文献综述 Skill 怎么用：从搜索到成稿的实测流程

为什么一篇综述能拖三个月

周五下午，导师问："上周让你查的 CRISPR 递送载体进展，综述呢？"你盯着屏幕——PubMed 开了七个标签页，Zotero 里堆着两百条未读，Excel 的纳入排除标准改了五版，最后连哪篇看过、哪篇排除了都记不清。

这不是懒。手工跨库搜索、逐条去重、格式统一、引用核对，任意环节崩掉都会让整个工作流瘫痪。文献综述 Skill 的设计目标，就是把机械劳动压到最低，让人把精力放在判断与综合上。

这个 Skill 的工作方式

该 Skill 并非简单调用某个 API 返回摘要列表。它内置了一套结构化工作流：PICO 框架界定问题 → 多数据库并行检索 → 自动去重与聚合 → 主题化综合 → 引文校验 → Markdown/PDF 输出。

核心依赖包括 gget（PubMed、bioRxiv）、bioservices（ChEMBL、KEGG 等）、datacommons-client（人口统计数据），以及 search_databases.py 脚本处理结果合并。引文验证是硬环节，不是装饰——所有 DOI、作者、年份都会交叉核对，支持 APA 等多种引用样式输出。

特别值得注意的是强制图表要求：每篇综述必须调用 scientific-schematics 技能生成 1–2 张 AI 示意图，如 PRISMA 流程图或主题综合图。命令为 python scripts/generate_schematic.py "描述" -o figures/output.png，Nano Banana Pro 会迭代优化至出版质量。

启用方法

在兼容的 AI 工具中启用该 Skill：Claude Code、OpenClaw、Hermes Agent 均已支持。无需额外 pip 安装命令，工具加载 Skill 后即可调用其工作流与脚本。来源为 claude-scientific-skills，MIT 许可，上游仓库 K-Dense-AI/scientific-agent-skills。

实测：一次小型主题梳理

以"脂质纳米颗粒 vs AAV 在体外基因编辑中的效率对比"为例，走一遍完整流程。

阶段一：界定范围

用 PICO 拆解：P 为体外细胞模型，I 为 LNP 递送，C 为 AAV 递送，O 为编辑效率。时间锁定 2019–2024，英文同行评审与预印本，排除体内研究与综述文章。

阶段二：多库搜索

• gget search pubmed "(lipid nanoparticle OR LNP) AND (AAV OR adeno-associated virus) AND CRISPR AND editing efficiency"
• gget search biorxiv 同串检索预印本
• arXiv API 覆盖 q-bio 分区
• Semantic Scholar 兜底跨学科文献

每条搜索按模板记录日期、检索式、结果数，导出 JSON。

阶段三：去重与筛选

python search_databases.py combined_results.json \
  --deduplicate \
  --format markdown \
  --output aggregated_results.md

按 DOI 去重后标题筛、摘要筛、全文筛，逐层记录排除原因与数量。此阶段生成 PRISMA 流程图（以下数字为演示流程的示例数据）：初始命中 312 条 → 去重后 287 → 标题筛剩 89 → 摘要筛剩 34 → 最终纳入 12 项研究。

阶段四：提取与质评

从 12 篇中提取样本量、细胞类型、编辑效率百分比、检测方法、局限性。RCT 用 Cochrane 工具，观察性研究用 Newcastle-Ottawa，按高/中/低/极低分级。极低质量者剔除，此处 1 篇因样本量 n<3 被排除（同为示例数据），最终 11 篇进入综合。

阶段五：主题化写作

复制模板：cp assets/review_template.md my_literature_review.md。不按 A 研究、B 研究罗列，而是按主题组织："LNP 效率区间与关键参数""AAV 血清型差异""免疫原性权衡""新型杂合递送策略"。每个主题内横向比较多项研究，标注共识与分歧点。

引用经 Skill 自动校验，输出 Markdown 后转 PDF，图表嵌入 figures/ 目录。

适合的研究场景

• 系统综述或范围综述的完整执行
• 学位论文的文献综述章节（需快速生成可迭代底稿）
• 跨库主题摸底（如同时追踪 PubMed 正式发表与 bioRxiv 预印本动态）
• 引文密集型工作（APA 格式、多轮修订时手动调格式极易出错）
• 需可视化呈现搜索流程或概念框架的报告

边界与人工复核：不可替代的三道关

该 Skill 是辅助，不是代笔。以下环节必须人工介入，且不可跳过：

纳入排除的最终裁决。脚本能按规则初筛，但"边缘相关性"判断需要领域知识——一篇标题含 LNP 却实际讨论 mRNA 疫苗的论文，机器可能保留，人必须剔除。

质量评估的权重分配。Cochrane 工具给出"偏倚风险不明"时，是否降级？这涉及对实验设计的深度理解，无通用算法。

主题框架的建构。机器可以聚类高频词，但"为什么把递送效率与免疫原性放在同一主题下讨论"属于学术判断，决定综述的叙事逻辑。

图表的学术准确性。scientific-schematics 生成的 PRISMA 图美观，但流程中的数字必须与人手工记录的筛选结果逐字核对。一处 n 值错误，整篇综述可信度崩塌。

临床意义的阐释。效率百分比的高低，在体外与体内、小鼠与人之间的推论边界，只能由研究者自己把握。

把机器搜索、去重、格式化的时间省下来，花在读全文、做判断、反复核实上——这才是 Skill 存在的意义。