【可执行状态】现在就能做（只需手上有公网可访问的 PDF 直链，优先出版社 OA 链接）
【本讲对应资产】research-assistant 引擎（8 个工具）；本讲关键工具 translate_pdf（外文 PDF 译中文 Word）、lit_card（文献精读卡）、term_table（术语表）
【本讲原理来源】L3 第 20 课《Function Calling 深度解析》（工具说明书三要素：叫什么、什么时候用、要什么参数）——本讲落在“给工具喂对参数”这一条上
先问一句：你上一次读完一篇外文文献，合上电脑的时候，手上有几样东西是可以直接放进稿子的？
多数人的答案是零。读了两三个晚上，笔记攒了几百字，可等到真要写“某某（2023）指出……”的时候才发现：笔记里没有页码，没有原句，只有一句自己当时的转述。于是翻回去找，找四十分钟，找到的还未必是那一句。更麻烦的是同一篇材料里同一个词，前一次记成“生成式人工智能”，后一次记成“生成式 AI”，读者会以为你在说两个东西。
问题不在读得慢，而在读的方式没有产出“可引用的东西”。这一讲要换掉的就是这个产出形态：从一篇 PDF 到一张卡，卡上写着能直接进你稿子的一行原句，以及它在原文的哪一页。
赵老师（化名，智能金融学院讲师）下个月要交一篇教改论文，文献综述这一节还没动笔。她手上有三篇英文文献，都是开放获取的 PDF：一篇讲生成式 AI 的教学应用，一篇讲课堂数据的分析方法，还有一篇是同行做的准实验研究。教研室的要求是“综述不能只是罗列，要有比较”。
她上周的实际情况是这样的：晚上七点打开第一篇，二十页，逐句看，看到十点半；合上电脑，记住的是“大概讲了 AI 对教学有帮助”。第二天要引用其中一句话，翻回去找了四十分钟，才在第 7 页一段的中间找到；再往后写，发现同一个词，前一段译成“生成式人工智能”，后一段译成“生成式 AI”，还有一处写成“生产式 AI”。
三篇文献，她花掉两个晚上，最后只得到三条笔记——而且这三条笔记一条都不能直接引用，因为不知道页码。
这样的下午并不稀奇。比如，她上一次写课程小结，想引一句政策原文来说明“为什么这门课要改”，结果翻了半小时，最后引的是某篇公众号文章里的转述——连政策文号都写错了。
换一种做法会怎样？同样是两个晚上，产出可以是三样：三张精读卡（每张四栏齐）、一张术语表（一个术语一个中文定法）、一份中文译文（速读用）。区别不在于她读得更快，而在于她把“读”拆成了三道能分别交付的工序。就像切菜和炒菜分开：一次只干一道工，每道工序都有一样能拿得出手的东西。
这一讲练的动作就是：把“读文献”变成一张可引用的卡。
lit_card 产出的精读卡，固定四栏：研究问题 / 方法与样本 / 可引用原句 / 局限。
这四栏不是随便挑的，它对应你写作时真正会用到的四件事：
| 卡的栏目 | 你写论文时拿它干什么 |
|---|---|
| 研究问题 | 综述里“某某（2023）关注的是……”这一句的主语 |
| 方法与样本 | 比较不同研究时“一篇用问卷、一篇用准实验”的依据 |
| 可引用原句 | 直接进你稿子的那句引文，附页码位置 |
| 局限 | 相当于替你把作者的自我批评挑出来，是你提“研究缺口”的原料 |
前三栏是“别人做了什么”，第四栏是“还差什么”——你的论文有没有价值，靠的正是第四栏。
举个例子：三篇文献里如果两篇都是小样本问卷、一篇是准实验，那么“现有研究以自报式问卷为主，缺少课堂过程数据”这一句，就是从第四栏里长出来的。再比如，三张卡摊在桌上横着读，你一眼就能看出“没人研究过混合式课堂的即时反馈”——研究问题就这么冒出来了。
打个比方：这四栏其实像一份体检报告的四个固定栏目——病因（研究问题）、检查手段（方法与样本）、关键指标（可引用原句）、并发症与风险（局限）。换一家医院看，栏目还是这四个，你比对着看就行。
“读文献、做笔记”不是新鲜事，它换过好几代做法，每一代都在解决上一代留下的一个痛点。看清这条线，你就知道今天这一步走到了哪里。
第一代，摘录本与卡片盒。 十六七世纪欧洲学者用 commonplace book（摘录本）：读到好句子就抄进去，按主题分栏。二十世纪把这个做法推到极致的是德国社会学家卢曼——他用一盒盒编号索引卡（Zettelkasten），每张卡只写一个想法，卡与卡互相引用，三十年间攒出七十多本书[1]。卡片盒最要紧的发明不是“记”，而是“每张卡只装一件事，而且能被别的卡引用”。
比如今天还有人保留着这个习惯：读一篇论文，抽出一张 A6 卡，正面写结论，背面写页码与自己的疑问。差别只在于，卢曼当年是手写，我们现在可以让机器把卡片先起草好。
第二代，文献管理软件。 二十世纪八十年代末起，EndNote、RefWorks、Zotero 这类工具出现，解决的是“存和排”：存下题录、自动生成参考文献表、按刊物体例换格式。它把引用格式自动化了，但它不读内容——它管的是“引用长什么样”，不管“这句话在原文哪里”。
第三代，检索增强生成（RAG）。 二〇二〇年，Lewis 等人提出把外部语料检索与大模型的生成接起来[2]：先从资料库里检索出相关段落，再让模型基于这些段落作答。它大幅降低了“翻找”的成本，但模型仍然可能把检索来的片段揉成一句看不出出处的话。
第四代，就是这一讲的精读卡。 它把前三代各接一段：卡片盒的“一卡一事”、文献管理器的“题录齐全”、检索增强的“自动抓取”，最后补上最要紧的一条——每一条可引用原句都要能追回原文的位置。
| 代 | 代表做法 | 解决了什么 | 留下的老问题 |
|---|---|---|---|
| 一 | 摘录本 / 卡片盒 | 内容有处可查 | 页码常丢，全凭手抄，抄错无人发现 |
| 二 | EndNote 一类文献管理软件 | 题录与引用格式自动化 | 不管内容，原句仍要自己找 |
| 三 | 检索增强生成 | 翻找成本大幅下降 | 出处可能被“融掉”，读者追不回去 |
| 四 | AI 精读卡（lit_card） | 抓取 + 原句 + 位置三样一起给 | 抓取可能不合格，必须人工核 |
这张表最该记住的是最后一列：每一代都留下了老问题。第四代留下的那个老问题——“抓取可能不合格”——正好是本讲第一条纪律要处理的事。工具每往前一步，人的核对责任不是变小，而是变得更精确。
这是一条纪律，不是一条便利：引用必须能溯源。
学术写作里的引用，本质是一个可核对的承诺——“这句话在原文里”。承诺能不能兑现，是可以机械验证的：把那一句拿去原文里搜，逐字命中，就算兑现；搜不到，就是没兑现。
打个比方：这就像借条。借条上写“今借到三千元”，你拿着它去找人，账要对得上；如果你手上只有一句“我印象里借过钱”，那这张条子在真要对账的时候什么也证明不了。精读卡上的“可引用原句”，就是学术写作里的那张借条。
所以精读卡的用法有一条铁律：出卡之后，每一句“可引用原句”都要人工回原文核一遍。
核不过的，删掉或者重做——不许“看着像”就放进稿子。这是本讲最硬的一条，本读本后面所有讲都按这个标准来。
会。所以才有上面那条铁律。
lit_card 是服务端去取 PDF 的，取到之后由模型在页面里找“研究问题、方法与样本、可引用原句、局限”。模型做的是语义判断，语义判断有概率性。真实碰到过的情形是：服务端自动抓取时截取不合格——抓到的是封面页、摘要页，或者是版本不对的那一份，于是卡里出现的句子在正文里根本搜不到。
处理办法只有一条，而且不可省：给公网可访问的 PDF 直链（优先出版社 OA 链接），出卡后逐句回原文核。
核对的办法很土，但最有效：把卡里那句原句整段复制，粘进 PDF 阅读器的搜索框，按下回车。能搜到，就是真话；搜不到，删掉重出。允许的差异只有断行和连字符——差一个词就算不过。
假设你偷了这一道懒，把没核过的原句放进稿子。评审只要复制那一句去搜，搜不到，你写了几万字的那篇稿子会一起被怀疑。这就是为什么核对不能省——它保住的不是某一句话，是整篇的可信度。
不能。这是本讲第二容易犯的错。
translate_pdf 把外文 PDF 译成中文 Word（url 给公网 PDF 地址，mode 可选 auto／translate／convert；中文 PDF 保真直转也用同一个工具）。它解决的是读得慢，不解决引什么。
工具说明里写得很直白：引用一律用英文原文 + DOI。
好比看病：你可以请人把一份外文病历翻成中文给你看，但要做医疗鉴定，用的还是那份外文原件。译文“能读懂”不等于“能引用”。
| 用途 | 用什么 | 能不能进稿子 |
|---|---|---|
| 快速读懂一篇外文文献 | 中文译文（translate_pdf） | 不能，仅供自己速读 |
| 写“某某认为……”这类转述 | 英文原文，你自己读懂后写 | 可以，但转述的准确性由你负责 |
| 直接引一句话 | 英文原文原句 + DOI + 页码 | 可以，必须回原文逐字核过 |
不能。这叫转引，是学术写作里最容易被追问、也最容易翻身不及的一类问题。
别人文章里引的那句话，你要回到原始文献去核。理由很实在：中间那个人可能抄错了、可能改了一个限定词、可能引的是预印本而正式版已经改了结论。假设你照着二手转引写进自己的稿子，一旦被问“你读过原文吗”，整段的可信度都会跟着掉。
正确做法是三步：从别人的参考文献里拿到原始文献的题录与 DOI——找到原始文献——自己出卡、自己核句、引原始文献。这一步多花二十分钟，换来的是“我问心无愧”。
term_table 出的是“英中定译 + 语料出现频次”。它输入是一组文本或公网 URL（texts_json），不传就按内置的教育 + AI 术语清单出一张空表。
它的用处只有一个：同一篇论文里，一个术语只能有一个中文说法。
赵老师那篇稿子里同时出现“生成式人工智能／生成式 AI／生产式 AI”，读者会以为你在说三个东西；如果是外文刊的审稿人，他会以为你没认真读过领域内的通用译法。术语表就是那把尺子，后面第 16 讲写论文时，它会被当作 terms 参数传进去，直接约束用词。
它还有个附带好处：这是一份可复用的教研室资产。 一个课程组共用一张术语表，学生作业、教案、论文里的译名就统一了；这张表也能直接进课程资源包。好比一个厨房共用一份配料表，谁来做都是同一个味道。
讲到这儿，应该把这一讲的短板交代清楚，免得读者踩坑。
lit_card 的参数名就叫 pdf_url，是服务端去取的。服务端取不到你硬盘上的文件。你给一个需要登录的下载页、或者一个普通的论文详情页，它就只能在页面上自动抓取能抓到的部分，而抓下来的截取有时是不合格的。meta 里的 DOI、年份、刊名要照你要引的那一版写，并在自己的笔记里注明。说清这些不是自我贬低，而是把期望放对：这一讲解决的是“读得快 + 引得住”，不是“不用读”。 判断这篇值不值得用、这个结论能不能撑起你的论点，永远是你的活。
第一段（译）：
用 translate_pdf 把这篇 OA 论文译成中文 Word，PDF 地址是 https://……/…….pdf，mode 用 translate，文件名保留原标题。第二段（卡）：
用lit_card给这篇 PDF 出一张精读卡，pdf_url同上；meta按“刊=……|年=……|DOI=……|被引=……|许可=……”的格式写全；把刚译好的中文 Word 地址放进zh_docx_url，附中文要点，方便我速读。卡里每一条“可引用原句”都要标出在原文的位置。
第三段（术语表）：
把这三篇文献的要点文本交给term_table（texts_json传这三段文本），出一张英中定译 + 频次的术语表，我写论文时要用它统一译名。
（文件名以工具返回的链接为准；下载到本机时保留原文件名，不要另起中文名，否则日后对不上 DOI。）
meta 里的年份、刊名、许可要照正式版写。| 症状 | 查哪里 |
|---|---|
| 卡里的原句在原文搜不到，或明显不是这篇的句子 | 服务端自动抓取时截取不合格。改用公网 PDF 直链（优先出版社 OA 链接）重新出卡，再逐句核 |
| 工具取不到文件、卡出不来 | 给的是本机路径或需要登录的详情页。pdf_url 必须是公网可访问的直链；先去找合法可访问的 OA 版 |
| 译文读得通，但引用有问题 | 译文是辅助阅读的，不是引用依据。引用回英文原文 + DOI |
| 同一篇文献出现两个版本（预印本／正式版） | meta 里的 DOI 与年份要对准你要引的那一版，并在笔记里写明 |
| 术语三种译法混用 | 没有把术语表带进写作环节。第 16 讲写草稿时，把术语表作为 terms 传进 paper_draft |
| 直接把精读卡拼成综述交上去 | 这是红线，见下一栏。卡是原料，综述要有你的比较与判断 |
| 卡里数据看着“很整”，比如样本量恰好是 1000 | 回原文核。对不上就是错的，不要因为“看着顺眼”就留下 |
materials；术语表是那一讲的 terms；找政策、找行业的资料是第 17 讲的事。精读卡不是笔记，是借条——引一句能追回原文，才叫真的读过了。
| 你要干的活 | 工具全名 | 关键参数 |
|---|---|---|
| 外文 PDF 译成中文 Word（或中文 PDF 保真直转） | mcp__research-assistant__translate_pdf | url（公网 PDF 地址）、mode（auto／translate／convert）、filename |
| 出一张文献精读卡 | mcp__research-assistant__lit_card | pdf_url（必填，公网直链）、meta（刊／年／DOI／被引／许可）、zh_docx_url（译文地址，可附中文要点） |
| 出英中定译 + 频次的术语表 | mcp__research-assistant__term_table | texts_json（文本或公网 URL 的数组；不传则出内置清单的空表） |
lit_card 要公网 PDF 直链（优先出版社 OA），出卡后逐句人工回原文核term_table 管的是一义一译：同一篇稿子里一个术语只能有一个中文说法[1] Schmidt J F K. Niklas Luhmann's Card Index: The Fabrication of Serendipity[J]. Sociologica, 2018, 12(1): 53-60.（卢曼卡片盒工作法的系统梳理）
[2] Lewis P, Perez E, Piktus A, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks[C]//Advances in Neural Information Processing Systems (NeurIPS), 2020, 33: 9459-9474.（检索增强生成的开创性论文）
[3] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 信息与文献 参考文献著录规则: GB/T 7714—2015[S]. 北京: 中国标准出版社, 2015.
[4] 教育部. 高等学校预防与处理学术不端行为办法（教育部令第 40 号）[Z]. 2016-06-16.（抄袭、篡改、伪造等行为的界定依据）
数据与平台：本讲所述工具能力与限制来自 zhenyuonline.cn 的 research-assistant 引擎（lit_card／translate_pdf／term_table，2026-09-17 核对）；文中“服务端抓取有时截取不合格、必须人工回原文核”为实测使用中确认的能力边界，如实写出，不作粉饰。