从两篇种子文献开始，推进实证研究全流程
在开展实证研究时，很多研究者手头往往已经精读过一两篇核心标杆文献。如何以这两篇文献为起点，借助 AI 推进一整套严密的实证研究？
在使用通用大模型辅助科研时，最容易遇到两类痛点：
- 检索缺乏针对性：模型自主在全网或非专业渠道搜索，消耗大量 Token，产出的结论却偏向通识和泛化，难以满足实证研究的严密要求。
- 上下文与文献管理断层：在对话框中讨论和梳理出的论据与文献，窗口一关便难以追溯；到了撰写正文与规范引用阶段，仍需耗费大量时间去手动查找、复制和核对参考文献。
借助研飞（ivySCI）MCP，可以将大模型直接接入真实的学术数据库（知网、万方、Web of Science、PubMed 等）与你的个人文献库。本文介绍如何以两篇精读过的“种子文献”为锚点，完成从问题边界提炼、文献追踪检索、引言与综述撰写、数据与正文合稿，到投稿前审稿核查的完整实证研究闭环。
如果还没有接入研飞 MCP，请先阅读 MCP：在 AI 软件中使用研飞。
1. 从种子文献出发：提炼研究假设与边界
手头的核心文献并不限制你的研究必须得出相同结论，它们更像是一颗“种子”。比起已知结论，更重要的是提炼出它们的研究边界在哪里、核心变量如何定义，以及因果推导的链条是如何建立的。
如果直接将长篇 PDF 全文喂给大模型，文件过大不仅极度消耗 Token，还容易导致关键细节被模型忽略。借助研飞 MCP，大模型可以按需调用清洗后的结构化 Markdown 数据与原文片段：
- 先分析文献的元信息与摘要；
- 定向核对原文，提取研究假设、核心变量的定义方式与因果机制；
- 综合对比两篇或多篇文献，找出共识、分歧与未解问题，从而确定研究切入点。
你可以对 AI 发送如下提示词：
我已在研飞项目【项目名称】中添加了两篇核心标杆文献。
请先读取它们的元数据与核心摘要，然后提取关键段落完成以下分析：
1. 这两篇文章的核心研究假设与因果推导链条分别是什么？
2. 核心变量分别是如何定义与测度的？
3. 这两项研究的适用范围与边界（研究局限、未解决的问题）在哪里？
请给出对比总结，并据此提炼出 2~3 个值得探索的研究切入点。
拿到切入点后，先将其作为进一步论证的基础。
2. 顺藤摸瓜：基于权威数据库定向检索
确定切入点后，需要补充相关文献来支撑论证。人工检索往往需要反复构思关键词、在多个数据库之间频繁切换页面并逐条筛选，耗时耗力。
大模型擅长理解研究脉络与关键词意图。接入研飞 MCP 后，你可以直接在对话中指令模型检索权威学术数据库：
- 中文数据库：中国知网（CNKI）、万方数据（Wanfang）
- 英文数据库：Web of Science (WoS)、PubMed、ivySCI Search
大模型会顺着种子文献的脉络，向前溯源基础理论、向后追踪最新进展。AI 可以快速尝试多组检索词组合并自动过滤低相关内容，筛选出的目标文献可直接保存至研飞的项目中，后续写作随时调取与规范引用。
你可以这样向 AI 下达检索指令：
基于刚才梳理的研究切入点【你的切入点描述】：
请结合种子文献中的理论关键词，分别在【知网 / Web of Science / PubMed】中检索近 3~5 年的相关文献。
请尝试 2~3 组检索词组合，过滤掉不相关的研究，列出最相关的 5~8 篇文献及其核心观点。
等我确认后，帮我将它们保存到当前研飞项目中。
与使用通用浏览器抓取网页相比，通过研飞 MCP 调用真实学术接口，既避免了无序网页数据的干扰，也大幅节省了上下文 Token。
3. 先行撰写文献综述（Introduction），收拢研究闭环
在确定研究方向后，建议优先与 AI 合作完成文献综述（Introduction）部分，先把研究的逻辑闭环收拢。
为什么在拿到最终数据前先写综述？
- 检验逻辑闭环：通过系统梳理既有文献与立论逻辑，能够及早发现研究假设的漏洞与潜在问题，避免后期返工；
- 利用沉淀材料：此时项目中已积累了种子文献与补充检索文献，AI 可以快速提取其中的论据与细节，写作效率高。
借助研飞 MCP，大模型在撰写综述时可以自动关联项目中的文献并生成规范引用。初稿可以直接写回研飞文档（Docs）中，保留完整的元数据，随时可溯源。
你可以使用如下提示词：
请基于当前研飞项目中沉淀的文献（包括种子文献与新增检索文献），帮我起草实证研究的引言与文献综述部分：
1. 从现实背景与理论背景切入，梳理学术界的核心共识与分歧；
2. 结合项目中的具体文献，推导本研究的核心假设；
3. 写作过程中，在对应论据处自动标注项目内的文献引用。
请先给出章节大纲供我确认，确认后再展开正文。
4. 数据分析与正文合稿
有了前言与假设作为指引，接下来的数据清洗与实证分析也可以借助 AI 辅助推进：
- 代码与模型指导：对于较大规模的数据集，可让 AI 编写清洗与统计分析脚本（如 Python、R、Stata 等），指导选择适宜的计量或统计检验模型；
- 结果整合与讨论：在完成数据分析后，将实证结果提供给大模型，结合之前的引言与假设文档作为上下文，由 AI 辅助提炼实证发现、讨论与研究结论；
- 局部修改与精准更新：如果需要调整部分段落或补充引用，研飞 MCP 支持按需读取并修改研飞文档中的特定章节，无需每次把长篇稿件全文重复输入输出，有效节省 Token 并保持文档版本规范。
5. 投稿前审稿与逻辑检验
在论文送审或定稿之前，可以让 AI 充当资深审稿人（Reviewer），对整篇稿件进行严谨的逻辑审查，提前发现潜在问题。
主要审查维度包括：
- 理论假设的推导链条是否严密，是否存在未证前提；
- 核心变量的测度是否合理，内生性问题与稳健性检验是否充分；
- 是否遗漏了领域内重要的反对观点或近期的关键进展。
你可以使用如下提示词进行审稿检查：
请扮演该领域的资深期刊审稿人（Reviewer），对我们起草的实证研究进行严苛评估：
1. 核心理论假设的推导是否存在逻辑跳跃？
2. 变量定义、模型设计与稳健性检验是否存在潜在破绽？
3. 是否遗漏了重要的反向证据或近年关键文献？
请列出最具建设性的修改意见与潜在质疑。
提示：审稿检验的目标是排查硬伤与关键漏洞，而非陷入无休止的文字微调。重点关注研究假设的合理性与实证支撑度即可。
总结
做实证研究的阻碍往往不在于工具本身，而在于文献检索、笔记整理、格式调整、引文核对这些碎片化环节带来的摩擦。
将大模型的逻辑推理能力，架在知网、万方、Web of Science 等权威学术数据库和研飞的文献管理底座之上，从两篇种子文献起步，即可流畅跑通实证研究的全流程。
如果你手头刚好有一两篇反复研读过的重要文献，不妨打开研飞，新建一个项目并接入 MCP，开始梳理你的下一篇实证设计。