找文献半小时、读文献一下午、写综述熬通宵——WisPaper 想把这套科研苦役压成「问一句、答一屏」

• AI Native 科研工作台
• 5 亿+ 文献元数据
• 130M+ 全文
• 32 一级学科
• 近零幻觉
• 意图验证搜索
• 复旦团队出品

一句话认识它：WisPaper 是复旦大学自然语言处理实验室（FudanNLP）团队出品的 AI Native 科研工作台，定位为科研人员的「第二大脑」与端到端协作者；它把自然语言意图验证搜索、个人知识库沉淀、一键综述（AI Survey）、前沿订阅（Feeds）、可追溯学术问答与自主推理 Agent 串成同一条工作流，宣称覆盖「从找一篇论文到发一篇论文」的全流程，并以自研后训练加全程引用溯源把幻觉压到近零。其文献底座约为 5 亿篇学术元数据、1.3 亿篇全文与每日 5 万+ 增量，按 32 个一级学科深度覆盖。

市面上的文献工具大多只解决单点：搜索的不会读，会读的不会写，会写的记不住你之前看过什么。WisPaper 想同时把三件事做通，而这三件事叠起来，才是它难被换掉的理由。

• 只认关键词不认逻辑：你搜「LLM 在医疗领域的失败案例」，它返回一堆标题含 LLM 的论文，却分不清你要的是「失败」还是「成功」，更不会替你预设研究前提。
• 结果堆量不分层：动辄几千条，相关度全靠你肉眼筛，噪声比信号还多，真正该读的反而被埋在第两百页。
• 读过就忘：每次搜索都是一次性动作，上个月的筛选成果下个月归零，知识无法沉淀，换题目要从头再来。

• 意图验证式搜索：先理解你的研究逻辑，把问题拆成子查询，再二次验证、深度搜索，只返回真正值得读的那几篇，旁边标「Perfect」即 100% 相关。
• 结构化降噪：用 95% 文献查找准确率与 32 一级学科覆盖做排序与筛选，把最相关、最热点、最该先读的推到最前。
• 持续生长的知识库：每篇加入 Library 的文献自动提取元数据、跨项目沉淀，今天读的、去年读的，随时随取随用。

需要说清楚——WisPaper 反复强调自己「不是又一个聊天工具，更不是一键生成论文」。它的价值在于替你处理重复性劳动（检索、筛选、翻译、总结、追踪），把认知资源留给真正需要人类判断的研究设计与创新。把 AI 当枪手、用它代写正文，既违背产品定位，也踩学术诚信红线。

把 WisPaper 的能力拆开看，它其实是一组可以单用、也能串成流水线的模块。下面按使用频率与不可替代度，错落排开八块核心能力。

把上面八块能力串成一条线，一个真实的科研周期大概是这么走的。你可以只取其中几步，不必全用。

1. 意图验证式检索：用自然语言描述研究问题（如「LLM 在医疗领域的失败案例」），AI 拆解成子问题并做深度搜索，只把真正对口的文献推到你面前，而不是三千篇噪声。
2. 沉淀到知识库：把高相关文献加入 Library，元数据自动提取，你的阅读笔记与引用跨项目持续生长，下次换题目也不归零。
3. 一键生成综述与知识图谱：用 AI Survey 把搜索结果结构化，先拿到领域骨架与分支地图，再往里填你自己的判断，综述不再从零起步。
4. 持续订阅跟踪前沿：开 Feeds 订阅，arXiv、PubMed 每日新论文按兴趣点推给你，实验做一半也能随时接住领域新动向。
5. 可追溯问答辅助写作：基于文献库做 QA，每条结论都能跳回原文核验；需要引用时导出 BibTeX，直接进入论文写作环节。
6. 假设迭代与实验（进阶）：让 Agent 把搜索、综述、实验连成自动化工作流，识别研究缺口、设计验证方案，把人力留给真正重要的创新判断。

不同角色从 WisPaper 身上捞到的省力点不一样。下面这张表按「人群—场景—最对口能力」三栏对照，帮你对号入座。