质疑证据等级。

场景二：药企或科研机构的立项调研 角色是研发情报岗，需要在两周内摸清某个靶点的研究现状与空白。使用方式：跨 PubMed、Semantic Scholar、ChEMBL、UniProt 多源检索，按引用量排序优先读高影响力论文，用主题合成快速产出"共识—争议—空白"三段式结论。实际体验是聚合与排序环节节省最多时间，因为人工面对几百条题录很难快速识别奠基性工作；技能给出的引用阈值参考表（如 7 年以上 500+ 引用为开创性工作）让筛选有据可依。注意事项：跨库元数据格式不统一，去重环节需以 DOI 为主键、标题为备选，偶有同一论文标题略有差异而未被合并的情况，需要人工抽查。

场景三：交叉学科团队的综述初稿 角色是计算机与生物交叉方向的研究者，痛点是不熟悉生物医学期刊的引用格式要求，投稿前反复被编辑退回修改格式。使用方式：先按 APA 成稿便于团队协作阅读，定稿前用 --citation-style nature 重新导出 PDF，引用一致性由验证脚本统一保证。实际体验是格式切换几乎零成本，引用验证报告能明确定位到哪一条 DOI 解析失败。注意事项：LaTeX 环境未配置时会生成失败，建议先跑 --check-deps 自检，避免临交稿才发现缺依赖。

场景四：需要可视化表达的综述报告 角色是需要做组会汇报或项目结题的研究者。使用方式：让技能生成 1-2 张示意图，如系统综述的 PRISMA 流程图、主题合成图或研究空白地图，命令为 python scripts/generate_schematic.py "您的图表描述" -o figures/output.png，输出保存在 figures 目录。实际体验是 PRISMA 流程图原本最费时，现在基本一键完成且色盲友好。注意事项：图注描述越具体，成图越贴合预期，建议把纳入排除的每一层数字写进描述里。

该技能能为用户带来的价值

效率层面：最耗时的三个环节——多库检索与题录合并、逐条核对引用、套用期刊格式排版——全部自动化。以一篇纳入百篇量级文献的系统综述为例，传统做法检索去重与格式核对常占据总工时的一半以上，而技能把去重、排序、格式化、导出串成几条命令即可完成，研究者的时间得以集中到真正需要判断力的部分：筛选标准、证据质量与主题洞察。

质量层面：引用错误是综述类稿件最常见的硬伤，verify_citations.py 通过 DOI 解析与 CrossRef 元数据比对把关，把"引用看起来对但实际查无此文"的风险前置拦截。PRISMA 流程图与检索参数留痕，则直接对应审稿人最常追问的两个问题：你怎么搜的？为什么最后只剩这些？

门槛层面：系统综述的方法学对新手并不友好，PICO、纳入排除标准、质量评估工具、报告规范往往要靠导师口头传授或啃手册。技能把七阶段流程与检查清单内置化，相当于把一位熟悉规范的方法学搭档装进工作流，让没有系统综述经验的研究者也能产出结构合规的稿件。

长期价值：检索策略、引用验证报告、模板稿件都会沉淀为可复用的资产。同一课题的后续更新（如年度追踪）只需调整年份参数重跑，即可得到可比对的新版本，形成可持续维护的综述能力，而不是一次性消耗。

常见问题 FAQ

Q1：这个技能怎么安装？需要准备什么？ A：在支持 AI 技能的平台技能库中按英文名 literature-review 或技能ID 13035 找到并安装，具体入口路径以官方说明为准。安装前建议准备好 Python 环境（pip install requests 用于引用验证）以及 pandoc 与 LaTeX（用于 PDF 输出），装完运行 python scripts/generate_pdf.py --check-deps 自检依赖是否齐全。

Q2：这个技能收费吗？ A：技能本身的功能说明中未包含定价信息，是否收费取决于所在平台的计费策略，请以官方说明为准。需要留意的是，PDF 生成依赖的 pandoc、LaTeX 以及部分数据库 API（如 Semantic Scholar 的付费层）可能有各自的使用条款，这些属于第三方成本。

Q3：它生成的引用会不会是编造的？ A：技能的设计正是为了避免这个问题。定稿前必须运行 verify_citations.py，脚本会提取全部 DOI、验证解析、再从 CrossRef 拉取元数据比对作者与标题，任何失败项都要修正并重跑直到全部通过。这也意味着你不能跳过验证环节直接提交稿件。

Q4：适合谁用？不适合谁？ A：适合需要做系统综述、荟萃分析、范围综述、学位论文文献部分的研究者，以及需要快速摸清领域现状的研发情报人员。如果你只是想要一段通顺的背景介绍、不打算交代检索方法，用通用对话工具更快；如果完全不熟悉命令行操作且无人协助配置环境，首次上手会有一定门槛。

Q5：和普通 AI 写作工具最大的区别在哪？ A：区别在于流程约束与可验证性。普通工具帮你把文字写顺，但不会强制多库检索、不会记录检索字符串与日期、不会要求按主题而非逐篇组织、更不会逐条校验 DOI 并生成 PRISMA 流程图。换句话说，它交付的不只是一篇文章，而是一套能经得起审稿追问的方法学证据链。