用你自己的话描述需要引用的要点，即可返回真实论文：这些论文来自 Crossref 和 Semantic Scholar 等可信开放科学数据库，按其对论证的助益程度排序，并提供七种引文格式。这里的 AI 只会读取你的描述并对记录进行排序，绝不会写出参考文献，因此不会凭空编造。
Your description is turned into search queries against trusted scholarly databases.
0 / 50 words
Trusted by researchers publishing in
至少写 50 个词，说明你正在论证、研究或引入什么内容, 包括主张、对象或材料、学科术语。补充你需要支持性证据、反证、背景还是方法，并设定年份范围和来源类型。
你的描述会转化为多组数据库搜索，在覆盖数亿条记录的可信开放科学数据库中运行。返回的论文会根据你的实际问题进行排序，每条还附有一句说明其贡献的注释。
通过记录链接阅读你计划引用的内容，然后将单条参考文献或完整列表复制为 APA、MLA、Chicago、Harvard、IEEE 或 Vancouver 格式，且斜体在粘贴到 Word 或 Google Docs 后仍可保留。
结果来自 Crossref 和 Semantic Scholar 等可信开放科学数据库检索所得，绝非生成。AI 只对数据库返回的内容进行排序，不能自行添加论文，因此不存在凭空生成参考文献进入列表的路径。
告诉它你需要支持论点、质疑论点、提供背景还是描述方法的来源。结果会带有立场标签和一句说明每篇论文贡献的注释，因此筛选只需几秒，而不是花上一整个下午。
50 个词的描述，所承载的信息是三个关键词给不了的, 主张、对象、所需证据类型。查找器会从多个角度检索，并根据你的问题进行排序，这也是它能找到关键词框会漏掉的论文的原因。
每条结果都由记录自身的元数据生成，采用与我们的引文生成器相同的引擎：七种样式、正确斜体、逐条复制，以及一键复制全部列表。
2026 年获取阅读清单最快的方式，是问聊天机器人，但这也最容易让参考文献列表里混入编造条目。向语言模型索要来源时，它会写出看起来像来源的文本；至于这些来源是否真的存在，模型本身并不知道。搜索引擎的问题则相反：每一条结果都是真实的，但关键词框无法理解你需要的是针对某一主张的反证，或是关于特定人群的研究，或是你可以借用的方法。把两者正确结合起来，意味着只让各自做它最擅长的事情。
这正是此查找器的构建方式。语言模型读取你的描述，只做两件事：写出学术馆员可能会写的数据库检索式，以及对这些搜索返回的记录进行排序。真正的检索发生在 Crossref 这类可信开放科学数据库中，Crossref 是由出版方提交元数据、收录 160+ million 篇作品的 DOI 注册库，以及 Semantic Scholar, 也就是 Allen Institute for AI 建立的 200+ million 篇论文索引。因为模型从不撰写参考文献，所以幻觉式失误并不是事后过滤掉的，而是在结构上根本不会发生。
50 个词的最低要求是另一半设计。相关性排序的好坏取决于问题本身，而用你所在领域自己的术语完整描述你的观点，能让查找器同时从多个角度检索：核心主张、机制或人群，以及当你要求反证时的批评意见。每条结果上的立场标签来自论文标题和摘要，因此应把它们当作筛选提示，真正打算引用的内容都要阅读。引文是你对阅读后的陈述，不只是对论文存在与否的陈述。
当你的列表整理好后，两款配套工具会把流程闭合。AI 引文检查器会根据同一开放数据库验证任何参考文献列表，无论来源于哪个工具，而引文生成器则可通过 DOI 或标题检索来格式化单个来源。我们的幻觉引文审计会说明这三项功能背后的人工核查。
聊天机器人之所以会幻觉式生成参考文献，是因为模型本身在写它们。这里则完全把模型排除在这项工作之外。
这个工具中的语言模型只有两项职责：把你的描述转成数据库检索式，并对这些搜索返回的记录进行排序。它没有办法自行添加论文，因此聊天机器人那种幻觉式引文问题是从设计上被排除的，而不是事后过滤掉的。
标题、作者、年份、期刊/来源、DOI 和引用次数都逐字来自 Crossref 和 Semantic Scholar 等可信开放科学数据库。如果一篇论文不在这些索引中，它就不会出现在这里，结果中的任何内容都不是生成文本。
每条结果都链接到其来源记录，且优先提供 DOI，因此核实来源只需点击一次。等你的参考文献列表定稿后，本站的 AI 引文检查器会将每条条目与相同数据库逐一核对，作为最后一道完整性复核。
