写综述最痛苦的部分，往往不是写作本身，而是写作之前那段漫长的「暗黑时间」：检索词怎么定、筛完 300 篇还剩 80 篇、每篇都得读摘要、读完还要判断哪条结论更可信。

很多研究生把大量精力耗在这上面，最后综述的质量却取决于运气——漏掉关键文献、引用了证据等级偏低的结论，都是常见翻车点。

这篇文章梳理一套可复用的 AI 辅助综述工作流：检索 → 筛选 → 证据分级 → 结构化输出。不是让 AI 替你做研究，而是把体力活压到最短，把判断力用在刀刃上。

一、检索：先让 AI 帮你把「检索词」翻译成「检索式」

很多人检索的第一步就输了：直接用口语化短语去 PubMed 搜，出来的结果要么太宽、要么太窄。

正确做法是先用自然语言描述你的研究问题，让 AI 帮你拆解成 PICO 结构（人群、干预、对照、结局），再对应生成 MeSH 词与自由词组合的检索式。比如「高血压合并慢性肾病患者的降压药选择」，AI 能同时给出 MeSH 词表、同义词扩展、逻辑运算符组合，检索式一步到位。

这一步省下的不是几分钟，而是好几轮试错。DeepBio 的文献能力里就内置了这样的检索式生成与公共数据库查询，检索结果直接带回标题、摘要与元数据，无需在多个网站间来回复制粘贴。

二、筛选：用「排除理由」代替「凭感觉」

文献筛选的黄金法则是可追溯：为什么留、为什么剔，每一步都要有记录。PRISMA 流程图要求的就是这个。

AI 可以把筛选过程做成半自动流水线：

  • 第一轮：按标题 + 摘要剔除明显无关的文献，输出剔除清单与理由；
  • 第二轮：对剩余文献做主题聚类，按研究类型（RCT、队列、综述、Meta 分析）分组；
  • 第三轮：你只对「边界文献」做人工裁决，AI 列出每篇的争议点供你判断。

这样筛下来的文献集合，每一篇的取舍都经得起追问，写进方法学部分也是现成的材料。

三、证据分级：结论的「硬度」要一眼看清

综述的价值在于给读者一张「证据地图」：哪些结论经过多项高质量研究验证，哪些还停留在单中心观察，哪些只是机制假说。传统的做法是读完所有全文后靠记忆判断，而 AI 可以基于研究设计、样本量、发表期刊与引用情况，对每篇文献做证据等级初判，并在输出中显式标注。

比如同样是「某药物有效」这个结论，来自系统评价的表述和来自单臂观察的表述，权重完全不同。DeepBio 的综述输出会按证据等级分层组织：高等级证据结论、中等级证据结论、存在争议或证据不足的领域，一目了然。引用时你会天然地倾向高等级证据，综述的可信度也就上来了。

四、结构化输出：综述初稿 + 对比表格一步到位

筛选和分级完成之后，AI 可以围绕你的研究问题生成综述初稿：摘要、引言、方法、结果、讨论、结论各章节齐全，结论均标注对应文献；同时自动生成文献对比表格（研究人群、样本量、主要结局、证据等级），这就是综述正文里最值钱的那张表。

更重要的是，这个过程是可复核的：每一条结论都链接到原始文献，你在初稿上做批判性删改，而不是从头堆砌。审稿人常问的「这条结论的依据是什么」，你随时能答上来。

写在最后

AI 辅助综述的正确姿势，是把 AI 当研究助理而非代笔者：检索式由它生成，筛选由它打样，分级由它初判，但选题、裁决与最终判断必须在你手里。

流程跑通之后你会发现，写综述最耗时的部分从「两周」缩短到「两天」，剩下的时间都花在真正需要你判断的地方——这才是 AI 该有的用法。