AI 读论文漏细节，往往不是模型没读到，而是提问方式让它只能给摘要：上来就问“总结一下”，它就只给结论；想拿到方法与数据的细节，要先给它四个锚点——研究问题、方法、结果、局限，再逐段追问。锚点定下来，同一篇论文读两遍，信息密度会完全不同。
第一遍：四个锚点先过一遍
先让 AI 按四个锚点输出一页纸的地图：这篇研究要回答什么问题，用了什么方法，核心结果是什么，作者自己承认的局限有哪些。每个锚点只留一两句话，超过三行的回答先砍掉，地图的作用是定位，不是复述全文。读完地图再决定：这篇论文值得精读，还是只看摘要和方法部分就够了。
地图里最容易被跳过的是局限。作者在讨论部分写的样本限制、适用条件和未解决的问题，往往决定了这篇论文的结论能不能用到你的场景里。地图上没有局限这一栏，就追问一句“作者在文中提到的研究局限有哪些，请引用原文表述”，不要接受“这篇论文没有明显局限”这种空话。
第二遍：按段追问，问题要带页码意识
精读时一次只问一个部分。方法部分问样本、干预或实验设计、测量工具和统计方法，例如“样本量是多少，入选标准是什么，统计方法能支撑这个结论吗”。结果部分问关键数字和图表，例如“表 2 里第二组的结果是多少，这个数字在正文里是怎么解释的”。讨论部分问“这个结论和已有研究哪里一致、哪里不一致”。
提问时要把原文段落带进对话。很多支持带原文引用的阅读工具，可以直接选中段落提问；用通用对话模型时，把相关段落贴进去再问“请解释这一段里这个术语在这个研究中的具体含义”。不带原文的提问，模型容易用通用知识补全细节，答得流畅但未必是这篇论文说的。
引用和数字，必须回到原文逐条核对
AI 最容易出错的地方有三处：编造看似真实的参考文献、记错关键数字、把作者的推测说成已证实的结论。对策也只有一条：逐条核对。每一条引用，去正式数据库核对作者、标题、期刊和年份是否真实存在；每一个关键数字，回到原文表格和正文里复核；每一个“研究表明”，确认是这篇论文的结果，还是作者引用的别人的结果。
多篇论文一起比较时，要用同一把尺子：同一张表里列研究问题、样本与方法、核心结果、局限四栏，逐篇填完再比较。只让 AI 分别夸三篇论文，会得到“各有特色”的空话；先定比较维度，再让它按维度填表，缺口才看得见。比较时还要问反例：“哪篇材料最不支持这个结论”“什么情况下这个结论不成立”，追问反例比追问更多细节更能检验判断。
学术红线：AI 输出不能直接进正文
AI 的总结和综述段落只能当笔记和草稿，不能直接复制进论文。用自己的话重写，才能保证逻辑和事实都经过你的手；直接复制不仅可能引入你没发现的事实错误，还可能被 AIGC 检测标出。使用前先查目标期刊的作者指南和学校的相关规定，不少期刊要求披露 AI 工具的使用情况，有的学校对学位论文的 AI 使用比例有硬性要求。
上传论文前也要先想一想版权和保密：未发表的稿件、课题组内部数据和受版权限制的全文，上传到外部工具前要确认是否符合期刊协议和课题组要求。能用本地或机构提供的阅读工具处理，就不要把全文贴进公开的对话模型里。
