Tao的碎碎念

碎碎念

查论文总是漏?我把查新拆成了八步

约 7 分钟

目录

最近给毕业论文做查新,一个想法定下来之前,要先确认有没有人做过。

我自认为查得挺全:OpenAlex、Semantic Scholar、arXiv、Crossref、dblp 都查了,还让另一个模型独立再查一遍,最后两边合并。结果还是有几篇关键论文,是方案都写完了才冒出来的,其中一篇直接让一个方向作废。

回头看漏掉的那几篇,发现它们漏得很有规律。

漏掉的论文有规律

一、只用自己的说法搜。 我搜的是自己给这个想法起的名字。但同一个机制,换个年代、换个领域,叫法完全不同。

举个大家熟悉的例子:今天说“知识蒸馏”(Hinton 等,2015),但“用大模型的输出去训练小模型”这件事,2006 年就有人做过,当时叫“模型压缩”(Model Compression,Buciluă 等)。只搜“蒸馏”,就找不到那篇。

我漏掉的几篇,有的是十年前的老论文,用的是当年的说法;有的是顶会论文,但它把这件事叫成了另一个名字。

二、引用只往一个方向追。 我一直在查“谁引用了最接近的那几篇”。可最接近的往往是新论文,被引次数是 0,往后追什么也追不到。真正该追的是它们的参考文献,那些老的先例基本都在里面。

三、每次都从零开始。 每次查完写一份报告就结束了,没有一份累积的清单。下次再查,说不清上次查过什么、漏了什么,“每周查一次新论文”也就做不起来。

还有一点是复盘时才意识到的:我确实让另一个模型独立查了一遍,但它干的活和我一样,都是搜关键词、读摘要。真正需要推理的几件事,比如“这个机制以前叫什么”“这两篇是不是同一个东西”“我还漏了哪一类”,没有交给推理最强的模型去做。

改成八个步骤

每一步都定一个“做到什么程度算完成”,报告里逐步写清楚做了什么、哪里没查到。其中第 1、5、7 步交给推理最强的模型(比如 GPT Pro),其余几步靠 API 检索和人工核对。

1. 先写机制描述,再让推理模型列出其他叫法

用两三句话写出想法的机制,不用自己起的名字。

然后把它交给 GPT Pro 这类推理最强的模型,让它列出这个机制在不同年代、不同领域可能的叫法:十年前的说法、现在的说法、机器学习里的通用说法、中文文献里的说法。每个说法最好附一篇代表论文,方便下一步验证这个说法是不是真的有人在用。

这一步要靠对文献的广泛了解和推理,API 检索做不了,所以值得用最强的模型。后面所有检索都用这张术语表。完成标准:每一类说法至少有一组检索式。

2. 多平台检索,按年份分段看

每组检索式在几个平台各跑一次。不要只按日期倒序看最新的,而是分三段看:十年前、近五年、最近一年。

老论文的威胁往往最大,它们决定了“这个问题是不是早就有人提过”。

3. 引用往两个方向追

挑 3–5 篇最接近的论文当“种子”:

  • 往前追参考文献:老的先例主要从这里来;
  • 往后追被引:种子被引为 0 时跳过;
  • 新找到的高威胁论文当新种子,再追一层,一般两层就够。

注意:OpenAlex 返回的参考文献经常不全,有的论文只解析出一两条。结果很少时,直接打开 PDF 看参考文献列表。

4. 把小而集中的会议整本扫一遍

每个细分领域都有几个最集中的会议或期刊。用 dblp 按会议和年份把论文列出来,用第 1 步的词过滤标题,再看摘要。量不大,但命中率很高。

另外可以用 Semantic Scholar 的相似论文推荐,给每个种子拉一批相似论文,补上关键词漏掉的。

5. 让推理模型专门找能否定你的论文

把机制描述交给 GPT Pro,问题直接写成“找否定”:

找出已经提出过这个机制、或足以否定它新颖性的已有工作。
每一篇都给出:标题、年份、出处、DOI 或 arXiv ID,
以及原文中说明它做了这件事的那一段话。
另外,有没有机制等价、但名字不同的方法?

几个要点:

  • 不要附上“我觉得它新在哪里”。一旦写了,检索就容易被带偏,只去找支持你的证据;
  • 要原文段落,不要只要结论。有原文可以核对,模型也会挖得更深;
  • 问“机制等价”:两个方法写法不同、名字不同,推一步可能就是同一回事。这种关系关键词搜不出来,恰恰是推理模型最擅长的;
  • 想一次拉一批候选,可以再用 deep research 补充;另一个模型独立做一遍也有用。

还有一点:如果想法还没公开,交给外部服务时只写到机制层面,不写具体参数和实验设计。

6. 查中文文献

中文期刊和学位论文要单独查。往届学位论文里如果有类似的工作,评审最容易注意到,偏偏这一块最容易被跳过。

7. 收尾审查:让推理模型检查你漏了什么

前面都做完以后,把机制描述和这次找到的论文列表(标题、年份、出处、威胁程度)一起交给 GPT Pro,问三件事:

  1. 还漏了哪一类工作:哪个领域、哪个年代、哪种说法没有查到?
  2. 哪篇的威胁被高估或低估了,为什么?
  3. 哪几篇其实是同一个机制?

这一步不是再搜一遍,而是检查覆盖范围。它指出的漏洞,回到第 2–4 步补查。完成标准:它指出的每一处遗漏,都写明“已补查”或“为什么不补”。

8. 逐篇核对,再记进清单

所有模型给出的论文都可能是编的,GPT Pro 也不例外。每一篇都要用接口查一下 ID 是否真实存在、标题作者对不对得上:

Terminal window
# 用 DOI 查(Crossref),会输出这篇论文的标题
curl -s "https://api.crossref.org/works/10.1109/CVPR.2016.90" | jq '.message.title'
# 用 arXiv ID 查,第二个 <title> 是论文标题
curl -sL "https://export.arxiv.org/api/query?id_list=1706.03762" | grep "<title>"

核对不了的标“未核实”,不写进结论。读过的论文也标清楚读到哪一步:读了正文、只读了摘要,还是只看到标题。

推理模型能做什么、不能做什么

GPT Pro 这类模型负责找线索、做判断:换说法、找否定、判断两篇是不是同一个机制、检查覆盖范围。

但保证搜全、核实真伪还得靠 API 检索和引用追踪,原因有三个:

  • 不能复现:同一个问题问两次,结果不一样。你说不清它查了哪些范围,报告里的“检索覆盖”就写不出来;
  • 会编造:论文、页码、原文段落都可能是编的,所以必须有第 8 步;
  • 只能手动用:网页版接不进脚本,做不了每周自动的增量查新。

所以两边是互补的:推理模型告诉你该往哪里找,API 和引用追踪保证你真的找过了。

用一份清单把每次查新串起来

我现在用一个 CSV 记所有找到的相关论文,一篇一行:

列 内容
id DOI 或 arXiv ID
title / year / venue 标题、年份、出处
threat 威胁程度:高、中、低
verified 读了正文、摘要,还是只看到标题
found_by 从哪个渠道找到的:关键词、参考文献、被引、会议扫库、推理模型找否定、收尾审查……
first_seen 第一次找到的日期

有了它:

  • 每周增量查新变得很便宜:把检索式存下来,每周重跑一次,只看清单里没有的;
  • found_by 这一列能看出哪种渠道最管用,下次优先用。

工具踩过的坑

  • Semantic Scholar 经常返回 429:匿名访问时普通检索接口很容易被限流,改用批量检索接口 /graph/v1/paper/search/bulk,或者申请一个免费的 API key;

  • OpenAlex 的参考文献不全:按引用检索会漏,关键论文要看 PDF;

  • arXiv 不等于全部:只发期刊的论文、会议短文、只放在 Zenodo 上的材料,arXiv 上都没有;

  • Google Scholar 用脚本基本查不了,会被拦,只能在浏览器里手动查。它的“被引提醒”倒是很好用,给最接近的几篇论文设上,有人引用就会收到邮件;

  • paper-search MCP 在国内启动超时:我用 paper-search-mcp 一次查多个源。用 uvx 启动时,它每次都会重新解析依赖,缓存里缺包就要从 PyPI 下载,国内网络下很容易超过 30 秒的连接时限。解决办法是固定安装成本地工具,启动时就不用联网了:

    Terminal window
    uv tool install "git+https://github.com/openags/paper-search-mcp"

    装完把 MCP 配置里的 command 改成 uv tool dir --bin 显示的目录下的 paper-search-mcp,参数清空。

最后

查新的结论永远只能写成“在我查过的范围内,没有发现完全重复的工作”,而不是“这个想法以前没人做过”。没搜到不等于不存在。

能做的,就是让“查过的范围”尽量大,并且把这个范围写清楚。

打开手机微信,扫一扫
打开后点右上角 ··· 就能转发

点右上角 ···
选「发送给朋友」或「分享到朋友圈」

← 全部文章