这揭示了一个被 90% 的人忽略的铁律：AI 输出的质量，严格正比于你投喂信息的密度。 把 AI 当生成器，产出垃圾；把它当高密度信息的处理器，产出黄金。

以下是一套经过实战验证的「人工 RAG」论文写作工业化闭环，核心思路同样适用于任何深度长文写作。

第一阶段：高密度信息采集——拒绝让 AI 瞎编

多数人的致命误区是直接让 AI "写一篇关于 XXX 的文献综述"。这时 AI 调用的是通用语料库存货，大概率编造不存在的作者和论文。正确做法是先做高密度信息采集，三个层级递进：

1. 泛读与线索发现：Google 搜索 AI 模式

适合公开论文、政策文件和新闻报道的初筛。核心优势是"所见即所得"——点击引用链接直达高亮原文，快速过滤营销号垃圾，锁定期刊或官方来源。

2. 深度学术检索：NotebookLM 的来源搜索

NotebookLM 不只是学习工具，更是文献检索利器。它的数据源涵盖 Arxiv、Google Scholar 等高质量学术库。开启 Deep Research 模式后，它会生成研究报告并附带十余篇文献，一键导入即可作为对话语料，省去逐个搜索下载的繁琐。

3. 兜底大招：手动 RAG

特定领域文献（如知网付费论文、内部数据）仍需亲自动手。前往知网、Arxiv、各大期刊官网下载 PDF，导入 NotebookLM 辅助阅读。正如 Teriki 的做法——只有经过亲手筛选、确认过的高信度文献，才是喂给 AI 的"特供有机食材"。

这一步偷懒，后续必产"屎山"。

第二阶段：清洗与内化——只有懂了，才能问对

这是最关键也最容易被跳过的环节。AI 是能力杠杆，但杠杆的支点必须是你自身的认知深度。

用 NotebookLM 构建私人知识库

将筛选后的论文 PDF 导入 NotebookLM，它会为每篇文献生成来源指南（摘要）和关键词，帮你快速消化内容。与 NotebookLM 对话时，它严格尊重文献原文——每句输出都附带引用序号，点击即跳转高亮原文，帮你快速吃透文献。

补充一点：NotebookLM 的笔记现已支持导入 Gemini 进行进一步分析，Gemini 可以读取笔记本中所有来源文档的全文内容。但目前 Gemini 无法识别用户与 NotebookLM 的对话记录，这点仍有待改进。

专家模式 vs 小白模式

  • 熟悉领域时：你清楚知道要什么，AI 是最强助理，指哪打哪，效率飞升
  • 不熟悉领域时：你连问题都定义不清，AI 只能带你入门，甚至会被你的错误指令带偏

写学术论文，如果你自己没读懂文献，根本无法判断 AI 的分析对不对。只有掌握了课题，才能设计出精准的提示词，指导 AI 按你的逻辑去归纳和处理。

第三阶段：推理与生成——从 0 到 0.5，再到 1

手握高密度信息和清晰认知后，才轮到生成环节。但绝不要直接说"给我输出一篇论文"。

正确的生成策略：

  1. Step-Back Prompting（退一步提示）：放上论文草稿，问 AI "基于这些文献，目前的研究空白在哪里？逻辑矛盾是什么？"
  2. 暴露你的无知：提出自己的写作方向、方法论和想法，让 AI 作为资深导师进行批判性评价，查漏补缺——这是从 0 到 0.5 的过程
  3. 基于充分上下文生成：当上下文足够丰富、逻辑链条足够清晰时，AI 输出的就不再是词语堆砌，而是具备严密逻辑和详实数据的高质量作品

这里推荐使用 Gemini Deep Think，它引入并行思考架构，能同时探索 16 条推理路径，专为验证逻辑、解决难题、发现盲区而设计。

核心公式

整个工作流可以提炼为一个公式：

Google 搜索 AI 模式 + NotebookLM（探矿、洗矿，提纯高密度信息）→ Deep Think（精密加工）→ 你的认知（通过 Prompt 全程指挥）

最终产出的文章，既有 AI 的效率，又有你的灵魂，每一个引用都经得起推敲。

在 AI 时代，写作的门槛看似降低了，实则"真相的门槛"变高了。那些直接让 AI 瞎编的人，终将被垃圾淹没；而愿意做"人工 RAG"、带着脑子阅读和喂数据的人，才能把 AI 变成手中最锋利的剑。