口試前兩週，一位碩士生把論文初稿交給指導教授。教授迅速掃過文獻回顧，停在其中一筆引用上：期刊名字很眼熟，作者也像真的，但他研究這個主題二十年，從來沒讀過這篇論文。教授上 Google Scholar，查不到；換其他的英文資料庫查，還是查不到。追問之下，學生承認那段文獻回顧是請 ChatGPT 整理的，書目看起來完整到讓人沒起疑心。
這不是個案。過去兩年，臺灣各大學陸續發布生成式 AI 的使用指引，多所學校的研究倫理課程都把「AI 生成的虛構引用」列為新型態的學術風險。問題是，多數指引只告訴你要查證，沒告訴你為什麼這些工具會憑空生出一筆不存在的書目，以及有沒有更好的做法。
ChatGPT 為什麼會編出不存在的論文
要理解這件事，得先知道聊天式 AI 的運作原理。像 ChatGPT 這類工具的本體是語言模型，它做的事情可以理解成非常高明的文字接龍：根據看過的大量文字，預測下一個字最可能是什麼。它沒有內建一座圖書館，也沒有在回答你的時候去翻任何資料庫。
所以當你問它「幫我找五篇關於教師專業發展的文獻」，它其實是在生成「一段長得很像文獻清單的文字」。作者姓名是常見學者姓名的排列組合，期刊名稱是真實期刊，年份與卷期格式完全正確，因為它把 APA 格式學得很好。格式的完美恰恰是陷阱：書目的外觀與書目的真實性，在語言模型裡是兩件無關的事。
這也解釋了一個常見的誤會：有人以為多叮嚀一句「請不要編造文獻」就能解決。做不到，因為模型並不知道自己在編造。它只是在接龍，接出來的每一筆對它來說都同樣「合理」。
「可是它現在能上網搜尋了」
新版的聊天工具確實能連網搜尋，這解決了一部分問題，但對學術文獻檢索來說還差三段距離。
第一，它搜的是網頁，不是書目資料庫。一般網路搜尋抓到的是新聞稿、部落格、出版社的宣傳頁，而學術檢索需要的是結構化的書目後設資料：DOI、引用數、期刊、出版日期。兩者的可靠度差了一個量級。
第二，過程是黑箱。它用了什麼關鍵字、搜了幾輪、為什麼挑這五篇而放掉其他的，你完全看不到。對寫過論文方法章節的人來說，這等於一個無法交代檢索策略的文獻回顧：你沒辦法在計畫書裡寫「本研究之文獻係由聊天機器人以不明方式挑選」。
第三，沒有驗證迴圈。它把搜尋結果整理給你就結束了，不會回頭逐筆確認每個 DOI 真實存在、書目欄位與權威資料庫一致。查證的成本全數落回你身上，而多數人不會逐筆查，於是風險原封不動。
AI Agent 是什麼：會動手用工具、做完會查證的 AI
AI Agent 這個詞近年很火熱，白話的定義其實一句話：能夠實際操作工具、按照既定程序執行任務、並且對結果進行查核的 AI。它跟聊天工具用的可能是同一顆語言模型，差別在工作方式。聊天工具憑記憶回答你；Agent 則是動手去查，查完還要對帳。
放到文獻搜尋這件事上，差異具體展開成四個能力：
一、查的是權威書目資料庫，不是網頁。 Agent 可以直接呼叫學術資料庫的 API，例如收錄 4.7 億筆文獻的 OpenAlex，或 DOI 的權威來源 Crossref。拿到的是結構化書目：標題、作者、期刊、引用數、DOI，一個欄位都不少。
二、每一筆書目都經過驗證才交給你。 你可以給 Agent 一條鐵則：回報的每筆文獻必須先拿 DOI 去 Crossref 核對，確認真實存在且欄位吻合，查無此文的一律標註「未驗證」。這一條規則就把開頭那位碩士生遇到的問題整個堵死。
三、按照你的標準篩選，而且標準是你寫的。 收錄近五年、引用數高於同齡中位數的論文；掠奪性期刊直接淘汰；找滿二十篇且連續兩輪沒有新命中就停手。這些判斷原本就是你訓練研究助理的內容，現在寫成文字交給 Agent，它會照做。
四、過程可重複、可稽核。 Agent 用了哪些關鍵字、下了哪些過濾條件、每一輪查到什麼，全部留有紀錄。這對學術工作者是熟悉的語言：檢索策略可以寫進方法章節，別人可以照著重跑一次。可重複性本來就是研究方法的基本要求，文獻檢索沒有理由例外。
放回臺灣的學術場景
國科會計畫申請季。 每年年底趕計畫書的時候，文獻回顧往往是最耗時的一段。用 Agent 跑系統性的檢索，兩輪搜尋加驗證可以在一個晚上完成，而且每筆書目都附 DOI，計畫書送出去不必擔心審查委員隨手一查查不到。要強調的重點不在快，而在每一筆都經得起查。
期刊投稿與 AI 揭露。 愈來愈多期刊要求作者揭露生成式 AI 的使用方式。用聊天工具「幫我整理文獻」很難誠實交代，因為你自己也說不清它做了什麼；用 Agent 則可以具體寫出使用了哪個資料庫 API、什麼檢索條件、如何驗證，這樣的揭露寫出來反而是方法嚴謹的展現。
指導學生。 與其禁止研究生用 AI 找文獻（實務上禁不了），不如把實驗室的檢索標準寫成一份 Agent 能執行的規範：該查哪些資料庫、什麼期刊直接淘汰、書目怎麼驗證。學生用同一套標準檢索，指導教授審查的負擔反而下降，而且這份規範會隨著每次踩雷持續累積，變成實驗室的公共資產。
實際的成本。 以教育領域為例，用免費的 OpenAlex API 查詢「生成式 AI 與學術寫作」相關主題，一次命中五萬多筆，前幾名都是引用數數千的高引論文，全程不需要付費、不需要申請帳號。工具門檻已經降到「會複製貼上一條命令」的程度。
誠實的邊界
Agent 解決的是檢索與驗證的可靠度，沒有解決的是判斷。哪篇文獻對你的研究問題真正重要、幾個理論觀點之間怎麼對話、缺口在哪裡，這些仍然是研究者的工作，而且永遠是。把 Agent 講成全自動文獻回顧產生器是誇大，它比較準確的定位是一位不會累、不會唬弄你、每筆資料都附來源的檢索助理。
另外，各校與各期刊的 AI 使用規範不同，動手前先確認你所屬機構的規定，該揭露就揭露。工具愈強，誠實愈重要。
結語
回到開頭那位碩士生。他的錯誤不在使用 AI，而在把一個文字接龍工具當成圖書館。聊天工具與 Agent 的分野就在這裡：前者給你一段看起來像答案的文字，後者給你一份查證過的資料。文獻回顧是研究的地基，地基的每一塊磚都應該能追溯到真實的來源。讓 AI 動手查、動手驗，讓你自己專心做只有人能做的事：判斷這些文獻對你的研究問題到底意味著什麼。
想動手打造自己的文獻搜尋 Agent，可以從一條免費的 OpenAlex 查詢命令開始。如果你感興趣的話，歡迎留言告訴我，之後可以另外寫一篇實作指南。
如果你想更有系統地把 AI 帶進研究流程：從文獻搜尋與驗證，一路到閱讀、寫作與投稿，歡迎參加我的《AI 賦能學術研究與寫作實戰工作坊》，用半天時間把 AI Agent 變成你的研究副駕駛。