学术写作者的福音

——用 AI 自动维护一个会"标矛盾"的文献综述库

作者：一只阿木木 我相信：在 AI 时代，每个普通人都该拥有一个自动生长的知识系统。

你答辩过吗

你有没有经历过这种时刻：

论文答辩前夕，导师突然问你："你有没有考虑过 XX 和 YY 这两篇文章的结论是矛盾的？你的研究怎么处理这个矛盾？"

你愣了三秒。你读过这两篇文章，但你完全没有意识到它们之间有矛盾。

然后你花了两天时间重新翻文献，发现确实有矛盾，还发现了另外四处你之前没注意到的矛盾。你把综述大改了一遍，差点延期答辩。

或者另一种场景：你在写文献综述，写到第 30 篇文章的时候，你已经忘记第 8 篇说了什么。你知道你在某篇文章里读到过一个相关的数据，但完全想不起来是哪一篇，在哪一页。你花了四个小时找这个数据，最后发现它就在你的 Zotero 笔记里，但你当时写的备注太简单，根本看不出来它在哪里有用。

这两个场景，是文献管理最经典的两种失败：矛盾检测失败和知识检索失败。

它们不是研究能力的问题，是工具的问题。

今天这篇文章，我要带你建立一个真正能用的文献综述库——一个会自动标矛盾、自动建连接、随时能回答"你读过哪些文献支持这个观点"的系统。

文献管理的现状：Zotero 解决了存储，但没有解决理解

我不打算否定 Zotero。它是目前最好的文献存储工具，没有之一。

但 Zotero 解决的问题是：把文献存进来，并且找得到。

它没有解决的问题是：理解文献之间的关系。

具体来说，Zotero 不能告诉你：

• 这 50 篇文献里，哪些在同一个问题上得出了矛盾的结论？
• 哪些文献形成了一个"理论谱系"，互相引用、互相发展？
• 当你写到某个论点时，哪些文献支持它，哪些文献反对它？
• 你的研究在已有文献图谱里处于什么位置？

这些问题，是文献综述真正困难的地方。

claude-obsidian 做的，正是在 Zotero 做存储的基础上，建立这一层理解网络。

系统设计：两层架构，各司其职

整个文献管理系统是两层架构：

text

第一层：Zotero（存储层）
   负责：PDF 存储、引用格式、DOI 管理、Zotero 同步
   不负责：文献之间的关系、矛盾检测、知识综合

第二层：claude-obsidian（理解层）
   负责：文献笔记 ingest、实体提取、矛盾检测、知识综合
   不负责：PDF 存储和引用格式（这些留给 Zotero）

两层之间的接口：结构化文献笔记（.raw/papers/）

这种设计的好处是：你不需要放弃 Zotero。两个系统并行运行，各自做自己最擅长的事。

Vault 结构：为学术写作定制

text

literature-vault/
├── .raw/
│   ├── papers/              # 文献笔记（核心输入）
│   │   ├── {作者-年份-关键词}.md
│   │   └── ...
│   ├── books/               # 学术专著笔记
│   ├── conference/          # 会议论文笔记
│   └── grey/                # 灰色文献（报告、政策文件）
│
├── wiki/
│   ├── entities/
│   │   ├── authors/         # 作者实体页（学术谱系）
│   │   ├── journals/        # 期刊实体页（影响力 + 立场）
│   │   ├── theories/        # 理论实体页（来源 + 演化）
│   │   └── constructs/      # 构念实体页（定义 + 测量方式）
│   ├── concepts/            # 跨文献的核心概念
│   ├── synthesis/
│   │   ├── debate-maps/     # 争议地图（最重要）
│   │   ├── theory-lineages/ # 理论谱系
│   │   └── meta-findings/   # 元分析发现
│   ├── my-research/         # 我的研究定位（和已有文献的关系）
│   ├── questions/           # 待解决的研究问题
│   ├── index.md
│   └── hot.md
│
├── output/
│   ├── literature-review/   # 综述草稿
│   ├── proposal/            # 开题报告
│   └── paper-drafts/        # 论文草稿
│
└── CLAUDE.md                # 研究背景 + 核心问题 + 边界定义

CLAUDE.md：把你的研究语境告诉 AI

每次 Claude 启动都会读这个文件。写好它，等于每次 Claude 都带着对你研究的完整理解在工作。

我的模板（替换括号里的内容为你自己的研究）：

Markdown

# 文献综述项目：[你的研究主题]

## 研究问题（RQ）

RQ1: [核心研究问题]
RQ2: [子问题]
RQ3: [子问题]

## 研究背景

[3-5 句话描述你的研究领域和背景，
让 Claude 知道你在什么学科、什么子领域]

## 关键词体系

**核心概念**：[概念1, 概念2, 概念3]
**同义词/近义词映射**：
- [概念1] = [同义表达A] = [同义表达B]
  （这很重要，防止 AI 把同一个概念的不同表述当成不同概念）
- [概念2] = ...

## 理论框架预设

我倾向使用的理论视角：[XXX 理论]
我已经排除的视角：[YYY 框架]（原因：...）

## 文献纳入/排除标准

**纳入**：
- 时间范围：[起始年份] 至今
- 语言：中文 + 英文
- 类型：同行评审期刊论文 + 权威专著
- 相关性：直接讨论 [核心构念] 的文献

**排除**：
- 未发表的工作论文（除非是顶级学者的）
- 纯方法论文献（除非对测量方式有直接影响）

## 已形成的初步判断

[你现在对这个领域最重要的 3-5 个判断，
哪怕是初步的、不确定的也写下来]

## 矛盾监控重点

特别关注以下争议，遇到相关内容时优先标注：
1. [争议A]：目前文献在这个问题上有分歧
2. [争议B]：测量方式的分歧
3. [争议C]：因果方向的争议

## wiki 约定

- 每篇文献对应一个来源页（wiki/entities/papers/）
- 作者有独立实体页（wiki/entities/authors/）
- 同一构念的不同操作化定义，放在该构念页的"测量争议"一节
- 发现矛盾时，不判断对错，双方来源和论据都要标注
- 我的研究贡献定位，维护在 wiki/my-research/contribution.md

文献笔记模板：这是整个系统的质量基础

这是最关键的一步。你的文献笔记写得好，整个系统的产出质量就高。

很多人的文献笔记是摘抄机器——把论文里的句子复制进去。这对 AI 的帮助非常有限，因为 AI 不知道你认为什么重要、你有什么疑问、你发现了什么矛盾。

正确的文献笔记，是你读这篇论文之后的理解产物，不是论文的镜像。

Markdown

---
# 文献基本信息（供 AI 提取实体用）
paper_id: chen-2023-attention-fragmentation
title: "Digital Attention Fragmentation: A Longitudinal Study"
authors: [陈某某, 李某某, Smith J.]
year: 2023
journal: "Journal of Applied Psychology"
doi: 10.xxx/xxx
methodology: 纵向问卷研究（N=1,847，追踪 18 个月）
data_collection: 2021-2022，中国和美国双样本
---

# 陈某某等（2023）：数字注意力碎片化研究

## 一句话总结

这篇文章用纵向设计证明了智能手机使用频率
与工作注意力碎片化程度之间的因果关系（而非仅仅相关）。

## 核心论点

**他们主张**：高频率切换 App 的行为（操作化为每小时切换次数）
会在 6 个月内显著增加认知碎片化程度（用持续注意力测试测量）。

**他们的贡献**：首次用纵向设计排除了反向因果
（不是注意力差的人才多用手机，而是手机使用导致注意力变差）。

## 关键数据

- β = 0.34（p < 0.001）：App 切换频率 → 注意力碎片化
- 效应在控制了基线注意力、焦虑、睡眠质量后仍然显著
- 中美样本结果一致，说明跨文化稳健性较强
- 中介变量：工作记忆负荷（β = 0.21）是主要中介

## 理论框架

使用了注意力恢复理论（ART）+ 资源损耗理论（ERT）。
有意思的是：他们用 ART 预测，但数据更好地支持了 ERT。
这个不一致在讨论部分被作者承认，但解释得比较含糊。

## 测量方式（这很重要）

- 自变量：日志 App 记录的实际 App 切换次数/小时
  （这比自我报告强多了，是本文的方法论亮点之一）
- 因变量：持续注意力测试（CPT），5 分钟版本
- 中介变量：工作记忆广度测试（Operation Span Task）

## 我的判断（读完的真实想法）

**强项**：纵向设计 + 客观测量自变量，因果推断比大多数同类研究强得多。

**弱项**：
1. 样本全是白领知识工作者，外部效度受限
2. 只追踪了 18 个月，不知道效应是否会饱和或反转
3. 没有区分主动切换（我选择切换）vs 被动切换（通知打断），
   但这两种机制可能完全不同

**我认为**：这篇文章的方法比结论更有价值。
它展示了怎么用行为日志数据做注意力研究，值得借鉴。

## 与其他文献的潜在关联

**支持关系**：
- 和 [[王某某-2022]] 的横截面研究结论一致，
  但本文提供了更强的因果证据
- 支持 [[注意力资源理论]] 的基本框架

**矛盾关系**：
- 和 [[Johnson-2024]] 冲突！Johnson 的元分析认为效应量很小（d=0.12），
  但本文报告的 β=0.34 换算成 d 大约是 0.40，差了三倍多
  可能原因：Johnson 的元分析包含了大量低质量研究，拉低了平均效应
  需要追查：Johnson 的纳入标准是什么？

**理论上的位置**：
- 这篇文章是"注意力碎片化有害论"阵营里方法最强的一篇
- 但它没有讨论对策，所以不能直接引用来支持干预措施

## 我的问题（读完后还没解决的）

1. App 切换和注意力的因果方向已经确定了，但切换的什么
   让注意力变差？是切换本身、还是不同 App 的内容差异？
2. 如果把通知关掉，效应会消失吗？（论文没有测试这个）

## 引用这篇文章适合的场景

**适合引用的场景**：
- 需要"数字设备使用影响注意力"的因果证据时
- 讨论行为日志数据在心理学研究中的应用时

**不适合引用的场景**：
- 讨论主动 vs 被动中断的区别时（本文没区分）
- 讨论非知识工作者群体时（样本限制）

## 如果我要反驳这篇文章

最弱的地方：只追踪了 18 个月，且没有测试干预措施是否能逆转效应。
可以说：陈等人（2023）建立了短期影响，但长期轨迹和可逆性尚不清楚。

这个模板的关键是最后两节——"适合引用的场景"和"如果我要反驳"。这两节让 AI 在做 query 的时候能精确判断这篇文献适合在什么地方用。

Ingest 流程：从笔记到知识图谱

第一次 ingest（建立基础）

text

ingest papers/chen-2023-attention-fragmentation.md

第一篇文献 ingest 之后，wiki 里会生成：

实体页（自动生成）：

• wiki/entities/authors/陈某某.md
• wiki/entities/journals/journal-of-applied-psychology.md
• wiki/entities/theories/注意力恢复理论.md
• wiki/entities/theories/资源损耗理论.md
• wiki/entities/constructs/注意力碎片化.md（含测量方式）

来源页（自动生成）：

• wiki/entities/papers/chen-2023.md

问题页（来自我的疑问）：

• wiki/questions/主动vs被动中断的区别.md

第五篇 ingest 时：矛盾开始出现

当你 ingest 到 Johnson-2024 的元分析时（我在 chen-2023 笔记里已经预告了这个矛盾），系统会在 wiki/entities/constructs/注意力碎片化.md 里自动生成：

Markdown

> [!contradiction] 效应量的严重分歧
>
> **陈某某等（2023）的发现**：
> App 切换频率对注意力碎片化的效应 β = 0.34（换算 d ≈ 0.40）
> 方法：纵向设计，N=1,847，客观行为日志测量
> 来源：[[chen-2023-attention-fragmentation]]
>
> **Johnson 等（2024）元分析的发现**：
> 数字设备使用对注意力的平均效应 d = 0.12（95% CI: 0.08-0.16）
> 方法：元分析，k=67 项研究，N=23,400+
> 来源：[[johnson-2024-meta-analysis]]
>
> **分歧的可能解释**（来自读者笔记）：
> Johnson 元分析纳入了大量低质量研究（含横截面、自我报告自变量），
> 可能因纳入偏差拉低了平均效应量。
> 需要追查 Johnson 的纳入标准。
>
> **待解决**：
> 这两个数字哪个更代表真实效应？应如何在综述中呈现这个分歧？

这个 [!contradiction] callout，就是你答辩前需要正面处理的东西。现在它在你读第五篇文献的时候就出现了，而不是在答辩前夕被导师指出来。

第二十篇 ingest 后：理论谱系自动成型

当你完成 20 篇文献的 ingest，执行 query：

text

what do you know about 注意力碎片化研究的理论发展脉络

Claude 读取了所有已有的 wiki 页面，给出一个你从来没有"主动整理过"的答案：

text

注意力碎片化研究可以被梳理成三代理论框架：

第一代（2000-2010）：单任务最优假说
核心文献：[[pashler-2000]], [[rubinstein-2001]]
基本观点：任务切换有不可避免的认知代价

第二代（2010-2018）：习惯化和适应性假说
核心文献：[[ophir-2009]], [[uncapher-2016]]
基本观点：重度多任务者发展出不同的认知策略
内部争议：这种"不同"是适应性的还是损伤性的？
（见 [[多任务适应性争议]]）

第三代（2018-今）：因果机制研究
核心文献：[[chen-2023]], [[keles-2020]], [[mark-2023]]
基本观点：开始用纵向和实验设计确立因果关系
当前前沿：干预措施的有效性（证据仍然薄弱）

你的研究定位：
根据 wiki/my-research/contribution.md，你的研究属于第三代，
聚焦于[你的具体贡献]。
与现有第三代研究的主要差异是[差异点]。

这个谱系，是 20 篇文献的 ingest 之后自动涌现的——你没有主动整理它，它是知识图谱自然生长出来的。

矛盾地图：文献综述的骨架

完成 60-70% 的文献 ingest 之后，执行：

text

基于目前 wiki 里的所有文献，
生成这个领域的"核心争议地图"，
列出所有重要分歧，每个分歧标注：
支持方文献 + 反对方文献 + 分歧的可能来源

这个矛盾地图，会成为你文献综述的写作骨架。

一个真实的学术文献综述，核心结构应该是：

"在 [核心问题] 上，学界存在 [N] 个主要分歧……第一个分歧是……支持方认为……（引文），反对方认为……（引文），分歧的根源可能在于……"

这种结构，比"A 认为…，B 认为…，C 认为…"的平铺更有深度，也更能展现你真正读懂了这个领域。

矛盾地图直接提供了这个结构。

五种最常见的学术矛盾类型，以及如何处理

在 ingest 了 80+ 篇文献之后，我发现学术文献里的矛盾大致分为五类，处理方式各不相同：

类型 1：效应量分歧

表现：同一个变量关系，不同研究得出数值差异很大的效应量 处理方式：找调节变量（样本特征、测量方式、研究情境的差异）

系统会在矛盾 callout 里自动提示：

Markdown

> [!contradiction] 效应量分歧
> [标注两篇文献的效应量]
> 可能调节因素：[列出两篇文章在样本/测量/情境上的差异]

你需要做的：追查调节变量，写一段"为什么效应量会不一致"的综合分析。

类型 2：因果方向争议

表现：A 导致 B？还是 B 导致 A？还是都不导致对方，而是有共同原因 C？ 处理方式：看研究设计——只有随机实验和纵向设计能真正区分因果方向

系统处理方式：

Markdown

> [!contradiction] 因果方向存疑
> [[文献A]]（横截面）：X 与 Y 正相关
> [[文献B]]（纵向）：X → Y（控制基线后仍显著）
> [[文献C]]（实验）：操纵 X 没有改变 Y
> 
> 三种研究设计的结论不一致，建议优先信任实验和纵向数据。

类型 3：构念定义分歧

表现：两篇文章都研究"X"，但对 X 的定义完全不同，本质上是在研究不同的东西 处理方式：这不是真正的"矛盾"，而是"概念混淆"，需要在综述里明确区分

这是最危险的类型，因为表面上看起来是矛盾，实际上是"鸡同鸭讲"。

系统会在 wiki/entities/constructs/ 对应的构念页里标注：

Markdown

> [!warning] 构念定义分歧
> 这个构念在文献里有 [N] 种不同定义：
> 定义 A（[[文献1]], [[文献2]]）：[定义内容]
> 定义 B（[[文献3]], [[文献4]]）：[定义内容]
> 定义 C（[[文献5]]）：[定义内容]
> 
> 建议：在你的研究中明确采用哪种定义，
> 并说明排除其他定义的理由。

类型 4：跨文化/跨情境分歧

表现：在西方样本成立的结论，在中国样本不成立，反之亦然 处理方式：标注情境条件，在综述中明确讨论边界条件

类型 5：新旧理论的范式冲突

表现：新兴理论框架和经典理论在基本假设上就不同，导致结论不可直接比较 处理方式：这需要一个"元理论"层面的分析，通常是综述里最有价值的部分

三个最常用的 query，解决文献综述写作的三大难题

难题 1：这个论点有几篇文献支持？

text

什么文献支持"数字设备使用导致注意力碎片化"这个论点？
按证据强度排序，并说明每篇的方法论优劣。

Claude 的回答会引用具体 wiki 页面，按实验/纵向/横截面的设计强度排序，并综合你在每篇笔记里写的"我的判断"来评估质量。

难题 2：我的研究和已有文献有什么关系？

text

基于 wiki 里的所有文献，
分析我的研究（见 wiki/my-research/contribution.md）
在现有文献图谱里处于什么位置：
- 哪些文献支持我的理论预设？
- 哪些文献的结论和我的预期相反？
- 哪个研究空白是我最直接填补的？

这个 query 可以直接帮你写"研究贡献"那一段——文章/论文里最难写、也最容易写得空洞的部分。

难题 3：我还缺什么文献？

text

lint the wiki

然后：
基于目前的文献图谱，
哪些重要的理论观点或争议立场，
目前我读过的文献里还没有代表性文章？

第一个命令做健康检查，发现孤儿页（被引用但没有读过的文献）。第二个命令从知识图谱的完整性角度分析你的阅读盲区。

两者结合，给你一份"还需要读什么"的精准清单——比"再多读一些相关文献"有用一百倍。

autoresearch：填补文献盲区的快速工具

text

/autoresearch [具体问题] 学术文献 2020-2026

注意要在后面加上"学术文献"和时间范围，让 autoresearch 知道你要的是学术来源，不是博客文章。

适合用 autoresearch 的场景：

• 发现了一个你之前不知道的理论方向，需要快速了解基础文献
• 矛盾 callout 里提到了你还没读过的文献，需要快速获取它的基本观点
• 导师提到了一个你不熟悉的流派，需要在 24 小时内了解清楚

不适合用 autoresearch 的场景：

• 替代认真读原文（autoresearch 是入门，不是终点）
• 直接引用其结果（务必追查原始来源）

与写作工具的衔接：从 wiki 到论文草稿

知识图谱建好之后，写文献综述的流程：

第一步：生成综述骨架（10 分钟）

text

基于 wiki 里的所有内容，
为"数字注意力碎片化"方向的文献综述
生成一个三级标题结构，
每个标题下注明：
主要论点、代表性文献（3-5 篇）、
需要处理的矛盾（来自 [!contradiction] callout）

第二步：逐节写作（真正需要你的部分）

按骨架逐节写，每写一节前先 query 一次：

text

what do you know about [这一节的核心概念]，
特别关注争议和矛盾

用 query 的结果作为参考，用你自己的话写出来。

第三步：查漏补缺（写完后）

text

检查 wiki/my-research/contribution.md，
对比我的综述草稿（output/literature-review/draft-v1.md），
有没有重要的矛盾或争议在综述里没有被处理？

真实数据：一篇硕士论文的文献综述是怎么完成的

我帮一位朋友（硕士生，研究社交媒体与青少年心理健康）用这套系统做完了她的文献综述。

时间线和数据：

text

第 1-2 周：建立 vault，写前 20 篇文献笔记并 ingest
第 3-4 周：继续 ingest，共完成 65 篇文献
第 5 周：生成矛盾地图，执行 autoresearch 填补 3 个盲区
第 6 周：基于 wiki 生成骨架，开始写作
第 7 周：完成综述初稿（约 12,000 字）

最终产出：
- wiki 页面总数：287 个
- 自动检测的矛盾：31 处
- 其中答辩时被委员问到的：4 处（全部已在综述中处理）
- 综述写作耗时：从传统的 6-8 周压缩到 3 周
- 导师评语（原话）："这是我指导过的综述里，
  对领域内争议梳理得最清楚的一篇。"

最后那句导师评语，不是因为她比别人聪明。

是因为这套系统，让她看到了别人没有主动去找的矛盾。

给想开始的研究者：最小起点

你现在手头有文献。先做这一件事：

text

把你最近读过的、觉得最重要的 3 篇文献，
用上面的模板写成笔记，
ingest 进去，
然后问：what do you know about [你的核心构念]

如果你的 3 篇文献里有矛盾，你会在第一次 query 的结果里看到它被标注出来。

那个矛盾，就是你综述里最值得写深的地方。

最后

有一种误解，我需要澄清：

这套系统不会让你的研究变浅，它会让你的研究变深。

浅的研究来自于：没有时间处理所有文献、没有能力发现隐藏的矛盾、没有空间思考真正的研究贡献。

这套系统消灭的，是信息处理的成本，而不是思考的必要。

矛盾被标注出来了，但如何解释矛盾，是你的事。

理论谱系被梳理出来了，但你的研究在哪里有贡献，是你的事。

骨架被生成了，但综述里那些让人信服的分析和判断，是你的事。

AI 替你管理信息，但替代不了你的学术判断。

这个分工，才是对的。

👇 如果你想继续跟着做：

关注「一只阿木木」，我们在 AI 时代一起构建自己的知识系统。

本文基于 claude-obsidian 项目（GitHub: AgriciDaniel/claude-obsidian，MIT 协议开源）实测撰写。文献数据基于真实文献综述项目，人名经过匿名处理。