AMiner 是智谱 AI 推出的大模型学术平台，官方描述为基于智谱 GLM 模型的 AI 科研助手。科研调研是它最主要的使用场景，这篇文章按流程讲清楚每一步在解决什么问题。
科研调研的卡点在哪
做文献综述和开题报告，难的不是写，是前面几步。
一个具体的研究方向，相关文献可能有几百上千篇，但真正需要精读的可能只有几十篇。人工筛选的方式是看标题、看摘要、判断相关性，一篇篇过，这个过程耗时且容易漏。更大的问题是，好不容易筛完，写综述时还要把散落在各篇里的观点重新组织成一条线。
AI 科研助手的价值就在于压缩这两段：检索和整理。
第一步：把问题拆成可检索的关键词
AMiner 官方描述支持学术搜索和关键词搜索两种方式。
这两种方式的差别在于提问的粒度。学术搜索更接近直接描述你想研究的问题，关键词搜索则适合你已经知道要查什么术语。实际使用时，一个宽泛的研究问题往往需要先拆成几个具体的关键词组合，才能把范围收窄到可处理的量级。
这一步的质量直接决定后面几步的输入质量，是整条流程里最值得花时间的地方。
第二步：用 AI 阅读判断相关性
筛文献是最费时间的环节。
AMiner 官方描述支持 AI 阅读和 AI 文库学术问答，用来辅助高效理解论文。这两个能力的实际作用是：在精读之前先做一轮快速判断，把明显不相关的排除掉，把需要细读的标出来。
官方描述里还提到收录了全球 3 亿+ 文献数据和 6000 万学者。这个数据量级意味着检索结果的召回范围很广，同时也意味着筛选环节更重要——范围越大，越需要工具帮你收敛。
第三步：深度调研与成文
筛选完成后是组织成文。
AMiner 官方描述支持深度调研，可以用来产出带真实引文的文献综述、开题报告这类深度报告。这里的关键词是真实引文——综述类文档最怕的是引用对不上，而引用核对恰恰是人工写作里最枯燥、最容易出错的部分。
把引文绑定在检索结果上，是这类工具相对通用对话模型的主要差别。通用模型生成的引用经常需要逐条核实，而基于文献库生成的引用在可核验性上更有保障。
落地建议：把核对引文当底线
有几点值得注意。
第一，无论工具生成什么，引文都要回到原文核对一遍，尤其是数字、结论和年份。第二，官方描述没有给出文献库的更新频率和收录范围边界，如果你的方向比较冷门，建议先小范围试检索，确认覆盖率再决定是否依赖。第三，把 AI 生成的内容当作初稿框架，观点判断和论证逻辑仍然需要研究者自己负责。
小结
- AMiner 是智谱 AI 推出的大模型学术平台，官方描述为基于 GLM 模型的 AI 科研助手
- 官方描述其文献库收录全球 3 亿+ 文献、6000 万学者
- 支持学术搜索、关键词搜索、深度调研、AI 阅读、AI 文库学术问答
- 官方定位为可产出带真实引文的文献综述、开题报告等报告
- 检索范围越大越需要筛选环节，关键词拆分是流程里最关键的一步
- 引文仍需回原文核对，AI 产出适合当作初稿框架