一句话说清楚：不需要学 PubMed 语法，不需要记 MeSH 词表，不需要拼布尔运算符——你只需要用中文描述你的研究问题，剩下的交给 AI。

---

你是否也经历过这些？

每个医学科研人，一定有过这样的体验：

打开 PubMed，面对那个孤零零的搜索框，脑子里有一堆想查的东西，但不知道怎么”翻译”成 PubMed 能听懂的检索式。

想查”PD-1抑制剂联合CAR-T在实体瘤中的研究进展”——你写 PD-1 inhibitor AND CAR-T AND solid tumor，出来的却是 3000 多篇乱七八糟的结果，真正相关的不到 10 篇。

想限定只看 RCT 和 Meta 分析——你知道要加 randomized controlled trial[pt] 和 meta-analysis[pt]，但每次都要去翻语法手册，拼好后发现忘了加括号，检索式报错。

想限定近 5 年的文献——你知道 PubMed 有 filter 功能，但每次都要手动点左侧那一排筛选条件，换一个检索又要重来一遍。

这些痛点都指向同一个问题：PubMed 检索式的学习成本太高了。

---

问题本质：检索语言 ≠ 自然语言

PubMed 是一款优秀的文献数据库，但它的检索语法诞生于 1990 年代。近 30 年过去了，AI 已经能写代码、做翻译、画插画，但 PubMed 的搜索框依然要求你使用如下这般精确的语法：

1. ("Immunotherapy"[MeSH] OR "immune checkpoint inhibitors"[Pharmacological Action])
2. AND ("Receptors, Chimeric Antigen"[MeSH] OR "CAR T-cells"[All Fields])
3. AND ("Tumor Microenvironment"[MeSH] OR "immune evasion"[All Fields])
4. AND (randomized controlled trial[pt] OR systematic review[pt])
5. AND ("2020"[Date - Publication] : "2025"[Date - Publication])

说实话——你能不查手册就写出这一串吗？

这才是问题的核心：检索语言与自然语言之间存在巨大的”翻译鸿沟”。大部分医生和医学研究生的时间应该花在”理解文献”上，而不是花在”学习如何检索文献”上。

---

我们的解法：三段式 AI 检索流水线

TopBeeAI 文献总结功能的设计哲学很简单——让用户说人话，让 AI 做翻译。整个流程分为三步：

阶段	输入	AI 做什么	输出
Step 1 · 语义转换	自然语言描述（中英文皆可，最长 2000 字）	理解研究意图 → 生成标准 PubMed 检索式	检索式 + 中文说明
Step 2 · 精确筛选	检索式 + 筛选条件（研究类型/时间/排序）	调用 PubMed API 检索真实文献	文献列表（标题/作者/摘要/PMID）
Step 3 · AI 总结	前 N 篇文献的摘要集合	基于真实文献流式生成结构化综述	可追溯引用的 AI 综述 + Markdown 导出

Step 1：像聊天一样描述你的研究问题

你不需要写任何检索式。只需要在输入框中描述你想研究的问题。比如：

“PD-1/PD-L1抑制剂与溶瘤病毒或CAR-T细胞等免疫疗法联用，可有效克服实体瘤免疫抑制微环境的研究文献。”

或者更具体一点：

“帮我找血浆磷酸化 tau-217 升高是阿尔茨海默病淀粉样蛋白 PET 转阳前的早期血液生物标志。直接证明此观点的相关文献。”

输入框支持最长 2000 字，你可以详细描述研究背景、纳入标准、排除条件。系统会基于你的描述，自动生成标准 PubMed 检索式。

Step 2：一键筛选，自动拼接 PubMed 语法

检索式生成后，你可以在筛选面板中选择：

筛选维度	可选值	自动追加的 PubMed 语法
研究类型	RCT	randomized controlled trial[pt]
研究类型	系统评价	systematic review[pt]
研究类型	Meta 分析	meta-analysis[pt]
研究类型	队列研究	cohort studies[mesh]
研究类型	病例对照研究	case-control studies[mesh]
研究类型	指南	guideline[pt]
研究类型	综述	review[pt]
时间范围	近1年 / 3年 / 5年 / 10年	自动限定日期区间
排序方式	相关性优先 / 时间优先	影响检索结果排序

关键设计：每勾选一个研究类型，系统自动向检索式追加对应的 PubMed 语法后缀，无需你手写。检索式可编辑，高级用户也能手动微调。

Step 3：AI 流式生成结构化综述

检索完成后，AI 会基于检索到的真实文献，逐篇提取关键结论，跨文献对比分析，生成带引用标记的综述。整个过程通过 SSE（Server-Sent Events）实时流式输出，你可以看到 AI 一字一句地”写”出综述。

生成的综述包含：

• 研究背景概述
• 关键发现的横向对比
• 每一条结论后的引用标记（如 [1], [2,3], [1-5]）
• 文末完整的参考文献列表

点击任意引用标记可以直接打开对应文献的详细信息（含 PMID、作者、摘要、引用格式）。

---

为什么这是可靠的？

一个常见的担忧是：“AI 生成的文献综述，参考文献会不会是编的？”

答案是：不会。

TopBeeAI 的文献总结功能直接接入 PubMed 官方数据库，所有检索到的文献都是 PubMed 中真实存在的记录。AI 只做”总结已有文献”这件事，不会凭空虚构一篇论文。

对比维度	TopBeeAI	通用 AI（ChatGPT/Claude）
文献来源	PubMed 真实数据库	模型训练语料（可能虚构）
引用可查	每篇可点击验证 PMID	经常生成不存在的 DOI
检索式透明	展示并允许编辑 PubMed 检索式	不透明
学术格式	支持 EndNote 导出	不支持

这就像一个有经验的文献检索专家 + 一个高效的学术写作助手，组合在一起为你工作。

---

还有这些细节

新手引导

第一次进入页面，系统会自动启动 5 步新手引导：搜索框 → 筛选条件 → 文献列表 → AI 总结 → 历史记录。每一步都有聚光灯高亮 + 说明文字，帮你快速上手。错过了也可以随时点击右下角的帮助按钮重新唤起。

首次搜索自动总结

输入问题并搜索后，系统会自动对前 10 篇文献生成 AI 总结，不需要额外点击。这在”快速了解某个领域的研究现状”时非常方便。

检索历史自动保存

每次检索都会保存在左侧历史记录中，包含原始检索式、检索结果和 AI 总结。点击即可回访，支持删除管理。

Markdown 导出

AI 综述可以一键导出为 Markdown 文件，方便导入 Obsidian、Notion 等知识管理工具，或直接作为论文初稿的基础素材。

---

总结

传统方式	TopBeeAI 文献总结
需要学习 PubMed 检索语法	自然语言中文描述即可
手动记忆 MeSH 词表	AI 自动生成标准检索式
逐篇阅读摘要筛选	AI 跨文献总结关键结论
手动整理引用格式	自动生成可追溯引用
文献管理零散	历史记录自动保存

核心理念：让科研人员把时间花在”思考和判断”上，而不是”检索和整理”上。