写文献综述这件事，国内大部分人的工作流还停留在：知网导出题录 → PDF 塞满文件夹 → 一个一个开 PDF 复制粘贴 → 手动整理成 Word。而在海外，从斯坦福实验室到 AI2（Allen Institute for AI），已经开源了一整条“文献调研流水线”：你说一句研究主题，它自动检索、交叉引用、生成带引用的综述初稿；你把几百篇论文丢给它，它像研究助理一样逐篇问答、打分、汇总证据表。
这一篇介绍三个免费、且大部分开源可自部署的科研文献 AI 工具：斯坦福的 STORM、FutureHouse 的 PaperQA2、AI2 的 OpenScholar。它们在国内技术社区的存在感几乎为零，但对研究生、算法工程师、做技术调研的后端/数据从业者来说，是实打实的生产力外挂。需要说明：这三个工具首发于 2024 下半年到 2025 年，不是“昨天刚上线”的新品，属于典型的认知差信息差——工具就在那里，免费开放，但国内几乎没人系统讲过怎么用。
官网：https://storm.genai.stanford.edu 开源仓库：https://github.com/stanford-oval/storm
STORM 出自斯坦福 OVAL 实验室，背后是 NAACL 2024 的论文《Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models》。它解决的不是“AI 帮我写一段”，而是更难的问题：从一个主题词出发，生成一篇像某百科条目那样的长文——每个论断都有真实引用来源。
它的工作方式很有意思，本质是让两个 LLM 扮演角色对话：
这套“提问驱动的预写作（perspective-guided question asking）”是多轮的，所以它产出的大纲不是模板化的“一、二、三”，而是真正覆盖了争议点和不同流派——这恰恰是综述最难的部分。
几个国内用户容易错过的能力：
适用人群：写开题报告、做新技术领域调研、要给老板/客户产出“XX 技术综述”的所有人。
开源仓库：https://github.com/Future-House/paper-qa 团队：FutureHouse（前谷歌/斯坦福背景的 AI for Science 公司）
如果说 STORM 是“从零写综述”，PaperQA2 就是“对已有文献库做超人级问答”。它的定位是 RAG，但是科研特化的 RAG：自动解析 PDF（含图表、公式、附录）、按段落索引、检索时逐条引用带页码，并且内置了答案自检机制——引文和原文对不上就降权重试，专治 LLM 编造引用这个老大难。
让它出圈的，是团队 2024 年 9 月发布（后被同行评议期刊发表）的预印本论文《Language Agents Achieve Superhuman Performance in Scientific Literature Search》：他们造了一个叫 Crow 的文献综述 agent（基于 PaperQA2），让它和人类生物学家盲测比拼文献综述质量，据团队论文评测，AI 在准确性和引用质量等维度超过了人类专家。这个“超人类”结论属于论文方自评，建议保持半信半疑，但工具本身的能力在海外学术圈是被广泛验证过的。
实际用法（开源自部署）：
# pip install paper-qa
from paperqa import Docs
docs = Docs(llm="default") # 底层接 OpenAI 兼容 API，可换国产模型
await docs.aadd("papers/attention.pdf")
answer = await docs.aquery("Transformer 相比 RNN 的显存瓶颈在哪里？")
print(answer) # 回答内嵌 (Author Year, 页码) 引用
适用人群：读研读博的、做算法迭代的、任何需要“读完 300 篇论文再说话”的岗位。
官网：https://openscholar.allen.ai 团队：Allen Institute for AI（AI2，Quora 创始人 Adam D'Angelo 之前待过的那家不沾边，这是 Paul Allen 创立的非营利研究院）
前两个工具是“框架”，OpenScholar 的差异化在于：它不只给你一个 agent，还把语料和模型权重都开源了。据 AI2 团队 2024 年 11 月发布时的介绍：
对国内用户的三个关键点：
适用人群：科研机构、企业研究院、想自建文献知识库的工程团队。
单用任何一个都好用，串起来是一条完整的调研流水线：
flowchart LR
A[研究主题<br/>如 RAG 幻觉缓解] --> B[STORM / Co-STORM<br/>生成领域全景初稿<br/>识别流派与争议点]
B --> C{深挖方式}
C -->|手头有 PDF 库| D[PaperQA2<br/>逐篇问答+证据表<br/>引用带页码可溯源]
C -->|没有文献库| E[OpenScholar<br/>数千万 OA 论文全文检索<br/>免费在线直接问]
D --> F[交叉验证<br/>两边的结论对不上?<br/>回原文人工复核]
E --> F
F --> G[产出:<br/>综述初稿 / 相关工作表<br/>开题报告 / 技术选型报告]
典型节奏：先用 Co-STORM 花 20 分钟建立领域地图 → 把地图里提到的关键论文下载后喂给 PaperQA2 做精读问答 → 结论性的数字和观点拿到 OpenScholar 里交叉验证。整个流程一个下午，能顶过去一两周的文献阅读。
国内可类比的方案（秘塔学术、知网 AI 研学、各类“文档对话”产品）的共同短板：要么只在中文文献池里检索，要么只做单文档问答，要么引用不可逐条溯源。这三个海外工具的共性优势是：开放获取英文文献全文、引用逐条可验证、且全部开放框架/权重让你能私有化改造。短板也直说：英文文献为主，中文社科文献覆盖弱；自部署需要自己解决网络和 API 成本。
| 维度 | 你以为的 | 实际情况 |
|---|---|---|
| 写综述 | 只能自己啃 PDF | STORM 免费Online版一句话生成带引用初稿 |
| 读论文 | 套壳 PDF 问答够用 | PaperQA2 引用带页码可溯源，能跑批量证据表 |
| 科研检索 | 只能靠 Google Scholar | OpenScholar 开源权重+全文库，可私有化部署 |
| 成本 | 这类工具都要订阅 | 三个工具核心能力全部免费，前两个还开源 |
pip install paper-qa，把你文件夹里积灰的 PDF 批量喂进去，问三个你一直没答案的问题；注：文中涉及的评测结论（如“超越人类专家”“超越 GPT-4o”）均来自各团队自发布论文/官方介绍，属发布方自评数据；具体功能与免费额度以官网实时页面为准。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。