近几年随着大模型的爆火，几乎人人都尝试过用AI写论文：博士生用它扩写文献综述，教授用它润色摘要，企业研发人员用它生成技术报告初稿。抖音、小红书等社交媒体上也有丰富的“三分钟写完论文引言”“AI帮我搞定参考文献”经验分享。

但真正在一线使用的人，很快会发现：AI生成的东西看起来像模像样，用起来却处处是坑。生成的文字看似通顺，但细读起来没有信息；引用的文献编得有模有样，去检索发现根本不存在；同一段论述换一个问法，给出完全矛盾的结论。到头来，花在核对、修正、重写上的时间，一点也不比从头写少。

 编造错误文献

大语言模型的核心能力是预测下一个词的概率。它看过海量的人类文本，知道哪些词语经常连在一起，哪些句子结构比较常见。这种能力在生成日常文案、邮件、甚至小说时表现出色，因为它追求的唯一目标是“读起来顺畅”。

但学术写作对顺畅的要求远低于对精确的要求。一篇论文可以表达朴素，只要数据和逻辑无误，依然能发表在顶级期刊。反过来，行文华丽但引用造假、术语混用的论文，连初审都过不了。

模型的底层机制恰恰站在了学术写作的对立面。它只有语言流畅的优化目标，没有“核查信息真实性”的机制。当事实和流畅发生冲突时，模型天然会选择流畅。这就是为什么AI会自信地编造出完整的文献条目——它不关心那篇论文是否真实存在，只关心“作者名+期刊名+年份+卷期号”这个格式看起来是否标准。

同样的问题还出现在实验方法描述中。模型会根据常见的实验步骤模版，填充具体的试剂浓度和仪器参数。这些数字本身可能来自完全不相关的论文、几个不同实验的平均值。没有一个机制告诉模型：这里写的温度必须和你的实验设计保持一致，而不是随便选一个常见的数值。

长文档的前后文不一致

一篇完整的学术论文动辄一万+字。引言、方法、结果、讨论、结论五个部分必须保持逻辑上的前后呼应。引言中提出的研究假设，要在结果部分有对应的数据，在讨论部分有对应的解释，在结论部分有对应的总结。

大模型在处理这种长文档时存在一个结构性缺陷：它的上下文窗口有限。面对较长的需求对话，模型在生成后续章节时，对前文细节的记忆会不断减弱。

而且大模型没有回头检查的机制。我们写完一章之后会重新读一遍，看看有没有和前面冲突的地方，而大模型生成完最后一个字便停止运行，不会主动审视自己刚刚生成的内容是否存在逻辑断层。

多Agent协作方案试图解决这个问题——一个Agent负责维护全局逻辑，多个子Agent分别撰写不同章节。

但Agent之间的信息同步本身就是一个复杂的问题。如果全局Agent没有在每一次子Agent生成之前刷新最新的上下文，各个章节之间的术语、论据、数据引用就会逐渐分叉。市面上大多数通用AI写作工具没有在这个层面做深度优化，输出的长文档往往需要人工进行大量的逻辑衔接与修补。

混淆专业术语

每个学科都有自己的语言体系。计算机科学里的“精度”和“准确率”有明确定义，在机器学习中不能互换。生物医学里的“表达”和“转录”指向不同的分子过程，混用会被审稿人判定为概念不清。材料科学里的“强度”和“韧性”描述不同的力学性能，测量方法也完全不同。

通用大模型在训练时阅读了来自数百个领域的文本。它学会了每个术语的高频搭配，但不知道这些术语的使用范围。当用户给出一个涉及多学科的提示词时，模型可能会从A学科借用术语，从B学科借用结构，混在一起生成一段看起来专业、实际上概念混乱的文字。

这种现象在跨学科研究中尤其明显。一个生物信息学课题可能同时涉及生物学和计算机科学的术语。模型可能把生物学的“序列比对”和计算机科学的“字符串匹配”当作同义词来使用，但两者在各自领域的内涵和外延并不相同。用户需要有足够的领域知识来识别这些混淆，才能避免论文中出现不当的表达。

知识库检索增强生成能够缓解这个问题，但其效果高度依赖于知识库的质量。如果只是随意上传几篇论文，没有做清洗、去重、标引，模型检索到的可能是过时或低质的材料。更麻烦的是，模型在同时检索到互相矛盾的信息时，由于缺乏判断哪个更权威的能力，最终会输出一个折中的回答。

 使用流程碎片化

当前科研人员使用AI的方式是高度碎片化的。用ChatGPT生成标题，用Claude润色摘要，用另一个工具查语法错误，用EndNote管理参考文献，最后手动在Word里把所有东西拼起来。

这种碎片化带来了两个问题。第一，内容逻辑断层。润色工具不知道标题是什么，查语法错误的人不知道全文的逻辑主线。每个工具只看到自己负责的那一小块，整体质量无人把控。

第二，操作成本叠加。反复的复制、粘贴、格式转换、文件命名，这些额外操作消耗的时间累积起来，抵消了AI的生成效率。

更根本的问题是无法建立稳定的工作流。用户每次写论文都要重复同样的工具切换动作，无法将正确的步骤固化下来。团队协作场景中问题更严重：不同成员使用不同的AI工具，生成的文本风格不一、引用格式混乱、版本难以合并。最终整合阶段的返工量，甚至可能超过从零开始写的工作量。

AI在论文写作中的正确定位

上述问题的共同根源是：绝大多数人把AI当作一次性答案生成器——输入问题，得到答案。这种模式在问答、文案写作、简单信息提取等场景中有效，但在学术写作这种长周期、多环节、高精度要求的任务中，天然不成立。

学术写作的本质是一个混合任务流程。一部分任务是确定性的：文献引用格式的规范化、图表编号的自动同步、参考文献的排序、重复率报告中重复片段的识别与替换。这些任务有明确的输入输出规则，不需要创造性判断。另一部分任务是不确定性的：提出创新论点、设计论证结构、判断术语选择是否恰当、评估证据与结论之间的逻辑强度。这些任务依赖人的专业判断。

理想的AI辅助不是替人写完整篇论文，而是在确定性任务环节扮演一个稳定的执行者，同时在不确定性任务中提供辅助信息和备选方案，最终判断权仍然在人手中。

 回到写作本身

学术写作的核心从来不是排版和引用，而是提出一个好问题，并给出有说服力的回答。现在研究者被格式规范、文献管理、查重焦虑等事务淹没，核心创造反而被挤到了边缘。

AI本应改变这种局面。通用工具的失效表明，仅仅拥有一个强大的语言模型是不够的。真正需要的是为学术写作这一特定流程而设计的智能体——它知道什么时候该自动执行，什么时候该把判断权还给用户，什么时候该从机构的知识库中检索信息。

小艾智能体的设计起点与通用AI工具不同。它不是要成为一个什么都能回答的聊天机器人，而是专门为学术写作工作流设计的垂直智能体。它将论文写作全流程拆解为选题推荐、大纲生成、分章节撰写、文献智能引用、格式自动校验、查重预检等独立步骤，每个步骤由专门优化的子Agent负责，全局维持逻辑一致性和术语统一。机构可以上传内部文档构建专属知识库，确保生成内容贴合本专业的术语体系与写作规范。

小艾支持私有化部署，所有研究数据全程由机构自主控制，满足高校、医药、军工等领域的合规要求。它提供标准API，可无缝对接文献管理软件、项目协作平台和内部知识系统，消除了多工具切换带来的碎片化损耗。在参考文献格式转换、图表编号同步、交叉引用校验等确定性任务上，小艾实现了99.7%以上的自动执行准确率。

让研究者重拾思考的深度，把写作交给AI。