别再让 AI“替你读论文”：我做了一个能追溯原文证据的开源科研工作台

你是否遇到过这样的情况？

查了十几篇论文，却忘了某个关键数字究竟来自哪篇文章、哪一页。

AI 很快生成了一段流畅的总结，但你无法确定其中哪些结论真正来自原文，哪些只是模型补充的推断。

文献、PDF、期刊信息、政策材料和研究想法，分别散落在浏览器、聊天记录、表格和文件夹里。

几天后重新打开课题，之前的检索过程、证据来源和判断依据，已经很难完整恢复。

做科研时，我们真正缺少的，往往不是又一个能够快速回答问题的聊天框，而是一条可以保存、检查和继续推进的研究路径。

因此，我做了 LatticeScholar。

它是一个本地优先、证据可追溯的开源科研工作台。

我希望通过它，将文献发现、论文分析、期刊线索、政策信息、已有研究和下一步实验，保存在同一个可以反复检查的课题空间中。

01

它不是另一个“论文总结器”

许多科研工具关注的是如何更快地生成答案。

但在真实科研中，答案是否流畅，并不是最重要的问题。

我们更需要知道：

这个结论来自哪里？

论文是否真的披露了这项信息？

当前内容是由全文支持，还是只能由摘要支持？

哪些数字、公式和表格必须返回原文核验？

提出的研究想法是否能够被实验验证，甚至被证伪？

因此，我最在意的并不是让系统“说得像专家”，而是让它知道什么时候不能说。

摘要缺失，就明确显示缺失。

论文没有披露，就不自动补写。

引文尽量保留原始语言、来源和页码。

涉及公式、表格、关键数字和核心结论时，提醒用户返回原文核验。

科研工具不应该用一段听起来非常完整的文字，掩盖证据本身的不完整。

真正可靠的科研辅助，不是把所有空白都补满，而是清楚地区分已知、未知和仍需核验的内容。

图片说明：

将文献、论文证据、期刊线索、政策信息和研究想法保存在同一个课题空间中。

02

从找文献，到形成可验证的研究想法

LatticeScholar 目前主要覆盖四个科研环节。

一、文献发现与多来源整理

系统支持中英文文献检索、多来源结果整合和重复文献识别。

在检索结果中，可以查看：

• 文献标题

• DOI

• 数据来源

• 摘要状态

• 来源状态

• 相关基础信息

如果文献没有提供摘要，系统不会自动生成一个看似完整的替代摘要。

它会直接显示当前信息缺失，让用户清楚知道哪些内容尚未获得。

图片说明：

多来源检索结果保留 DOI、来源状态和摘要覆盖情况，缺失信息不会被自动补写。

二、PDF 原文分析与页码证据

对于用户合法取得的 PDF，系统可以围绕四个核心问题进行分析：

这篇论文试图解决什么领域痛点？

它相对于经典工作做了哪些改动？

当前实验是否足以支持作者的结论？

哪些关键细节仍然必须返回原文核验？

与普通论文摘要工具不同，LatticeScholar 希望尽可能将分析结果与原文位置绑定。

用户看到的不只是一个脱离出处的总结，而是一条能够重新返回 PDF 检查的证据路径。

图片说明：

论文分析结果尽量绑定原文页码，并对公式、表格、数字和关键结论进行核验提醒。

三、期刊线索与官方政策信息

科研人员在选择投稿期刊时，经常会遇到影响因子、分区、录用率和审稿周期等信息来源混乱的问题。

LatticeScholar 可以根据真实相关论文整理期刊线索。

但当可靠来源不足时，它不会随意生成：

• 期刊影响因子

• 期刊分区

• 录用率

• 审稿周期

• 投稿成功概率

系统也可以汇总跨行业的官方政策来源。

自动发现的信息会先进入待审核区域，不会直接把未经确认的内容当作最终结论。

四、从已有工作形成可证伪的 Idea

很多 AI 工具可以快速生成“创新点”。

但一个听起来新颖的研究想法，并不一定具有真正的科研价值。

因此，LatticeScholar 希望生成的 Idea 不只是说明“为什么可能成立”，还需要同步给出：

• 核心研究假设

• 与已有工作的差异

• 可能存在的风险

• 能够推翻该想法的证据

• 首轮验证实验

• 最小可行验证路径

真正有价值的研究想法，不仅要说明如何证明它成立，也要说明如何证明它不成立。

图片说明：

研究想法需要同时包含假设、风险、反证条件和首轮验证实验，而不是只生成泛化的“创新点”。

03

下载解压即可运行，不需要安装 Python

为了降低使用门槛，LatticeScholar 提供独立运行版本。

用户可以从 GitHub Releases 下载对应系统的压缩包。

解压后即可启动，不需要安装 Python，也不需要额外配置开发环境。

在模型使用方面，用户可以根据自己的实际需求选择：

• 完全不配置大语言模型

• 连接本地模型

• 使用自己提供的模型 API Key

也就是说，模型是一项可选能力，而不是整个系统运行的必要前提。

即使不配置大语言模型，用户仍然可以使用部分基础功能。

从Releases下载对应版本，解压即可使用，无需安装Python或开发工具。

04

为什么坚持“本地优先”

科研资料中经常包含：

• 尚未发表的实验数据

• 内部研究报告

• 论文初稿

• 尚未公开的研究想法

• 不适合上传到公共平台的材料

因此，LatticeScholar 将本地数据管理作为默认设计方向。

用户的课题信息和研究材料默认保存在本地。

如果需要使用远程模型，用户可以自行决定是否启用相应连接。

本地优先并不意味着完全脱离外部数据源。

系统仍然可以使用合法公开的学术接口和官方信息来源，但不会通过绕过登录、订阅、验证码或反爬规则的方式批量获取内容。

对于 Google Scholar、知网等缺少合适公开批量接口的平台，系统采用原站检索与题录导入，而不是未经授权的自动抓取。

05

它可能适合哪些人

LatticeScholar 可能更适合以下使用场景。

正在完成文献综述的研究生

希望保存文献检索过程、筛选依据和关键证据，而不是只得到一次性的答案。

需要同时阅读多篇论文的科研人员

需要反复核对实验数据、材料配比、统计结果和原文页码。

正在寻找研究方向的用户

希望从已有工作和文献边界中形成能够实际验证的研究问题，而不是获得泛化的选题建议。

关注研究数据隐私的团队

希望优先在本地管理论文、实验数据和研究构思。

不熟悉编程环境的用户

不希望配置 Python 和复杂依赖，只希望下载后直接启动使用。

06

项目仍处于 Beta 阶段

LatticeScholar 目前仍处于 Beta 阶段。

它可能还存在不完善的地方，例如：

• 特殊论文版面的解析错误

• 表格和公式识别不完整

• 部分文献元数据缺失

• 某些科研工作流尚未完全覆盖

• 不同操作系统中的兼容性问题

因此，我尤其希望获得三类真实反馈。

第一，哪种论文版面最容易解析错误？

第二，哪一步最影响你完成真实科研任务？

第三，哪个结果缺少你做判断所需的证据？

与一句“很好用”相比，一条可以复现的失败样本，更能帮助项目真正进步。

社区版采用 Apache-2.0 许可证开源。

项目地址

GitHub：

https://github.com/CBarran498/LatticeScholar

建议在 GitHub 中搜索：

CBarran498 / LatticeScholar

如果它帮助你少做了一次重复检索，欢迎点一个 Star。

如果它让你在某一步卡住，也欢迎提交 Issue。

欢迎使用真实科研任务进行测试，也欢迎提供经过脱敏的失败样本和改进建议。

写在最后

我并不希望 LatticeScholar 成为一个替用户完成科研判断的工具。

科研中的关键结论，仍然需要研究者阅读原文、理解方法、检查实验并独立判断。

它更希望承担的是另一种角色：

保存检索过程。

保留证据来源。

显示缺失边界。

减少重复整理。

帮助研究想法进入可验证的下一步。

AI 可以提高获取信息的速度。

但真正可靠的科研工作，仍然需要一条能够回到原文、检查证据并经得起质疑的路径。

这也是我开发 LatticeScholar 的初衷。