導語｜課程要求寫大模型 Agent 方向綜述，要梳理 ReAct、Plan&Solve、ToolLLM 一整套框架。幾十篇 arXiv 預印本，人工精讀對比要花三四天。這篇講怎麼把這件事壓到一次檢索的量級。
一、人工精讀一篇 20 分鐘，幾十篇就是三四天
Agent 方向的文獻有個特點：進展快、預印本多、結構相似但細節各異。 ReAct 講推理與行動交織，Plan&Solve 先規劃再執行，ToolLLM 關注工具調用——每一篇都要讀、都要記、還都要跟前面的做對比。
按一篇精讀 20 分鐘算，30 篇就是 10 小時；再把“對比各自的提示詞策略和失敗案例”這張表填完，三四天很正常。
問題在於：這裡面真正需要你判斷的部分很少，大部分時間花在搬運和整理上。
二、第一步：批量拉取，讓文獻自己入庫
在 MuchSci 論文水手裡新建項目，把 Agent 方向作為主題，批量檢索：
• 以 arXiv 為主，疊加 Semantic Scholar 等來源，合併去重後入庫。
• 元數據入庫的同時自動下載 PDF。
• 中文任務會同時給出英文檢索詞（比如“智能體框架”配 “LLM agent framework”），命中率更高。
這一步做完，你手上是一個可檢索、可引用的文獻庫，而不是三十個散落的 PDF。
三、第二步：橫向對比，把“精讀”變成“對齊”
對入庫的文獻調用 literature/compare，一次性拉出橫向對比。要盯的維度大致是這幾類：
| 比較維度 | 要比什麼 | 為什麼關鍵 |
| 提示詞策略 | 推理與行動如何交織 | 決定框架走向 |
| 規劃方式 | 先規劃，還是邊做邊想 | 影響長任務表現 |
| 工具調用 | 如何選、如何調工具 | ToolLLM 這類方法的重點 |
| 失敗案例 | 各自怎麼翻車 | 綜述裡最有價值的一部分 |
這一步的關鍵是把逐篇閱讀，變成同一維度上的結構化對齊。你不用再靠記憶比“ReAct 和 Plan&Solve 到底差在哪”，而是直接看到它們在同一個維度上的取值。
四、第三步：只基於原文素材寫綜述
寫綜述時，MuchSci 論文水手只用庫內文獻的摘要和筆記當素材，自動帶上規範引用編號（[編號]）。
這一點對綜述尤其重要，它意味著：
• 不會腦補結論。 沒寫在文獻裡的判斷，它不會替你“總結”出來。
• 不會編造引用。 每條 [編號] 都能指到庫裡真實存在的那一篇。
• 橫向對比有出處。 你寫的每個“優於 / 受限於”，都能回到原文。
五、一次完整走查
以 Agent 框架綜述為例：
1. 新建項目，主題定為 Agent 框架（ReAct / Plan&Solve / ToolLLM 等）。
2. 批量檢索入庫，抓全 PDF；中文任務記得讓它給英文檢索詞。
3. 定比較維度：提示詞策略、規劃方式、工具調用、失敗案例、評測方式。
4. literature/compare 拉出橫向對比表。
5. 基於庫內素材撰寫綜述，引用自動帶 [編號]。
6. 三方核對引用：已用 / 缺失 / 未用逐類處理。
7. 跑一次真實性校驗（DOI / arXiv resolve），確認零幻覺。
8. 去 AI 味 + 導出，交作業或投稿前再驗一遍。
六、常見坑
• 拿不同評測設定的結論直接比。 先看清各篇是在什麼任務、什麼數據上得出的結論。
• 讓 AI“總結一下差異”。 不基於庫內素材的總結，就是腦補——務必確認用的是文獻原文。
• 引用編號手工整理。 三十篇文獻的編號一亂，改起來極其痛苦，交給自動編號 + 三方核對。
• 只寫“誰更好”，不寫“為什麼”。 綜述的價值在對比維度和判斷依據，不在結論那句話。
七、結語
Agent 方向綜述難的不是“讀不懂”，而是“讀不完、比不動”。MuchSci 論文水手把批量入庫、橫向對比、帶引用撰寫串成一條線——把三四天的搬運工作壓縮掉，留給你的，是真正需要判斷的那部分。
動筆前自檢：
• 文獻是在同一維度上比嗎？
• 所有素材都來自庫內、可查嗎？
• 引用編號核對過了嗎？
• 有沒有哪句結論，是我“想當然”補上的？