审计 AI 生成的研究报告

可以得到什么

• 一份针对生成报告的"具体异常点清单"，每条异常绑定到具体句子、具体数字或具体引用。
• 一份把异常归类为"证据不足 / 格式问题 / 访问受限 / 来源类别错误 / 真实缺失"的初步裁决依据。
• 一份仍需人工复核的待办列表，而不是"总体可信 / 总体不可信"的笼统结论。

适合哪些情况

• 研究者刚拿到 AI 生成的研究初稿，尚未决定是否引用其中数字或图表。
• 教师或研究生需要把生成报告转写为综述或讲义，担心引用和量化数字失实。
• 工作流中已经把"生成"和"审计"解耦（不同工具、不同模型），希望保留独立证据链。

需要准备什么

• 完整保留的生成产物：正文、引用列表、数据表、图表、assets 文件。
• 一个独立于生成工具的事实核查 API 或 preset（如 Raycast + Tavily）。
• 后续进行人工裁决时所需的标准检索入口（DOI、出版商页面、Google Scholar、Semantic Scholar 等）。

常见做法

• 把完整报告交给独立搜索/事实核查工具，要求指出具体句子、具体数字和对应引用，而不是返回总体评价。
• 对高风险量化陈述（GPU 小时、性能提升、数据规模、计算成本）单独列出并优先核查。
• 把异常分类为：证据不足、格式问题、链接访问受限、内部资产混入、未来日期、引用类型混杂。
• 审计工具的"可疑"标签不等于"造假"，必须由人工逐项裁决。

真实案例与教程

• 玉树芝兰用 Perplexity Labs 生成反向学习调研报告并完成审计 — 玉树芝兰用 Raycast/Tavily preset 审计反向学习报告，记录了 GPU 小时缺来源、引用格式、链接失效、机构权限、Semantic Scholar 链接、来源类型混杂、未来会议日期等具体异常。

限制和检查点

• 审计工具同样可能误报（未来日期被当成幻觉、受限访问被当成文献不存在）。
• 审计只能标注异常，不能替代对原文的阅读。
• 不能把"通过了某一次审计"等同于"达到了可发表质量"。

相关任务

• 把宽泛研究主题改写为结构化调研提示 — 本任务的输入准备。
• 对照原始来源核验 AI 报告中的量化数字 — 对审计中标记的量化数字做原始来源核验。
• 区分 AI 报告的内部资产与外部证据 — 区分内部 assets 与外部证据。

来源

• SRC-LEARN-007：实测 Perplexity Labs：10分钟生成学术调研报告的全流程解析 — 玉树芝兰 2025-06-09 实测的审计阶段记录。