literature-review

用途

Literature Review 是一个面向 AI 智能体的技能，用于按照既定学术方法执行严谨、结构化的文献综述。其流程受到系统综述实践（包括 PRISMA 风格报告）的启发，适用于学术研究、技术图景分析以及循证决策。

主要能力

该技能覆盖文献综述的完整流程，包含以下环节：

定义研究问题与范围：与用户共同使用 PICO（Population、Intervention、Comparison、Outcome）等框架或领域适用的等价框架，确定精确的研究问题，并确立综述范围，包括时间范围、语言、来源类型（期刊论文、会议论文、预印本）以及领域约束。
制定检索策略：使用主要关键词、同义词和布尔运算符的组合生成一组检索式，识别要检索的数据库与来源（例如 Google Scholar、Semantic Scholar、arXiv、PubMed、ACM Digital Library、IEEE Xplore），并记录完整的检索策略以便复现。
筛选与过滤结果：对检索结果应用预设的纳入与排除标准。纳入标准通常涵盖主题相关性、出版日期范围、研究类型和语言；排除标准用于过滤重复项、非同行评审的观点类文章、被撤稿论文以及主题无关的结果。记录每个阶段的论文数量，形成 PRISMA 风格流程图。
抽取关键数据：对每篇纳入论文抽取结构化信息，包括标题、作者、年份、发表venue、研究问题、方法、主要发现、局限以及与综述问题的相关性，并以一致格式（表格或结构化笔记）保存，便于跨论文比较。
综合主题与发现：将抽取的数据组织为跨论文浮现的主题或类别，识别共识、争议与文献空白，撰写连接各项发现的叙事性综述，并配以汇总对比表。
撰写综述文档：产出终稿，包含引言与研究问题、方法（检索策略、标准、PRISMA 流程）、主题综合、空白与未来方向讨论，以及采用标准引用格式的完整参考文献列表。

使用方式

向智能体提供研究主题或问题，可选地指定期望范围（时间范围、来源类型）、纳入论文数量或特定的综合格式。示例请求：

Conduct a literature review on LLM evaluation benchmarks published between 2022-2025. Focus: What benchmarks exist, what do they measure, and what gaps remain in evaluating reasoning, safety, and real-world task completion?

适用场景

学术研究中针对特定主题的系统性文献梳理。
技术图景分析，例如梳理某一技术方向上的评测基准、方法演进与空白。
循证决策所需的证据汇总。

资料中给出的示例涵盖：LLM 评测基准（2022—2025）文献综述，以及针对检索增强生成（RAG）降低 LLM 幻觉效果的系统综述方案（含 PICO 问题、检索式、筛选协议、数据抽取模板与预期 PRISMA 流程图）。

最佳实践

记录每一项决策以保证可复现，包括检索式、数据库检索日期以及精确的纳入/排除标准。
使用结构化数据抽取模板，确保从每篇论文捕获相同字段，支持跨研究比较。
区分证据的数量与质量，按证据强度加权综合。
报告未发现的内容，明确标注文献空白。
综合应保持主题化，而非逐篇摘要罗列。
定稿前重新运行检索，以捕获新发表的工作。

限制与边界情况

文献不足：若相关论文少于 5 篇，应承认这一点并将输出重新定位为“范围综述”（scoping review）或“研究空白分析”，而非全面文献综述。
预印本为主的领域：在 AI/ML 等快速发展的领域，大量相关工作可能位于 arXiv 且未经同行评审。可纳入预印本，但需标注其评审状态，并将其作为证据基础的局限加以说明。
研究结果冲突：当研究得出相反结论时，应比较其方法、样本量和条件，透明呈现冲突，而非任意支持某一研究。
跨学科主题：跨多个领域的综述（如 AI + 医疗）可能需要额外检索领域专用数据库（如 PubMed），相应调整检索策略，并注明各领域术语差异。
非英语来源：若主题在其他语言中有大量文献，而综述限定为英语，需注明该局限，并标注在引用列表中出现的非英语关键工作。

暂未提供的信息

资料未说明该技能的收费方式、价格、具体平台支持情况、安装命令或运行环境要求。