如何用 AI 读研究论文，又不被幻觉带偏？

1. 先决定：你是在筛选论文，还是要真正掌握它？

AI 很适合做第一轮筛选：归纳题目、摘要和关键词，帮助你从几十篇候选里找出值得深读的几篇。但筛选只回答“可能相关吗”，不能证明方法正确、实验可信或结论适用于你的问题。

如果目标是引用、复现或学习一篇论文，就进入深读模式：核心主张必须能回到原文，关键步骤必须能由你自己解释。不要把一个看起来完整的 AI 摘要当成已经读过论文。

2. 第一遍先由你建立论文地图

先不问 AI，读标题、摘要、图表标题、实验表格和结论。写下五件事：论文解决什么问题、提出什么方法、拿什么基线比较、最重要的结果是什么、作者承认什么限制。

这一步让你先形成自己的问题框架。长上下文研究表明，模型即使能接收完整文档，也可能更难使用位于中间的信息；因此“我上传了整篇 PDF”不是完整阅读的保证。

• 这篇论文的一句话主张是什么？
• 哪张图或哪张表最直接支持它？
• 哪些术语、符号或前置知识阻碍了我？
• 哪些结论来自实验，哪些只是作者解释？

3. 只问有边界、能定位的问题

不要只问“总结这篇论文”。把问题缩到一个术语、一段方法、一张表或一步推导，并要求模型标明证据位置。更好的提示是：“只依据第 3.2 节解释这个符号；如果原文没有说明，就明确说没有说明。”

让模型区分三类内容：原文明说的事实、根据原文做出的推断、为教学补充的背景知识。三类内容混在一起时，流畅的答案最容易被误认为论文结论。

• “这句话在论文哪一页、哪一节或哪一个公式附近？”
• “请列出支持这项结论的实验设置、指标和对照组。”
• “作者没有写出的步骤是什么？请把推测明确标为推测。”
• “这里有哪些条件一旦改变，结论就可能不成立？”

4. 沿证据链逐项核对，不要只检查语气

对数字，检查表格、单位、数据集和比较基线；对引用，打开真实论文并核对标题、作者、年份与它实际支持的主张；对公式，检查符号定义、假设和前后推导。不要因为答案带有引用格式，就默认引用存在或支持这句话。

OpenScholar 的结果说明，专门的检索、重排、反馈和引用核验能明显改善科学问答；同一研究也明确不主张自动化可以完全取代文献综合。对普通聊天模型，更应把可点击来源与局部证据当作最低要求。

5. 用“关掉 AI 后还能做什么”检验理解

完成一段阅读后，关闭聊天窗口，画出方法流程、复述一个核心结果，并尝试重推一个关键步骤。再回到论文检查遗漏。这个测试把“看懂一段解释的熟悉感”与真正能调用的知识分开。

还可以先用一篇你已经熟悉的论文校准模型：让它总结、补全省略推导并批评论文，然后逐条找错。如果你无法识别熟悉材料中的错误，就没有理由相信自己能识别陌生论文里的错误。