围绕DeepSeek辅助文献综述的操作流程，从问题拆解、证据矩阵、分节写作到事实核查，给出可复用的提示词策略与质量控制要点。
文献综述的难点不在文字量，而在把分散文献压缩成可论证的知识结构。DeepSeek适合承担检索式草拟、摘要聚类、提纲生成和段落起草等中间环节，但每个环节都要留下可核验的中间产物，否则效率提升会被虚构文献和误引抵消。
1. 研究问题拆解与检索式构建
开始写综述前，先把研究问题拆成可检索的概念块。以“生成式AI对高校科研写作的影响”为例，可拆为研究对象、技术干预、应用场景和结果维度，再让DeepSeek按“核心概念—同义词—英文表达—排除词—数据库语法”五栏生成检索式草稿。提示词中要限定时间范围、文献类型和语言，并要求模型说明每个同义词的来源逻辑，避免把宽泛词当成精准词。模型给出的数据库语法不能直接采信，需在CNKI、Web of Science或Scopus中逐条测试，记录命中数量与检索日期。
纳入排除标准同样可以让模型先起草再人工修订。可要求DeepSeek根据研究问题输出纳入标准、排除标准和边界案例，并解释每条标准对应的综述目标。例如综述关注实证研究时，排除纯评论和行业白皮书；关注政策治理时，保留政策文本但单独编码。人工修订的重点是防止标准过宽导致文献池失控，也防止标准过窄漏掉关键争论。检索式与标准确定后，应固定版本，后续写作不再随意改动，以保证综述过程可复现。
2. 文献聚类与证据矩阵生成
进入阅读阶段，DeepSeek更适合处理摘要和结构化信息，而不是替代全文精读。把同一主题的文献摘要分批输入，要求模型只依据给定文本输出证据矩阵，字段包括作者年份、研究问题、样本或数据、方法、主要结论、局限和原文依据。提示词中要明确“不得补充输入材料之外的信息”，并要求每条结论后标注来自哪篇文献的哪一句。这样得到的矩阵可用于横向比较，也能暴露模型是否在编造样本量或结论方向。人工抽查时优先核对结论相反、样本特殊和方法复杂的条目。
矩阵完成后，让DeepSeek做主题聚类和分歧识别。可要求模型把文献归入理论流派、方法路径或政策立场，并输出“共识—分歧—空白”三段式备忘录。以AI写作工具为例，文献常分为工具效能、伦理风险、学术治理三类，模型可以指出效能研究多依赖短期实验，治理研究多停留在规范讨论，二者之间的长期追踪证据不足。这个判断仍需回到原文验证，但能帮助作者快速形成综述地图。聚类结果不要直接当正文，应作为写作提纲的证据底稿。
3. 分节写作与论证链设计
有了证据矩阵，下一步是设计论证链而非堆砌摘要。让DeepSeek基于矩阵生成三级提纲，每个二级标题下写明核心主张、支撑证据和反例位置。提示词可以要求每个段落遵循“主题句—证据—解释—评价”的结构，并规定每段只处理一个主张，引用必须对应矩阵编号。这样生成的是可检查的草稿，而不是看似流畅的泛论。作者需要逐段判断主张是否过强，证据是否同质，反例是否被忽略。案例类综述尤其要避免用单个案例推出普遍结论。
分节写作时，可把引言、概念界定、研究现状、争议与缺口拆开生成。每节输入不同的矩阵切片，并要求模型控制段落长度和引用密度。例如研究现状部分按时间或方法分组，争议部分按对立观点组织，缺口部分必须从已有证据的局限中推出，而不是凭空提出未来方向。模型生成的过渡句要人工改写，避免机械连接。完成初稿后，再让DeepSeek做论证链检查，标出因果跳跃、以作者代替证据、过度概括和重复表述。此时模型是审稿助手，不是作者替身。
4. 事实核查与学术规范校准
文献综述最不能妥协的是事实核查。使用DeepSeek时，应把文献元数据和原文摘录作为唯一可信来源，要求模型引用时保留作者、年份、期刊、DOI和页码；输入中没有的信息必须回到数据库核验，不能由模型补全。核查时逐条比对作者顺序、年份、研究结论方向和样本量，尤其注意模型把相似标题的文献合并、把相关性写成因果性、把综述结论误当成原始研究。Crossref、出版社官网和CNKI可以作为最终依据，模型输出只作为待核对清单。
语言层面可以让DeepSeek压缩冗余、统一术语、检查逻辑连接，但不要让它改写引文原句，也不要为了流畅删掉限定条件。术语统一要建立在前文概念界定上，例如“生成式AI”“大语言模型”“AI写作工具”不能随意互换。涉及AIGC使用，应按期刊或学校要求披露辅助范围，保留提示词、模型版本和修改记录。完成核查后再做格式校准，确保参考文献表与正文引用一一对应。经过这些步骤，DeepSeek提升的是检索、整理和起草效率，学术判断与责任仍由作者承担。
