metagalaxy-crystal 沁言学术 - 文献综述生成
概述
本技能通过沁言学术OpenAPI从多个学术数据库大量检索文献，结合AI分析能力，自动生成结构化的文献综述报告。适用于学位论文的文献综述章节、独立综述论文撰写、项目申请书中的研究现状部分等场景。
学术诚信声明：
- 综述中引用的所有文献均来自真实检索结果，严禁捏造文献
- 综述内容基于检索文献的实际信息进行归纳总结
- 生成的综述为初稿性质，需作者审核、修改和完善
- 不替代作者对领域的深度理解和独立思考
前置条件
使用前请确保：
- 已设置
QINYAN_API_KEY环境变量（前往 https://platform.qinyanai.com/ 申请） - 环境中可用
curl和python3
export QINYAN_API_KEY="your-api-key-here"
工作流程
第一步：明确综述范围
与用户确认：
- 研究主题/领域：具体的研究方向
- 时间范围：关注的年份区间（如近5年）
- 综述类型：系统综述 / 叙述性综述 / 范围综述
- 输出语言：中文 / 英文
- 目标用途：学位论文章节 / 独立综述论文 / 申请书
第二步：系统化文献检索
使用 scripts/search.sh 从多个数据库进行多轮、多关键词检索，确保文献覆盖面。
# 检索脚本用法
bash scripts/search.sh <source> '<json_payload>'
# source: google | wanfang | pubmed | arxiv
检索策略：
- 核心关键词检索：使用主题的核心关键词
- 同义词/近义词扩展：扩展检索词覆盖不同表述
- 子主题拆分检索：将大主题拆分为多个子方向分别检索
- 中英文双语检索：中文领域需同时检索中英文文献
各数据库参数：
| 数据源 | 命令 | 核心参数 | 说明 |
|---|---|---|---|
| Google Scholar | bash scripts/search.sh google '<json>' |
query, max_results(≤20), date_from, date_to, author | 综合学术 |
| 万方 | bash scripts/search.sh wanfang '<json>' |
query, max_results(≤100), date_from, date_to | 中文文献 |
| PubMed | bash scripts/search.sh pubmed '<json>' |
query(英文), max_results(≤200), date_from, date_to | 医学生物 |
| ArXiv | bash scripts/search.sh arxiv '<json>' |
query(英文), max_results(≤100), date_from, date_to, author | 理工计算机 |
注意：PubMed和ArXiv不支持中文检索，需将查询词翻译为英文。
# 示例：围绕"大语言模型在教育中的应用"进行多轮检索
bash scripts/search.sh google '{"query": "large language models education", "max_results": 20, "date_from": "2022"}'
bash scripts/search.sh arxiv '{"query": "LLM education tutoring assessment", "max_results": 100, "date_from": "2022"}'
bash scripts/search.sh wanfang '{"query": "大语言模型 教育应用", "max_results": 100, "date_from": "2022"}'
bash scripts/search.sh google '{"query": "ChatGPT education learning", "max_results": 20, "date_from": "2022"}'
bash scripts/search.sh pubmed '{"query": "artificial intelligence medical education", "max_results": 100, "date_from": "2022"}'
第三步：文献筛选与分类
对检索到的文献进行：
- 去重：合并不同数据库的重复文献
- 相关性筛选：排除与主题不相关的文献
- 质量筛选：优先保留高影响力期刊/会议论文
- 主题分类：将文献按研究子方向/方法类型进行归类
第四步：生成文献综述
基于分类整理的文献，按结构化模板生成综述。
第五步（可选）：使用Python生成统计图表
可通过执行Python脚本，生成文献的年份分布图、研究方向分布图等可视化内容。
# 示例：生成文献年份分布统计
import json
import collections
# 假设 papers 为检索结果列表
year_counts = collections.Counter(p.get('year', 'unknown') for p in papers)
for year in sorted(year_counts.keys()):
print(f"{year}: {'█' * year_counts[year]} ({year_counts[year]}篇)")
输出格式
# [研究主题] 文献综述
## 1. 引言
[研究背景和综述目的，说明该领域的重要性和综述的必要性]
## 2. 研究现状
### 2.1 [子方向1名称]
[该子方向的研究进展梳理，引用具体文献]
### 2.2 [子方向2名称]
[该子方向的研究进展梳理，引用具体文献]
### 2.3 [子方向3名称]
[该子方向的研究进展梳理，引用具体文献]
...
## 3. 研究趋势与热点
[基于文献时间分布和主题演变，分析研究趋势]
## 4. 现有研究的不足
[总结当前研究中存在的主要问题和空白]
## 5. 未来研究展望
[基于研究不足，提出未来可能的研究方向]
## 参考文献
[按引用顺序列出所有引用的文献，格式规范]
---
**综述统计：**
- 检索数据库：[使用的数据库列表]
- 检索时间范围：[起止年份]
- 初始检索文献数：[检索总量]
- 最终纳入文献数：[综述中实际引用数量]
质量要求
- 文献覆盖：每个子方向至少引用3-5篇代表性文献
- 时间跨度：兼顾经典文献和最新进展
- 批判性分析：不仅描述已有研究，还要分析优缺点
- 逻辑连贯：子方向之间有清晰的逻辑关系和过渡
- 客观中立：避免主观偏见，公正评价不同研究
示例工作流
用户: 帮我写一篇关于"图神经网络在药物发现中的应用"的文献综述，近3年的，中文
步骤1: 确认范围 → 图神经网络+药物发现，2023-2026，中文综述
步骤2: 多轮检索
- Google Scholar: "graph neural network drug discovery" (20条)
- ArXiv: "GNN drug discovery molecular" (100条)
- PubMed: "graph neural network drug discovery" (100条)
- 万方: "图神经网络 药物发现" (100条)
- Google Scholar: "molecular graph representation learning" (20条)
- PubMed: "deep learning molecular property prediction" (100条)
步骤3: 去重、筛选、分类
- 分子属性预测类
- 药物-靶点相互作用预测类
- 药物组合与协同效应类
- 从头药物设计类
步骤4: 生成综述报告
步骤5: 可选 - Python生成文献统计图表