ARTICLE · 1140565
07 文献处理三件事:整理已下载的、让它自己去下载、读成笔记入库
进入科研环节。这一篇是整个系列最实用的一篇，因为它解决的是每个做研究的人都绕不过的三个动作。
我把它拆成三部分，顺序就是真实的工作顺序：你电脑里已经堆了一批 PDF，先把它们整理清楚；接下来还需要新文献，让 WorkBuddy 去知网帮你找并下载；下载完不能只是躺在文件夹里，要读成笔记、进知识库。
三部分可以独立跑，也可以串成一条流水线。建议先跑第一部分，因为它最安全、见效最快。
第一部分：整理已经下载的文献
1.1 先看清现状
打开你的下载文件夹，大概是这个样子：知网导出.pdf、知网导出(3).pdf、12345678.pdf、基于DEA的效率评价研究.pdf、还有几个不知道从哪来的 article.pdf。
这批文件的问题不是“没整理”，是没有可检索性。你知道自己下载过一篇讲双重差分的文章，但你没法找到它，只能重新去知网下一遍。我干过不止一次。
2.2 分步指令
别把五步一次贴进去。拆成五条，跑完一条、花半分钟看一眼结果，再贴下一条。 一条长指令一口气跑效果差，根源在第三步：它本该“先停下来给方案”，混在同一条里，AI 常常不停顿，直接跳到改名和移动。
第一步｜盘点（只读，不动）
只做盘点：不要读取正文、不要改名、不要移动、不要建文件夹。 处理 D:\AI工作台\科研\文献待整理 下的所有 PDF，列出： - 文件总数； - 每个文件的页数和大小； - 逐个标记两类异常：打不开的、明显是扫描件（无文字层）的。 把扫描件归到「需OCR」子文件夹，不做后续处理。 完成后停下，报告：总数 / 可正常读取多少篇 / 需OCR多少篇 / 打不开多少篇。
PLAINTEXT
跑完先看这份“体检报告”。「需OCR」占比过高（比如过半），先按 1.4 处理，别往下走。
第二步｜提取元数据（只提取，不分类）
只做提取：不要改名、不要移动、不要分类。 逐篇读取 D:\AI工作台\科研\文献待整理 下的 PDF（优先读首页和摘要页），提取： 标题 / 全部作者 / 第一作者单位 / 发表年份 / 期刊或会议名 / 关键词 / 研究方法 / 数据来源 / 核心结论一句话 / 是否为实证研究 / DOI或知网链接 硬约束： - 所有字段必须来自 PDF 原文，不许根据标题推测。 - 提取不到的字段填「待补充」，不许留空，不许编造。 - 期刊名必须是原文出现的完整名称，不许简写或补全。 每完成 5 篇报告一次进度。 全部完成后输出一张 Markdown 表格，并报告「待补充」字段的总数。
PLAINTEXT
「待补充」的总数是质量信号（见 1.3）。数字高得离谱，先回头解决源文件，别接着跑。
第三步｜出分类方案（只看，不动）
基于上一步的提取结果，只出方案：不要改名、不要移动、不要建文件夹。 1. 归纳研究主题分类，控制在 5 类以内，另设「其他」。 2. 列出分类方案，以及每类包含哪些文献（按篇名列全）。 3. 给出重命名规则「年份_第一作者_标题前15字.pdf」，并示范围例 10 条。 输出后停下，等我确认。确认前不要执行任何改名或移动。
PLAINTEXT
这一步的停顿是硬要求（见 1.3）：花一分钟审方案，换掉出事时半小时找文件。
第四步｜执行归档
按我确认后的方案执行： - 按「年份_第一作者_标题前15字.pdf」重命名； - 移入对应的主题子文件夹。 同时保留一份「原文件名 → 新文件名」对照表，存成单独文件，以便回溯。 完成后报告：改名多少篇、移动多少篇、有无失败。
PLAINTEXT
第五步｜输出清单
生成 Excel「文献清单_日期.xlsx」（日期用今天），存到 D:\AI工作台\科研\文献待整理\，两个工作表： - 工作表1「文献总表」：第二步全部字段 + 所属主题 + 新文件名 + 完整路径 - 工作表2「改名对照」：原文件名 | 新文件名 | 所在主题 交付时报告：共处理多少篇、其中「待补充」字段多少个、需OCR多少篇。
PLAINTEXT
3.3 三个必须注意的点
第三步的停顿是硬要求。 重命名和移动文件不可逆。我第一次跑没加这一步，它把一批文件按自己归纳的主题词改了名，找回来花了半小时。现在凡是涉及批量改名、移动、删除，我的指令里一律有“停下等确认”。
“改名对照表”是保险。 万一发现分类不对，你有一张表可以还原。这个动作成本极低，价值在出事的时候。
“待补充”的数量是质量信号。 如果一百篇里有三百个待补充字段，说明大概率是 PDF 质量问题（扫描件多、排版特殊），要先解决源文件问题，而不是接着往下跑。
4.4 扫描件怎么办
老一点的中文文献常常是扫描件，没有文字层，直接读会得到空白。处理办法是让它先 OCR：
处理「需 OCR」文件夹里的 PDF。逐个做文字识别，生成同名的 txt 文件放在同目录。识别完成后告诉我每个文件的识别质量（好/一般/差），差的单独列出，我人工处理。
识别质量差的不要硬用。OCR 出错的数字和人名会一路错到你的引文里，而且极难发现。
第二部分：让 WorkBuddy 去知网找并下载
这是很多人不知道能做的事。WorkBuddy 有浏览器控制能力，可以真的打开浏览器、输关键词、翻页、点下载来源。
但有一个前提必须先说，否则这一部分你一步都走不动。
5.1 前置条件：先把 agent-browser 装上
刚装好的 WorkBuddy 默认不具备浏览器操作能力。你直接让它去知网检索，得到的大概率是「无法访问该网站」或者一段它自己编出来的检索结果——后者更危险，因为看起来像真的。
要让它真的能开浏览器，需要先安装 agent-browser（技能市场里也叫 Agent Browser）。这个技能提供的是打开页面、滚动、点击、展开、截图、读取页面信息这一整套动作，专门用于需要交互和动态渲染的网页来源。
两种安装方式，任选一种：
一是在 WorkBuddy 的技能市场里搜索 agent-browser，点安装，安装完重启一次会话。二是直接在对话框里说「帮我安装 agent-browser 技能」，让它自己完成安装并告诉你结果。第一种更可靠，出问题也更容易定位。
装完不要马上派大活，先用一条最小任务验证：
用浏览器打开 https://www.cnki.net/ ， 告诉我三件事：页面标题、首页检索框是否可见、当前是否为已登录状态。 然后截一张图给我。不要做任何检索或下载操作。
PLAINTEXT
能返回真实标题和截图，说明技能真的生效了。如果失败，按三类原因排查：技能没装上或没重启（最常见）、网络或校园 VPN 没通、页面是动态加载、内容还没渲染完就被读取。第三种的处理办法是在指令里明确「等页面完全加载后再读取，必要时先滚动到底」。
这一节看起来琐碎，但它是第 09 篇所有网页取数任务的共同起点。装一次，后面都能用。
6.2 先说清边界和前提
这一部分必须先讲清楚规则，否则会有麻烦。
第一，权限是你的，不是它的。 知网的下载权限来自你所在高校的订阅。WorkBuddy 做的是替你操作浏览器，它用的是你已经登录的、你有权使用的账号。它不会、也不应该绕过任何付费墙。
第二，登录要你自己完成。 学校 VPN、机构登录、验证码，这些必须你手动做。让 AI 处理登录凭据是坏习惯，不要把账号密码写进指令。我的做法是：先自己在浏览器里登录好、确认能正常下载，再把控制权交给 WorkBuddy。
第三，控制频率。 不要让它连续几百次快速请求。这既容易触发反爬限制、导致你的账号被临时封禁，也不符合数据库的正常使用规范。我给的限制是每次任务不超过二三十篇，条目之间留间隔。
第四，只下你确实要读的。 批量下载三百篇然后一篇不读，除了占硬盘什么价值都没有。这一条听起来像废话，但我见过太多人的文献夹就是这么形成的。
7.3 分两步：先检索出题录，再下载
不要让它一步做完“搜索并下载”。先出题录清单，你筛完再下，这是效率和合规的双重保障。
第一步：检索出题录
用浏览器打开知网（我已在浏览器中完成机构登录，请直接使用当前登录状态， 不要尝试处理任何登录或验证码环节，遇到需要登录时停下告诉我）。 检索条件： - 主题词：数字政府 AND 绩效评价 - 时间范围：2020-2026 - 来源类别：CSSCI 及北大核心 - 学科：管理学、公共管理 操作要求： - 按被引频次降序排列 - 只采集前 3 页结果 - 每条提取：篇名 / 作者 / 作者单位 / 期刊 / 发表年期 / 被引频次 / 下载频次 / 关键词 / 摘要全文 / 详情页链接 - 摘要必须是页面上的完整摘要原文，不许改写或缩写 - 页面上没有的字段填「待补充」 输出 Excel「知网题录_数字政府绩效评价_日期.xlsx」， 存到 D:\AI工作台\科研\文献待整理\ 不要下载任何文件。这一步只采集题录。
PLAINTEXT
第二步：我筛完之后再下载
拿到题录表，我会人工做一遍筛选——读摘要，在表格里加一列“是否下载”，标 Y 的才下。这一步不能交给 AI，因为判断一篇文献值不值得读，是研究能力本身。
筛完之后：
读取「知网题录_数字政府绩效评价_日期.xlsx」， 只处理「是否下载」列标记为 Y 的条目（应为 18 条，请先核对数量并报告）。 逐条打开详情页链接，下载 PDF 全文，存到 D:\AI工作台\科研\文献待整理\ 文件名按「年份_第一作者_篇名前15字.pdf」命名。 执行要求： - 每篇之间间隔几秒，不要高频连续请求。 - 下载失败的（无权限、无PDF、页面异常）不要重试超过两次，记录失败原因，跳过继续。 - 每下载 5 篇报告一次进度。 全部完成后输出「下载结果表」： 篇名 | 状态（成功/失败） | 失败原因 | 文件名 | 文件大小 最后报告：成功多少篇、失败多少篇。
PLAINTEXT
8.4 下载完立刻接第一部分
下载好的文件直接进入第一部分的整理流程。这时候你会发现一个好处：知网题录表里已经有完整元数据了，可以直接和第一部分提取的结果交叉核对——两边不一致的地方，就是提取出错的地方。这是个很好用的自动质检。
把「知网题录」表和「文献清单」表按篇名匹配，列出两表中作者、年份、期刊三个字段不一致的条目，标注两边各是什么值。不要自动修正，只报告差异。
“不要自动修正”很重要。让它报告，你来判断。
9.5 其他数据库和网页
同一套方法适用于万方、维普、Web of Science，以及各级政府网站的政策发布页面。遇到反爬强、依赖登录态、需要动态渲染的页面，普通抓取会失败，这类情况需要更专门的浏览器自动化方案，属于第 09 篇的范围来源。
第三部分：读成笔记，存进知识库
文献下载好、整理好，最容易发生的事是：躺在文件夹里，一篇没读。
这一部分解决的是把 PDF 变成可用的知识。
10.1 精读一篇：文献速读卡
我用一个固定结构，字段是刻意设计的——每个字段都对应我后面写综述或论文时会用到的东西。先看一眼成品长什么样，再决定要不要抄这个结构：
精读 D:\AI工作台\科研\文献待整理\效率评价\2023_张某_数字政府建设对行政效率.pdf 按以下结构输出，字段名不许改，顺序不许调： 【1. 基本信息】标题 / 作者 / 期刊 / 年份 / 学科领域 【2. 研究问题】作者想回答什么？用原文表述，标注页码。 【3. 理论基础】用了什么理论框架？关键概念如何定义？定义要引原文。 【4. 数据与方法】 - 数据来源、样本范围、样本量、时间跨度 - 识别策略或分析方法 - 核心变量及其测量方式（逐个列出） 【5. 核心结论】主要发现 3-5 条，每条标注对应的表号或页码。 【6. 作者自述的局限】作者在文中承认了哪些不足？原文摘录。 【7. 我读出的问题】你认为这篇研究在方法或论证上可能存在的问题。 明确标注这一节是「AI 推断，需人工判断」。 【8. 与我的研究的关系】 我的研究方向是：数字政府建设的绩效评价体系构建。 说明这篇文献可以支撑我哪个部分，或与我的思路有何不同。 【9. 可引用原句】挑 3-5 句适合直接引用的原文，逐句标注页码。 原句必须逐字准确，不许改写、不许合并两句。 【硬约束】 1. 第 2-6、9 节全部内容必须来自 PDF 原文，不许补充任何文外信息。 2. 原文没有的，写「原文未提及」。 3. 只有第 7 节允许你推断，且必须标明。 4. 页码必须是 PDF 中真实存在的页码，无法确定的写「页码待核」。
PLAINTEXT
第 6、7 节分开是刻意的。 “作者自述的局限”是原文事实，“我读出的问题”是 AI 推断，两者绝不能混。混在一起你会把 AI 的猜测当成作者的自白引用出去，这是很难挽回的错误。
第 9 节的“逐字准确”必须写。 AI 会不自觉地润色引文，读起来更通顺，但已经不是原句了。引文出错在学术上是硬伤。
这个结构我封装成了一个 Skill 叫 lit-card，源码开源在《3 个科研 Skill 源码（免费开源）》里，装上之后一句话就能触发，不用每次贴这段。
11.2 批量做卡：一批文献一起过
单篇能跑通之后，改成批量：
对「效率评价」文件夹下 12 篇 PDF，逐篇按 lit-card 结构生成速读卡。 要求： - 每篇输出一个独立的 Markdown 文件，存到 D:\Obsidian\研究库\文献\，文件名「年份_第一作者_主题.md」 - 每完成 3 篇报告一次进度，我可以中途叫停 - 全部完成后，额外生成一份「批次总览.md」， 用表格汇总 12 篇的：文件名 | 研究问题 | 方法 | 核心结论 | 与我研究的关系
PLAINTEXT
“每完成 3 篇报告一次”是给自己留后路。 如果它前三篇的输出质量就不对，你可以立刻叫停调整，而不是等十二篇全部跑完。
12.3 直接写进 Obsidian，带上 YAML 和双链
如果你用 Obsidian（第 06 篇讲过），可以让笔记直接符合你的库规范：
生成速读卡时，按以下 Obsidian 规范： 文件开头 YAML： --- title: 论文标题 authors: [作者1, 作者2] year: 2023 journal: 期刊名 tags: [文献/数字政府, 方法/双重差分] status: read rating: --- （rating 留空，我自己填） 正文用二级标题分节，节名与 lit-card 的 9 节一致。 在「与我的研究的关系」一节中，用 [[双链]] 关联到 vault 中已有的笔记。 硬约束：只能关联 D:\Obsidian\研究库\ 下确实存在的笔记文件， 关联前先列出你打算关联的文件名让我确认，不许创建指向不存在笔记的链接。
PLAINTEXT
最后这条约束我在第 06 篇也强调过，这里再说一次：AI 编双链会在你的 vault 里留下一片死链，而 Obsidian 不报错，只默默显示成待创建的空笔记。等你发现时已经几十条了。
13.4 存进 WorkBuddy 知识库
笔记生成之后，把它们放进第 06 篇建的“研究主题库”：
把 D:\Obsidian\研究库\文献\ 下新生成的 12 份速读卡，添加到「研究主题库」资料库中。添加完成后列出当前该库共有多少份文件，按主题分组统计。
到这里闭环完成：知网检索 → 筛选 → 下载 → 整理归档 → 精读成卡 → 进库。下一篇写综述时，就是在这个库上工作。
14.5 我自己的抽查动作
这一步永远不能省。每批笔记生成后，我固定做三件事：
随机挑两篇，回原文核对第 4 节的方法和变量。 方法描述出错是最要命的，因为你写综述时会直接引用。
核对第 9 节所有引用原句。 逐字比对，看有没有被润色。这一步我从不跳过。
看第 7 节的推断是否合理。 如果它提的“问题”明显是没读懂原文导致的，说明这篇 PDF 的提取质量有问题，整张卡都要怀疑。
AI 做不到什么
这一篇讲的三件事，AI 做得都不错，但边界很清楚。
它不能替你判断一篇文献值不值得读。 第二部分我坚持“先出题录、人工筛选、再下载”，就是因为这一步是研究能力本身。把筛选交给被引频次排序，你会得到一堆热门文献，错过真正贴合你问题的冷门好文。
它不能替你判断一篇文献可不可信。 速读卡会把有问题的结论也整理得很漂亮。第 7 节那个“AI 推断”标记的存在，就是提醒你：这一节需要你自己想。
它不能替你读。 这句话是我想强调的重点。速读卡的价值是让你用五分钟决定这篇要不要花两小时精读，不是让你不用精读。真正要引用、要作为论证支柱的文献，你必须自己完整读一遍。我自己的比例大概是：一百篇做速读卡，二十篇自己完整读，五篇反复读。
AI 压缩的是筛选和整理的时间，不是理解的时间。
下一篇
文献进库了，卡也做好了。下一步是最难的一步：写综述。
下一篇给你一套可以直接复制的综述提示词，从归类、找脉络、揪争议、定缺口到搭框架、写小节，逐环节给指令，并且说清哪一步 AI 绝对不能替你做。