返修意见下来之后，我改掉了写论文的几个习惯
一篇关于论文写作的复盘：从收到 Major Revision 那天起，我把四个环节的做法换了一遍。
那封邮件我看三遍才反应过来——Major Revision，四条意见。
当时的第一感觉不是沮丧，是"怎么全是这些"。四条里没有一条在质疑我的实验，全都在说别的事：综述不全、方法写得不清楚、引文格式混乱、语言需要润色。
也就是说，稿子被打回来，输的不是研究，是写作流程。 返修那一个月，我把这几个环节的做法换了一遍，下面按四条意见的顺序说。
对应第一条：文献综述"遗漏了本领域近期的重要工作"
这条最扎人，因为它是真的。
我当时的文献工作方式是：师兄师姐传下来的几篇 + 自己按关键词随手搜的。文献综述写得像摊开的一盘散沙，没有台账，也没有覆盖度概念。审稿人指出的那两三篇，我确实一篇都没读过。
返修时我做了两件事：
一是把检索方式从"拼关键词"改成"说清研究问题"。 以前我是在检索框里反复试词组，试不出来就放弃；现在我把要问的东西用一句话描述出来——比如"X 处理对 Y 性能的影响有没有被验证过"——让工具去拆解检索维度。我用的是 MuchSci 的论文检索助手，文献来源是 Crossref 的 1.8 亿篇，支持按标题、作者、DOI 做精确或模糊检索，也能按年份、引用次数筛。命中之后会给 DOI，并自动补齐作者、期刊、年份、卷期页码这些引文信息。
二是让每篇文献先"报一下自己的结论"，再决定读不读。 它会逐篇拆解研究问题、方法、主要结论和局限。这一步对我最大的价值是覆盖度判断：以前我只能判断"这篇和我的题像不像"，现在能判断"这个方向的问题被回答到什么程度了"。综述之所以写不全，往往不是没找到，是不知道还缺哪一块。
对应第二条：方法部分"可复现性不足"
这条让我很意外，因为方法部分是我写得最"顺"的一段——顺是因为我写得快，而写得快的代价是含糊。
审稿人具体点了两处：一个参数的取值范围没交代清楚，一个处理步骤的顺序有歧义。我回去查了一下，问题出在我读文献时只读了正文——很多细节其实写在原文的补充材料或者方法小节的脚注里，我当时读的是中文大意，没往下追。
返修时我改了读文献的节奏：第一遍用译文通读建立理解，第二遍对着原文核准方法、参数和数据。 这一步我现在固定用支持段落级对照阅读的方式来读——译文和原文的位置始终对得上，读到关键段落顺手核一眼，不用在两个文件里来回找。我用的是 MuchSci 的论文翻译，它的定位写得很直接：中英学术双向互译、保留公式与术语一致性、支持整篇 PDF 的段落级对照阅读。
顺着这条也摸出一个副产品：写方法部分之前，把同类文献的方法段落集中重读一遍。自己写的时候觉得"这段没什么可说的"，读完五篇同类方法你会发现别人交代了七八个细节你都没写。这不是写作问题，是输入不够。
对应第三条：参考文献"格式与内容存在错误"
这条完全是我的锅，而且它最能说明"为什么这些事不该用人的注意力去扛"。
返修前我是手动维护参考文献的：复制标题、搜作者、敲期刊名、数卷期页码，一条一条敲进 Word。一百多条下来，出错是必然的——有一处期刊名写错了缩写，有一处年份差了一年，还有两条重复引用。
现在的流程是：所有引用先在检索环节成型。命中文献时给 DOI，并自动补齐作者、期刊、年份、卷期页码这些引文信息，导出时是成条的结构化内容，不再经过"我手敲"这一道。同时我把术语表也立起来了（中文译名 + 英文原名），避免同一个概念在正文里出现两种译法——审稿人对这种不一致是很敏感的。
对应第四条：语言表达需要润色
这条我不想展开太多，只说两点。
一是中文稿推英文表达：我自己是先在中文里把逻辑理清楚，再往英文走。这个过程中我会用中英双向互译先过一遍，看看句子的结构是不是能站住，比对着空白页硬憋要快一些，但投出去的稿子我依然逐句自己过。
二是别指望"语言润色"解决论证问题。审稿意见里说"language needs improvement"，但真正让稿子被拒回来的，往往是你想说的东西没说明白——语言只是最后一层皮。
顺手解决的一件事：组会讲不清楚
返修期间我发现一个连带问题：我在组会上讲这篇工作，讲得比论文里还清楚。 原因是论文写到后期，我自己已经钻进细节里了，反而失去了讲清主线的能力。
后来我养成了一个习惯：用汇报的框架去检查论文的结构。 具体做法是把论文的结构整理成一个提纲，让它生成一版 PPT 初稿（MuchSci 的办公助手智能体一句话描述需求就能产出可编辑的 PPT、Word、Excel；它对开题场景也给模板，输入课题名称、研究问题和初步思路，输出包含研究背景、现状、方法、技术路线结构的初稿），然后对着这版初稿自问：如果我只讲这几页，主线成立吗？
站不住的地方，就是论文里结构有问题的地方。这比反复读自己的稿子更容易发现问题。
几句不那么好听的话
返修这件事让我意识到，"用工具"和"学术诚信"之间的那条线必须自己划清楚，所以这里说明白：
第一，正文的观点、论证、结论必须是你自己的。 检索、翻译、整理、排版、生成汇报初稿，这些可以做；把研究写成什么样子，不能交给任何人。这不是工具的限制，是学术底线。投稿前也请自己确认目标期刊对 AI 使用的声明和查重要求——这条责任在你，不在工具。
第二，译文和摘要都不能作为事实依据。 参数、数值、化学式、结论，必须以原文为准。我到现在读任何一篇要引用的文献，都会回到原文核一遍。
第三，它有成本结构。 MuchSci 按积分计量用量，AI 对话、论文分析、文档生成按实际调用的模型和处理量扣分，不是按提问次数固定收费；免费注册送 1980 积分体验额度，月费档位是 9.9 / 19.8 / 29.8。我的建议是拿你手上正在写的那一篇去试——它的价值在你自己的稿子上体现，不在别人的评测里。
第四，数据安全我确认过。 上传的论文、数据、录音不会用于模型训练，采用加密传输和访问控制。稿子在投、数据没发表的时候，这条比功能清单上多几项重要。
这篇返修最后花了三周，比稿子第一次写出来的时间短得多——因为那两周半里我做的基本都是"把之前偷的懒补上"。
论文写作真正的效率，从来不在于打字有多快，而在于几个环节有没有按顺序发生：先把该读的读完，再把该核的核清，最后才是写。 顺序错了，写出来的东西迟早要返工——只不过返工的成本，通常由审稿人替你发现。