从“给我一个答案”转向“帮我整理证据”
Elicit 的价值不在于像聊天机器人一样快速下结论，而在于围绕研究问题搜索论文，并把样本、方法、干预、结果等字段整理成可比较表格。面对几十篇候选文献时，这能减少逐篇复制摘要的机械工作。
问题写得越具体，结果越有用。例如“某方法是否有效”仍然太宽，可补充人群、场景、对照和结果指标。检索后先检查前十篇是否真正回答问题；如果主题偏离，应修改问题或加入排除条件，而不是直接扩大结果数量。
一套适合初筛的使用顺序
- 先让 Elicit 找到相关论文和常见研究字段；
- 逐条打开来源，核对自动提取内容与原文位置；
- 将核心论文加入自己的文献库并记录纳入理由。
站内的 Google Scholar 适合广泛检索与引用追踪，NotebookLM 更适合围绕自己上传的资料问答。Elicit 位于两者之间，侧重从文献集合中提取和比较结构化证据。
自动提取最容易丢掉限定条件
摘要中的结论常省略样本规模、置信区间、随访时间和研究限制。表格里一句“有效”并不足以支撑正式结论，应查看全文中的方法与结果。若工具无法访问全文，它能提取的信息更有限。
研究问题涉及医疗、公共政策或高风险决策时，要特别检查论文是否撤回、是否经过同行评审、资助与利益冲突，以及结果能否外推到自己的场景。AI 可以加速筛选，不能承担证据责任。
订阅前先用一个真实小项目测试
检索数量、报告、导出和系统综述功能可能随方案变化。先选择一个已有基础判断的小主题，比较 Elicit 与手工检索的漏检率和字段准确度，再决定是否纳入长期工作流。能节省校对后的总时间，才是真正的效率提升。
