这篇论文的「亲戚」都有谁？
用 Connected Papers 画一张文献星图

开题报告写到第三周，你发现引用列表越滚越长，却始终不确定：这个方向的奠基性工作我漏了没有？最近两年又冒出了哪些新分支？

Connected Papers 是一个把学术论文关系可视化的在线工具：输入一篇种子论文，它会自动绘制出一张由相关论文组成的图谱，帮你一眼看清某个研究领域的版图——谁是这个方向的老前辈，谁是当下热点，哪些论文彼此沾亲带故^[1]。对写综述、赶开题、跨学科摸新领域的研究者来说，它相当于在检索式数据库之外多了一双「看地图」的眼睛。本页描述以官网 About 与 FAQ 的公开说明为准。

要理解它的价值，得先看到传统检索方式的天花板。关键词检索的召回质量高度依赖你「会不会起词」：换一个术语，结果集就完全不同；而引用追踪只能顺着时间向后看，找不到「同时期谁在做类似的事」。更麻烦的是信息过载——一个成熟领域动辄几万篇论文，逐条筛选的成本足以劝退一个新人。图谱式工具的思路是把这些平面列表升维成空间结构：重要性变成节点大小，亲缘关系变成距离远近，时间变成颜色深浅。原本需要读几十篇摘要才能建立的领域直觉，扫一眼地图就有了雏形。

先看懂地图 —— 图谱要素拆解

很多人第一次打开 Connected Papers 会误以为这是一张引用关系网络，其实不然。按官方 FAQ 的口径，这张图的底层逻辑是相似度而非直接引用^[1]。四个关键要素可以这样理解：

相似度的计算依赖 Semantic Scholar 提供的大规模论文元数据^[3]，这也是它能在几秒内铺开一张图谱的技术前提。

拿到图之后 —— 三种读图姿势

• 找枢纽：优先点开体积最大的几个节点，它们通常是被引最多的奠基性或综述性文献，是补课的第一批书单。
• 看分簇：如果图谱明显裂成几团，说明该方向存在多个技术路线或学派，综述里应当分线叙述而不是一锅烩。
• 追边缘：盯着种子论文附近颜色最浅（最新）的小节点，往往能嗅到正在升温的新趋势，适合作为选题灵感。

除主图谱外，页面侧栏还会列出与种子论文相关的先前工作（prior works）与衍生工作（derivative works），分别回答「它站在谁的肩膀上」和「谁踩着它继续往上走」这两个问题^[1]。

举个虚构但典型的使用剧本：假设你刚拿到一篇用图神经网络做药物分子生成的论文当种子。生成的星图里，中央偏下的大节点多半是消息传递类方法的奠基文献；右上角一片颜色较浅的小簇，可能是近两年才兴起的扩散模型路线——两条簇团之间连线稀疏，说明两个社区暂时各玩各的。这时你的综述框架就自然浮现了：一条线讲图上的生成模型，一条线讲扩散范式，再引侧栏 prior works 补齐早期分子建模的历史脉络。整个过程不到半小时，而这在纯列表检索里通常是一个下午的工作量。

四步上手 —— 从一篇论文到一张全景图

什么时刻最值得画一张 —— 科研场景清单

它不是孤岛 —— 同类文献工具对照

星图擅长「建立全局认识」，但科研检索是一条流水线，各环节都有专职工具。把它们放进同一张表里看分工：

合理的组合拳是：Scholar 定种子 → Connected Papers 看版图 → Elicit 做精读摘录 → Scite 核对证据立场。四步走完，一个领域的综述骨架基本就立住了。

常见疑问