这篇文章不讲空话，而是把"一篇论文怎么从零开始写到 related work 初稿"这条完整链路，用 Canguo Science 真实走一遍。四张图全部矢量自绘、可复现。研究结论由研究者负责，模型只负责语言理解与执行。

目录

1. 先看全景：Canguo Science 到底强在哪
2. 痛点：为什么"从 0 写论文"这么难
3. 六步流水线：把玄学变成工程
4. 第 1-2 步：定问题 + 建文献地图
5. 第 3 步：多模型分工精读代表作
6. 第 4-5 步：量化筛空白 + 提可证伪假设
7. 第 6 步：收敛成可写的初稿
8. 硬证据汇总：每个数字都能重跑
9. 总结与边界

---

1. 先看全景：Canguo Science 到底强在哪

先把结论放在最前面。下面这张仪表盘里的四个数字，全部来自本项目真实产出，可由脚本一键复现：

• 21 个主流大模型：Anthropic 14 + OpenAI 7，一个入口统一调用；
• 47 次可复现运行，100% 成功：跨厂商、同一环境、零失败；
• 4947 篇文献地图：AI for Science、RAG、LLM Agent 三个领域的公开论文；
• 3 个模型跨 2 家厂商实测：可交叉核对，降低单模型幻觉。

这四个数字对应了科研平台最该被追问的四件事：模型够不够用、流程能不能复现、数据有多少、结论稳不稳。下面我用一篇论文的完整写作过程，把这四点串起来。

2. 痛点：为什么"从 0 写论文"这么难

很多人写论文卡在最开始的三关：

第一关：选题靠猜。 打开聊天框问"这个领域有哪些创新点"，模型给一串词，但没人知道它检索了多少论文、代表作是谁、"研究少"到底少到什么程度。

第二关：读不完。 一个热点方向一年冒出上千篇论文，人工根本读不过来，只能凭感觉抓几篇，综述写得片面。

第三关：不可复现。 好不容易写完，审稿人一句"你的数据怎么来的、能不能重跑"，就把人问住了。

这三关的共同点是：缺一条把"公开数据 + 多模型阅读 + 可复现记录"串起来的流水线。Canguo Science 要做的就是这条流水线。

3. 六步流水线：把玄学变成工程

Canguo Science 把"从 0 到初稿"拆成六个可复现步骤，每一步都有明确输入输出：

步骤	做什么	谁来做
1. 定问题	锁定领域、检索式、时间范围	研究者
2. 建地图	OpenAlex 抓年度/主题/国家	Open Science 脚本
3. 读代表作	结构化阅读高被引论文	多模型
4. 筛空白	维度词量化覆盖率	Open Science 脚本
5. 提假设	低频词改写成可证伪问题	多模型 + 研究者
6. 成初稿	related work + 图表 + 复现说明	多模型 + 研究者

关键设计：数据统计和绘图交给可复现脚本，语言理解交给模型，边界判断和最终结论交给研究者。 三者分工明确，谁都不越界。

4. 第 1-2 步：定问题 + 建文献地图

以我实际做过的三个领域为例。第 1 步定下检索式和年份范围后，第 2 步用 OpenAlex API 建立文献地图：

import json, urllib.parse, urllib.request

params = {
    "filter": 'display_name.search:"llm agent",'
              "from_publication_date:2020-01-01,to_publication_date:2025-12-31",
    "group_by": "publication_year",
    "per-page": 200,
}
url = "https://api.openalex.org/works?" + urllib.parse.urlencode(params)
req = urllib.request.Request(url, headers={"User-Agent": "OpenScience-CSDN/1.0"})
with urllib.request.urlopen(req, timeout=60) as resp:
    result = json.load(resp)
for row in sorted(result["group_by"], key=lambda x: int(x["key"])):
    print(row["key"], row["count"])

三个领域的真实文献规模：

领域	主检索式	标题匹配论文
AI for Science	"AI for Science"	302
RAG 研究空白	"retrieval augmented generation"	3464
LLM Agent	"llm agent"	1181

合计 4947 篇。每一次 API 响应都存进 raw/*.json，快照可追溯——这是"可复现"的第一块基石。

5. 第 3 步：多模型分工精读代表作

文献地图有了，但 4947 篇不可能全读。第 3 步只精读高被引代表作——本项目一共归档了 50 篇 高被引论文的元数据。这一步正是 21 个模型发挥价值的地方：

多模型不是堆参数，而是各司其职：

• 轻量模型（haiku / mini 系列）：批量从摘要抽取数据集、指标、限制，成本低、速度快；
• 旗舰模型（opus / gpt-5.6 系列）：做复杂推理、综述初稿、假设改写；
• 跨厂商交叉核对：让 Anthropic 和 OpenAI 的模型分别处理同一批论文，比对结论差异，降低单模型幻觉。

给模型喂真实元数据，并明确禁止补造：

prompt = f"""
下面是来自 OpenAlex 的真实论文元数据。
只能引用输入中存在的标题、年份和 DOI，不得补造文献。

任务：
1. 按方法、评测、领域应用和风险分类；
2. 每个候选方向必须给出支持证据和反证；
3. 将"研究较少"写成待验证假设，不得写成确定事实；
4. 输出适合人工复核的 Markdown 表格。

DATA:
{json.dumps(top_works, ensure_ascii=False)}
"""

这一步的产出是一批结构化的"论文卡片"，供后续综述和横向比较使用。

6. 第 4-5 步：量化筛空白 + 提可证伪假设

第 4 步，对主检索集合叠加维度词，量化每个方向在标题中的显式覆盖率。三个领域一共量化了 19 个候选维度。以 LLM Agent 为例：

标题维度	记录数	占 1181 条比例
multi-agent	97	8.21%
evaluation	76	6.44%
benchmark	61	5.17%
safety	16	1.35%
reproducibility	1	0.08%

第 5 步是最关键的科研纪律：不能把"低频"直接写成"空白"。低频词只说明这个方向值得进一步系统综述，不能证明无人研究。所以要把它改写成可证伪的研究问题。三个领域一共提炼了 10 个可检验问题，例如：

当只替换一个组件（嵌入模型 / 工具集 / 提示词）时，智能体基准的排名是否稳定？论文是否提供了足够信息让第三方复现？

这样写出来的方向，审稿人才认。

7. 第 6 步：收敛成可写的初稿

把前面五步串起来，就是一个从"海量文献"到"可写初稿"的收敛漏斗：

• 4947 篇 标题匹配文献（3 领域合计）
• → 50 篇 高被引代表作精读
• → 19 个 候选空白维度量化
• → 10 个 可证伪研究问题
• → 3 篇 related work + 图表初稿

每一层的收敛都有据可查，不是拍脑袋。最终产出的三篇初稿，都带趋势图、数据来源说明和复现命令，直接可用于 SCI/IEEE 论文的 related work 骨架。

8. 硬证据汇总：每个数字都能重跑

这篇文章最想强调的一点：上面所有数字都不是手写进来的，而是由脚本从真实文件重算并断言校验。

# evidence.py 的核心校验
assert s["catalog_total"] == 21                       # 模型清单
assert s["runs_total"] == s["runs_ok"]                # 全部运行成功
assert s["success_rate"] == 1.0
assert s["records_total"] == 302 + 3464 + 1181        # 文献总数 4947
assert s["top_works_total"] == 50                     # 精读代表作
assert s["gap_dims_total"] == 19                      # 候选维度

运行方式：

cd output/articles/paper-from-zero
python -m pip install -r requirements.txt
python evidence.py

脚本会重算所有数字、渲染四张矢量图，任何一项对不上就直接报错。文章数字对不上，脚本先失败——这就是 Canguo Science 对"可信"的具体承诺。

说明：runs.jsonl 是追加写入的，运行次数会随每次执行增长；文章引用发布快照值（47）与稳定的 100% 成功率，二者都由脚本重算。

9. 总结与边界

一篇论文从 0 到初稿，最难的从来不是文笔，而是每一步都要经得起追问。Canguo Science 把这条链路做成了可复现的流水线：

21 个主流大模型统一接入负责阅读理解，Open Science 可复现脚本负责数据与图表，47 次运行零失败保证结论可重跑——4947 篇文献最终收敛成 3 篇带证据的初稿。

它的边界同样清晰，绝不夸大：

Open Science 管证据和复现，CanguoAI 管语言理解与模型访问，研究者对检索边界、实验设计和最终结论负责。本文不做任何模型效果对照跑分，"21 个模型"是可用能力而非使用量，文献覆盖不代表领域全貌。

这才是 Canguo Science 真正厉害的地方：它不承诺帮你"想出"论文，而是保证你走的每一步都留下可复现的证据。

Canguo Science / CanguoAI：https://canguoai.com/

利益关系说明：本文作者与 CanguoAI / Canguo Science 项目有关联。文中平台级数字来自本项目真实运行日志与公开 OpenAlex 数据，可由 evidence.py 复现；本文没有进行 Canguo Science 与其他科研工具的效果对照实验，也未声称任何未经验证的自动化能力。