作为一个CS本科生写文献综述大概是大学四年里最容易被“内卷”吞掉时间的事情之一。尤其是当你发现身边同学动辄甩出两万字的综述参考文献排了三页而你自己连摘要都还没憋出来的时候焦虑感直接拉满。但说实话大部分这种“万字成果”里真正有信息量的内容可能不到三分之一剩下都是复述、堆砌和注水。我当年也干过这种蠢事——花三周时间在图书馆手动整理文献阅读笔记写了厚厚一本最后写出来的综述自己都不想看第二遍。后来我换了个思路。既然CS这个专业本身就是研究怎么用工具解决问题的那我写文献综述为什么不用工具思维来解决于是我开始尝试用“结构化Prompt思维”驱动百考通AI来协助完成文献综述。试了几轮之后效果远超预期原本需要两周多的文献整理和初稿撰写压缩到三天左右而且质量比我手动写的更扎实。这篇文章就是来聊聊我是怎么做的希望能帮那些还在无效内卷的同学早点解脱。1. 无效内卷的根源CS文献综述为什么要用Prompt思维重构先说个扎心的事实CS专业的文献综述和文科专业的文献综述本质上就是两种物种。CS的文献综述要追踪的是算法的演进脉络、技术方案的对比、性能指标的权衡这种内容极度依赖对技术细节的准确把控任何一个关键参数的误读都可能导致整个综述的可信度崩塌。这就意味着如果只是像传统方法那样“读文献-做笔记-写综述”你很容易陷进两个坑里一是读了大量的论文但抓不住技术演进的主线逻辑二是笔记做得密不透风但写的时候不知道怎么组织成有逻辑的论述。我自己踩过最深的一个坑就是——文献读了不少但综述的结构完全是“流水账式”的。今天读到一篇关于神经网络的就写一段神经网络明天读到一篇关于强化学习的又写一段强化学习段落之间没有递进关系更谈不上对比分析。后来我明白了问题不在我的阅读量而在于我缺少一个“结构化的组织框架”。而Prompt思维恰好就是解决这个问题的。什么叫Prompt思维说白了就是你如何把一个模糊的目标拆解成一条条清晰、具体、可执行的指令让AI或者任何工具能够精确地按照你的意图去工作。不是你问一句“帮我写个文献综述”AI就能给你好东西的。而是你要清楚地告诉AI我的研究主题是什么、综述的读者是谁、需要覆盖哪些技术方向、每个方向的论述逻辑是什么、文献的时间范围怎么定、对比维度有哪些。当这些信息都被结构化地表达出来之后AI的输出质量会有一个质的飞跃。百考通AI这个工具我用了挺久它在中文学术场景下的表现比我之前用过的几个通用大模型都要稳定。尤其是它对文献引用格式的处理、对学术语境的把握、对长文本生成的一致性保持都明显更适合写综述这种场景。但工具再好你不会用等于白搭。它的上限85%取决于你给它的Prompt质量。这就是为什么我强调“结构化Prompt思维”是核心百考通AI只是承载这个思维的载体。从成本角度看这个方法也特别契合CS学生的处境。CS本科生的时间本来就碎片化——实验课、项目、刷题、找实习能连续拿出来写综述的时间少得可怜。传统方法需要整块时间进行深度阅读和写作但用结构化Prompt驱动AI辅助你可以把任务拆碎每天利用碎片时间喂给AI一轮信息晚上再集中整合效率完全不在一个量级。1.1 文献综述的“内卷陷阱”与破局关键现在很多CS本科生写文献综述内卷的重灾区体现在三个方面。第一个是“字数竞赛”觉得综述越长越好于是大量的边缘性内容被强行塞入核心的技术对比反而被稀释了。第二个是“文献数量竞赛”参考文献动辄六七十篇但真正深入读过的可能不到三分之一大部分只是摘了摘要和结论。第三个是“排面竞赛”花大量时间去做漂亮的图表和排版但内容的深度和逻辑性却经不起推敲。这三个陷阱的本质都是把“过程指标”当成了“结果指标”。综述的价值不在于看起来多努力而在于读者能不能通过你的文字快速理解这个领域的技术脉络和前沿动态。所以破局的关键在于——把精力从“形式上的努力”转移到“结构化的思考”上。Prompt思维恰好强迫你这么做因为当你要给AI写一个高质量Prompt的时候你首先得想清楚自己要什么这个“想清楚”的过程本身就是在帮你梳理文献综述的核心逻辑框架。1.2 CS领域综述的特殊性技术脉络比文字堆砌更重要CS领域的文献综述核心是“技术脉络”。你要说清楚某个研究方向从哪儿来、中间经历了哪些关键突破、目前的SOTA是什么、还存在哪些挑战。这种叙事逻辑和人文社科领域的“文献梳理观点评述”是完全不同的。因此你给AI的Prompt里必须具备时间轴的概念、技术代际的概念、对比维度的概念。举个例子你写“基于深度学习的图像分类方法综述”传统Prompt可能就是让AI泛泛地写“深度学习在图像分类中的应用研究”AI大概率会生成一篇四平八稳但没有任何信息量的文章——因为你的指令太模糊它只能给出最普适的框架。但如果你在Prompt里告诉它“请按照技术演进时间线从AlexNet到VGG、GoogLeNet、ResNet、DenseNet、EfficientNet再到Vision Transformer梳理每代模型解决的核心问题和关键技术突破最后从参数量、计算量、Top-1精度三个维度制作对比分析”AI的输出就是完全另一个档次——它有了明确的技术主线给出的内容才真正有综述的价值。这就是我在实践中最深的体会写综述文的时候你其实不是在写文章而是在设计一个知识结构。结构对了内容往里填就行结构错了写得再多也是无效内卷。2. 结构化Prompt思维方法论从“问AI”到“指挥AI”“结构化Prompt思维”这个说法听起来有点玄乎但拆开来看其实就五个核心环节角色设定、任务拆解、上下文注入、输出约束、迭代反馈。这五个环节不是各自孤立的而是一条完整的链路。每一个环节的缺失都会直接影响最终综述的质量。接下来我逐一拆解并且结合百考通AI的实际表现来说明为什么每一步都不可或缺。2.1 角色设定让AI进入“CS学术综述作者”模式很多人用AI写东西上来就是“帮我写个综述”这种Prompt的问题在于AI不知道它该用什么身份、什么语气、什么专业深度来回答你。这就好比你进一家餐厅只对服务员说“给我上菜”但没说你要吃中餐还是西餐、几个人吃、能接受什么价位那厨师只能给你上一碗最保险的蛋炒饭。蛋炒饭不难吃但离你的期望一定很远。结构化Prompt的第一步就是给AI设定一个具体角色。我常用的句式是“你是一名CS领域的学术综述专家研究方向为[具体方向]对[该方向近十年的技术演进]有深入了解。你的任务是为CS本科毕业设计撰写文献综述初稿。读者是具备CS基础但对该方向不熟悉的本科生因此你需要把技术概念解释清楚但同时保持学术严谨性。”这个角色设定至少有三个作用。第一它锚定了AI的专业深度——不会写得太浅显也不会写得太晦涩。第二它明确了读者画像——AI会根据“读者是CS本科生”这个信息自动调整术语使用频率和解释详略。第三它暗示了输出风格——学术严谨但不是论文级别的晦涩而是适合综述场景的清晰叙事。在百考通AI上实测同样的主题有角色设定的输出比无角色设定的输出在术语准确率、结构合理性和可读性三个维度上都有显著提升。尤其是“读者是CS领域初学者”这一点能有效避免AI输出那种只有内行才能看懂的“行话天书”。2.2 任务拆解把“万字综述”切成可管理的小任务一篇万字综述一次性让AI生成大概率会翻车。原因很简单AI的生成上下文是有限的长文本生成时容易出现前后矛盾、重复内容、逻辑断档等问题。我的经验是绝对不要一次性让AI写完整篇综述而是把综述拆成若干个子任务逐个击破。一篇标准的CS文献综述我会拆成六个子任务选题背景与意义、国内外研究现状、核心技术方法梳理、关键技术对比分析、现存问题与挑战、未来发展趋势。这六个子任务分别对应综述的不同章节每个章节的工作量和侧重点都不一样。就拿“核心技术方法梳理”这一章节来说它还可以进一步拆解。比如你要写基于深度学习的图像分类综述这个章节可以细分成传统机器学习方法SIFT、HOG、早期深度学习方法AlexNet、VGG、残差网络与宽度拓展ResNet、GoogLeNet、轻量化网络MobileNet、ShuffleNet、Transformer架构ViT、Swin Transformer。每个子主题单独作为一个Prompt任务让AI聚焦产出。这样做的最大好处是——每个子任务的信息密度更高AI不会因为需要覆盖的内容太多而“雨露均沾”导致每个部分都是蜻蜓点水。任务拆解还有一个隐藏的好处它天然形成了综述的章节框架。当六个子任务各自完成后你其实已经拥有了一篇结构完整的综述的全部素材剩下的只是拼接和润色而不是从零开始写。2.3 上下文注入喂给AI有效的“背景信息”所谓“上下文注入”就是在Prompt里给AI提供足够的相关背景信息让它在生成时有的放矢而不是凭空脑补。很多人在这一步犯的错误是——要么什么都不提供指望AI全凭训练数据来完成一切要么提供一堆无关紧要的碎片信息反而干扰了AI的判断。我的做法是在每个子任务的Prompt里都注入三类信息。一是该子任务涉及的文献信息比如关键论文的标题、作者、发表年份、核心贡献二是该子任务在整篇综述中的位置和作用比如“这部分是第三章需要和第二章的[某个方法]形成对比”三是你对该子任务内容的具体期望比如“这里要突出Transformer在长距离依赖建模上的优势”。举个例子我在写“图神经网络在推荐系统中的应用”这个子任务时会注入这样的上下文信息“本部分需要重点覆盖以下论文GCN-based推荐方法如NGCF、LightGCN、GAT-based方法如GCAT、GraphSAGE在推荐中的变体。请重点分析LightGCN为何去除了特征变换和非线性激活这种简化背后的直觉是什么。同时需要和下一章的对比分析呼应。”当你把这样的上下文注入Prompt之后AI的输出就不是一篇“通用”的图神经网络综述而是一篇“贴合你论文需求”的定向综述。信息密度和针对性完全是两个档次。实测下来同样的子任务注入上下文后的输出质量评分比无上下文注入高出至少一个级别。2.4 输出约束用Format控制综述结构输出约束是结构化Prompt里最容易被忽视但也是最容易见效的一个环节。说白了就是你要求AI输出的格式、结构和长度。没有输出约束的PromptAI往往会根据它的惯性输出一套自以为合理的结构但那个结构不一定符合你的综述框架。有了输出约束AI就会被你“框定”在既定的结构内生成的内容自然更贴近你的需求。我常用的输出约束包括以下几个方面。第一是章节结构约束比如“本节请按照方法提出背景、核心思想、技术细节、优缺点分析四个小节的顺序展开”。第二是篇幅约束比如“每个小节控制在800到1000字”。第三是表达风格约束比如“技术细节部分请使用伪代码或公式辅助说明但不要过于深挖公式推导”。第四是引用约束比如“涉及文献时请以[作者,年份]的格式标记便于后续统一整理参考文献”。有了这些输出约束AI的生成就不再是“自由创作”而是“按图施工”。你可以把它理解为Prompt是建筑施工图AI是施工队输出约束就是工程规范。没有规范施工队能给你盖出房子但墙可能歪了房间布局也不一定合理有了规范房子就能按照设计图精确落成。在百考通AI里输出约束的实现尤其顺畅。它的长文本生成能力比较强即使你把约束条件写得很细它也能保持输出的一致性和连贯性不会因为约束太多而导致内容“匠气”过重。这一点是我对比过多个AI工具之后得出的结论。3. 百考通AI实操流程从选题到万字成稿的完整记录前面讲的是方法论这一部分我完整走一遍我在百考通AI上写文献综述的实操流程。我会具体到每一步用的Prompt模板、每一个环节的处理思路以及我自己踩过的坑。这套流程经过多次迭代已经相当稳定你直接照着跑一遍基本就能出结果。3.1 选题聚焦与关键词矩阵构建第一件事不是写Prompt而是确定综述的主题边界。很多同学写综述题目看起来很大气但真正动笔时才发现根本无从下手——因为“深度学习在计算机视觉中的应用”这种题目范围大到等同于没写。我用了一个叫做“关键词矩阵”的方法来聚焦选题。所谓关键词矩阵就是从“技术方法”和“应用场景”两个维度各自挑选3到5个关键词然后交叉组合找到具体的研究切入点。比如应用场景选“图像分类”“目标检测”“图像分割”技术方法选“Transformer”“图神经网络”“知识蒸馏”那么9个交叉点里“Transformer在图神经网络中的应用”或者“知识蒸馏对Transformer的压缩”这类组合就比“深度学习在计算机视觉中的应用”要聚焦得多。这个步骤做完之后把确定的关键词矩阵注入到Prompt里让百考通AI基于这个矩阵生成一个综述大纲草案。Prompt大概是这样的“基于如下关键词矩阵应用场景[图像分类,目标检测]技术方法[Transformer,知识蒸馏]请生成一篇题为[具体题目]的文献综述大纲要求包含摘要、引言、国内外研究现状、核心技术方法、对比分析、未来展望等章节每章下要有二级标题并简要说明每节的核心内容。”这一步的意义在于通过关键词矩阵的限定AI生成的综述框架天然就避开了“大而空”的问题。3.2 文献库构建与“半自动”精读有了大纲之后接下来就是文献收集和阅读。传统的做法是去IEEE、ACM、arXiv上手动搜文献、读摘要、做笔记。但用百考通AI这个过程可以大幅度提速。我的做法分三步。第一步把综述大纲的每个二级标题对应的关键词复制到学术搜索引擎里批量检索把检索到的文献列表直接粘贴给百考通AI让它帮我筛选出最核心的20到30篇文献。AI会基于引用量、年份、期刊级别等条件输出一个推荐列表。第二步把选定的文献摘要分批次粘贴给百考通AI让它生成每篇文献的“核心贡献卡”。所谓核心贡献卡就是用固定格式概括一篇文献的内容——研究问题、技术方法、数据集、指标结果、局限性。这个格式是我自己定的通过Prompt约束AI按模板输出。“请阅读以下论文摘要并按以下模板输出核心贡献卡标题作者与年份研究问题技术方法关键实验结果局限性与[我的研究方向]的相关度高/中/低。输出时请保持每张卡片信息密度高避免冗余描述。”这一步做完之后你就拥有了一份高质量的文献笔记库。写综述的时候每篇文献的核心贡献都一目了然不需要反复回头翻原文。第三步也是最重要的一步——我称之为“半自动精读”。对于AI生成的贡献卡我会挑出相关度高的文献回到原文精读两到三篇最关键的代表作确保自己真的理解这些方法的技术细节而不是完全依赖AI的二手转述。这个步骤绝对不能省否则你的综述就是AI观点的搬运工答辩时任何一个小追问都能让你露馅。3.3 分章生成与逐章校验文献库构建好后就进入正式的综述撰写环节。我的做法是一个章节一个章节地生成绝不一次性让AI生成全文。每次生成前我把这章的Prompt写完整——角色设定、任务描述、上下文信息、输出约束四个要素全部拉满。生成后先用AI自带的内容检查功能过一遍然后自己再精读一次标记出存疑的技术细节。这里分享一个我常用的分章生成Prompt模板“你是[方向]领域的学术综述写作专家。请撰写综述第X章基于[Topic]的国内外研究现状。本章需要覆盖以下核心文献[文献列表]。写作要求按技术演进时间线组织内容不采用流水账式罗列对每篇关键文献说明其核心思路与主要贡献最后用一段话总结该方向的研究现状与空白点。每节控制在1000字左右文献引用标注采用[作者,年份]格式。”这个模板看起来简单但每一个要素都是有讲究的。角色设定保证了语气和深度文献列表保证了内容有据可依时间线要求保证了逻辑性总结空白点则为下一章的对比分析和趋势展望埋下伏笔让各章节之间的衔接更自然。生成完一章之后我会马上进行校验而不是攒到最后统一处理。校验分两个层面第一层是核对事实性内容比如某篇论文的发表年份、某个方法的提出者、某个数据集上的SOTA精度我会回到原文或搜索引擎验证第二层是评估结构与逻辑看这一章的段落之间有没有递进关系是否和上一章形成呼应。这两层校验都不需要花太久但能避免后期返工的大坑。3.4 对比分析的构建让AI生成“多维对比表”CS文献综述最有价值的部分往往在对比分析。技术的优劣只有在对比中才能体现出来。但对比分析恰恰是最难让AI自动生成的——因为对比需要基于对技术本质的理解而不是简单的信息罗列。我的做法是让AI从三个维度构建对比表——技术维度核心思想、关键技术细节、性能维度精度、速度、参数量、应用维度适用场景、局限性。先通过Prompt让AI针对某个子主题生成一个初步的对比框架然后我手动补充和修正具体数据。比如我写图像分类综述时的对比Prompt“请从以下维度对比ResNet与ViT两种架构模型设计动机、核心操作卷积vs自注意力、归纳偏置、在大规模数据上的表现、在小规模数据上的表现、计算复杂度。每个维度请给出技术层面的解释而不仅仅是结论性的描述。最后请总结在[具体场景如医学影像小数据集分类]中哪种架构更合适为什么”相比单纯罗列两个模型的原理和指标这种对比模式才是综述里真正能体现“综述价值”的内容。AI虽然不能替你做领域判断但通过结构化的对比Prompt它能帮你把对比的维度、逻辑和素材准备到位你只需要基于这些素材做最终的判断和润色。3.5 整合与润色从“素材拼接”到“文气贯通”当所有章节都生成完毕之后就进入整合润色阶段。这个阶段的工作量取决于前面分章生成时的Prompt质量。如果每个章节的Prompt都遵循统一的角色设定和输出风格整合时的违和感会很小如果各章设定的语气不一致整合阶段就会很痛苦。所以我的建议是第一章节的Prompt在写的时候就要想好“全局统一性”角色设定和输出约束从头到尾保持一致。整合阶段我做三件事。第一件事是统一术语比如有的章节AI写“神经网络”有的写“深度网络”这时需要全局统一。第二件事是消除冗余分章生成时各章节之间可能出现内容交叉比如研究现状和方法梳理里都提到同一篇文献整合时需要决定在哪个章节展开细讲、哪个章节只做引导性引用。第三件事是润色段落衔接这一步可以继续用百考通AI辅助我会把上下文两个章节的末尾和开头粘贴给它让它生成一个自然的过渡段落。过渡段落生成Prompt示例“以下分别是综述第X章和第X1章的开头与结尾。请生成一个过渡段落要求逻辑上承上启下先总结上一章的核心结论再自然引出下一章将要讨论的问题。不超过150字不需要任何多余的铺垫。”至此一篇结构完整、内容扎实的文献综述初稿已经成型。接下来就是按照学校模板调整格式插入参考文献列表再根据导师的意见进行局部的修改完善。4. 常见问题与排查技巧实录用这套流程写综述我自己经历了不少坑也陆陆续续帮实验室的学弟学妹排查过问题。这里整理一些问题清单和对应的解决方案基本覆盖了使用结构化Prompt百考通AI写综述时最常遇到的状况。4.1 Prompt再结构化也救不了的“AI套话”这个问题非常典型——明明Prompt已经写得很细了AI输出里还是有大量“值得注意的是”“综上所述”“随着深度学习的发展”这种废话。出现这个问题根源通常不在于Prompt结构本身而在于你没有对“表达风格”做约束。解决方法是在输出约束里加入一个“反套话”指令比如“输出要求避免使用‘值得注意的是’‘综上所述’‘随着XX的发展’等表述每个观点首次出现时要直接用事实切入不需要过渡性铺垫段落之间用逻辑连接而不是套话连接。”实测下来加入这个约束之后AI输出的“AI味”会明显下降读起来更像人写的学术综述而不是机器拼装的资料汇编。另外还有一种情况就是AI在某些段落输出得过于“政治正确”比如明明某些技术路线已经证明是死胡同AI还是会用“具有广阔的前景”来评价。这种时候不要犹豫直接手动改因为学术综述需要的是客观批判性而不是四平八稳的客套话。4.2 文献引用不准确或幻觉问题AI生成的文献引用是最需要警惕的雷区。大模型的训练数据里包含大量论文信息但它在生成时可能把不同论文的内容混淆甚至凭空生成一篇看起来像模像样但实际不存在的论文。这在学术写作中是致命伤。第一次尝试时我就吃过亏——AI引用了一篇“提出XX方法的论文”我把作者和标题拿去Google Scholar搜了半天都没找到事后确认是它编的。应对这个问题的策略是“三个绝不”绝不完全信任AI生成的参考文献列表绝不直接复制AI的引用格式而跳过验证绝不让AI对引用的论文做过于具体的细节描述而不查原文。每次AI生成涉及文献的内容时我会把论文标题和作者提取出来先走一遍学术搜索引擎确认存在性再回到摘要或原文核对关键结论描述是否准确。这个过程虽然看起来增加了工作量但实际上比你手动写综述时逐篇核对要省时得多因为AI帮你省掉了80%的搜索和初筛工作你只需要把精力花在关键的20%核验上。4.3 长文本生成中的“遗忘”与重复问题百考通AI的长文本能力虽然比我用过的大多数通用模型都强但在处理特别长的综述时仍然可能出现前后不一致的情况。典型表现是前文已经详细讨论过某个方法后文又把它当作新内容重新介绍了一遍导致重复感很强。解决这个问题我的经验是把综述的“记忆锚点”显式地注入到Prompt里。所谓记忆锚点就是提醒AI“前文已经讲过什么”的关键信息。比如在生成第六章时Prompt里会加上一句话“注意在第二章已经详细讨论过方法A的基本原理和技术细节本章如果涉及方法A只需简要引用前文结论不需要重新展开论述。”这个方法非常有效。原因是AI的语言生成能力很强但它的上下文一致性需要额外的“提示”来维持。你把“前文已述”这个信息写进Prompt就相当于给了它一个明确的路标它会顺着路标走降低跑偏的概率。4.4 学术风格的定位偏差还有一类问题是学术风格定位不合理。有的同学反馈AI生成的内容过于口语化像在写博客或公众号文章把“端到端学习”解释得过于通俗完全没有学术论文的严肃感。另一些同学则相反AI输出的内容过于晦涩满屏都是数学公式读起来像在读顶刊论文和本科生综述的要求不符。我排查后发现这类问题的根源几乎都在角色设定环节。如果你在角色设定里写的是“你是一名资深博主”或者没有明确说明读者群体AI就会按照它理解的默认风格输出。但如果角色设定到位比如明确写了“读者是CS本科生”AI就能自动把学术深度和可读性调整到合适的平衡点。所以我在角色设定中会把读者画像写得很具体包括读者的知识水平CS核心课已经学完、需要的技术深度知道概念和原理不需要推导细节、希望获得的阅读体验逻辑清晰、重点突出、不堆砌术语。这些信息看起来只是“背景描述”实际上直接影响AI的学术风格定位。值得花时间打磨。4.5 综述结构的“同质化”问题最后一个常见问题是不同章节的写法结构雷同。比如每一章都是“该方法由XXX提出→其核心思想是XXX→实验表明XXX→存在局限性”虽然内容不同但读起来像同一个模板套出来的非常生硬。AI之所以会这么做是因为它在训练数据中观察到的学术综述大多是这种“四段式结构”这是最常见也最保险的写作模式。想要打破这种同质化需要在Prompt中明确要求每章采用不同的组织逻辑。我的做法是为每一章指定不同的逻辑主线。比如研究现状章节用“技术演进时间线”组织核心技术方法章节用“分类对比树”组织挑战分析章节用“问题—现有方案的不足—潜在对策”组织。骨架不同写出来的内容自然就不会千篇一律。这个方法尤其适合CS领域的综述因为CS本身就是一门强逻辑学科技术演进、分类对比、问题驱动这三种逻辑天然适配它的内容形态。强行用单一的“四段式”模板反而会掩盖技术发展的真实脉络。5. 写在最后的实操心得从我个人的实际体验来看用结构化Prompt思维加上百考通AI写文献综述表面上省掉的是“打字”的时间本质上省掉的是“组织思路”和“信息整理”的时间。过去写综述大量的精力消耗在翻文献、摘摘要、找观点这几个机械环节上真正留给思考的时间反而少得可怜。现在这个流程把机械环节压缩到最小让我有更多精力去思考技术演进的逻辑、去判断哪篇文献真正重要、去打磨对比分析的深度。这才是写综述真正的价值所在。最后分享一个我踩过几次坑之后形成的习惯每次生成完后会在第二天重读一遍全文。刚写完时人很容易陷入“我写得好棒”的错觉中但隔一天再读很多逻辑断续和表达生硬的问题就自然浮现出来了。综述这东西慢工出细活AI帮你把粗坯打好了剩下的精修还得靠你自己一点点打磨。把工具用到位的人永远比只会蛮力硬写的人走得快。希望这套方法能帮你在文献综述这件事上少熬几个夜多留点时间给真正值得投入的事情。