开题检索怎么做：用 Codex / Claude Code 留下一份可复查的文献初筛

开题时最容易犯的错误，是把“搜到很多论文”当成“问题已经想清楚”。真正有用的初筛应该回答另外几件事：我到底搜了什么、哪些来源真的执行了、结果里有哪些稳定标识符、正式论文与预印本是否混在一起，以及这次失败的来源可能漏掉什么。

Academic Paper Search 把这些信息保留在同一次返回中。下面不是示意图，而是我在 2026-07-31 使用 v0.2.0 对 large language models medical education 进行的真实运行。

这次真实运行说明了什么

本次请求让每个默认来源最多返回 3 条记录。sources_queried 包含 CrossRef、PubMed、arXiv、OpenAlex 和 Europe PMC；其中 CrossRef、arXiv、OpenAlex、Europe PMC 成功，共得到 12 条原始记录，合并后仍为 12 条。PubMed 返回 HTTP 429，系统没有让整次任务失败，也没有把 PubMed 写进成功来源。

这条错误不是无关紧要的技术日志。医学教育主题本来就与 PubMed 高度相关，所以本次输出只能叫“四源成功的初筛”，不能写成“五源已完整覆盖”。更稳妥的后续动作是等待限流恢复后补搜 PubMed，并保存补搜日期与查询式。

结果中出现了三条可以继续核验的早期线索：

10.1371/journal.pdig.0000198 / PMID 36812645：ChatGPT 在 USMLE 上的表现；
10.2196/45312 / PMID 36753318：ChatGPT 在另一组 USMLE 问题上的评估；
10.2196/48291 / PMID 37261894：LLM 在医学教育中的机会、挑战与未来方向。

它们能帮助建立概念地图，却不能直接成为纳入集。查询没有限制日期、研究设计、教育阶段或语言，而且 OpenAlex 的引用次数只是一个来源的动态指标，不代表证据质量。

从候选论文收敛开题问题

先按“研究对象”分组

把结果区分为考试表现、模拟患者、课程设计、教学反馈和风险治理。这样可以看出“LLM 与医学教育”仍然太宽，真正可做的问题通常落在某一类教学任务和某一类学习结果上。

再按“证据类型”分组

观点文章、横断面评测、课程干预、学生调查和预印本承担的证据角色不同。开题报告可以用观点文章搭背景，但不能把观点文章的建议写成已验证效果；预印本也要单独标识版本状态。

最后记录缺口，而不是追求整齐

如果题名相近但 DOI 不同，或者预印本与正式版本的关系不清楚，就保留冲突并进入人工核验。真实开题更需要一张“还不知道什么”的清单，而不是一张看起来没有问题的参考文献表。

可复制任务

使用 $nature-academic-search 为“生成式 AI 在医学教育中的应用与风险”做开题检索。
先记录检索日期和纳入范围，再使用默认论文源检索；按 DOI、PMID、PMCID、arXiv
和 OpenAlex ID 去重。把正式论文、预印本和未解决记录分开，逐源报告成功、失败与
限流状态。基于研究对象和证据类型整理候选主题，但不要把本次初筛描述成系统综述，
也不要根据引用次数判断证据质量。

安装后也可以先运行 nature-academic-search preflight，确认本地邮箱配置和各来源连通状态。Codex 与 Claude Code 的安装命令见项目 README。