一、引言：当AI开始“编文献”

随着大语言模型（如 GPT-4、DeepSeek、Claude 等）在学术写作、文献综述、技术调研中的普及，一个隐蔽但危险的问题逐渐暴露出来——文献幻觉（Citation Hallucination）。

你可能有过这样的经历：让AI帮你写一篇文献综述或罗列相关参考文献，它给出的列表看起来格式标准、作者权威、期刊知名，甚至配有 DOI。但当你按图索骥去 Google Scholar 或知网检索时，却发现：这些文献根本不存在，标题是拼接的、作者是虚构的、DOI 也是随机生成的。

在学术场景下，这种“幽灵文献”不仅是效率问题，更可能涉及学术不端风险。

二、为什么大模型会杜撰参考文献？

要解决问题，先理解根源。大模型本质上不是“数据库检索器”，而是概率预测引擎：

1. 训练目标偏向流畅而非事实：模型在生成文本时，优先保证语法通顺、逻辑连贯，而非实时核验事实准确性。当缺乏确定信息时，它会用“统计上合理”的内容填补空白。

2. 闭卷考试模式：通用大模型在生成时无法直接联入知网、PubMed、IEEE Xplore 等封闭学术库，只能依赖训练数据中的模糊分布，“模仿”出一篇像真的参考文献。

3. 讨好型生成：在 RLHF（人类反馈强化学习）训练中，模型往往被鼓励给出完整答案。面对“请列出10篇相关文献”的指令，即便内部检索不到，也可能为了完整性而编造。

4. 数据污染闭环：AI 生成的含幻觉内容若流入互联网，再被后续模型抓取训练，会导致错误被放大，形成“模型崩溃”风险。

简单来说：它不是“查资料”，而是“编得像是查过”。

三、解决思路：先检索真实文献，再让AI总结（RAG思想）

目前业界和技术圈主流的应对方案，是引入 RAG（Retrieval-Augmented Generation，检索增强生成） 思路：

把“闭卷考试”变成“开卷考试”。

具体落地到文献写作场景，可行的工作流是：

1. 先手动/自动检索真实文献：通过学术搜索引擎（知网、Google Scholar、arXiv 等）或文献管理工具，定位与你主题相关的真实存在的论文。

2. 提取核心信息作为上下文：将真实文献的标题、摘要、关键词、结论整理成文本片段。

3. 让大模型基于这些真实文本进行总结/综述：在 Prompt 中明确限制模型“仅基于提供的文献内容生成，禁止编造引用”。

4. 人工核对引用条目：确保输出的参考文献列表与检索到的真实文献一一对应。

这种“真实语料约束生成”的方式，能大幅降低幻觉概率。

四、提升效率且规避风险：从“纯生成”走向“真实文献驱动”

在学术写作中，合规的辅助工具可大幅提升文献整理与综述生成效率，核心原则是工具仅作 “辅助”，真实文献与学术判断仍需人工把控。在上述思路下，一些面向科研/论文场景的工具，开始提供“基于真实文献辅助写作”的能力。例如：以专注学术规范的快降重科研小助手为例，其核心功能聚焦真实文献与合规综述生成，快降重能根据主题搜索知网、Google Scholar、arXiv 等的真实文献，并进行总结。

五、实践建议

如果你在用 AI 辅助任何带文献引用的写作，建议遵循几条纪律：

1. 不盲信 AI 给出的参考文献：默认所有 AI 生成的引用都“可疑”，必须逐条核验。

2. 优先提供真实文献材料：给模型投喂 PDF/摘要，比让它“自由发挥”更安全。

3. 要求输出带溯源：让模型在总结时标注“观点来自哪篇文献”，便于你回头查验。

4. 用学术库交叉验证：知网、万方、Google Scholar、DOI.org 是最后一道防线。

大模型的“写作能力”远强于“查证能力”。在涉及参考文献、数据、法条等强事实场景时，生成前先检索、生成时受限域、生成后人工核验，才是可持续的工作流。

文献幻觉不是个别模型的 bug，而是当前生成式 AI 的系统性挑战。作为使用者，理解机制、调整流程，比期待模型“自己变诚实”更现实。