中文文献合规检索

核心：只能在合规边界内做。先讲红线，再讲能做什么。

1. 红线（绝不能做）

• 绝不允许：绕付费墙、破解、批量爬取、共享账号 —— 这是法律和合规红线
• 不代替用户登录、不模拟机构账号、不伪造 IP
• 不做大规模自动抓取（违反目标站点条款，可能违法）
• 遇到需要授权的库，引导用户用自己的合法渠道访问，而不是 AI 去抓

2. 可用（开放 / 半开放）渠道

• arXiv：理工科预印本，配合已有 MCP 使用
• Semantic Scholar：跨学科，有 MCP；可拿引用数、参考文献
• ChinaXiv（chinaxiv.org）：中科院预印本平台，开放可检索
• 中国科技论文在线（paper.edu.cn）：开放论文库
• 国家哲学社会科学文献中心（ncpssd.cn）：人文社科开放资源；⚠️ 有面向机构 / API 用户的入口，但公开文档未核实，是否对个人开放需进一步确认，先确认再操作
• 万方开放平台（apps.wanfangdata.com.cn/open/market/apis）：提供 API，但需 app 认证与审核，不是申请即用

3. 不可用 / 不能做

• CNKI（知网）没有公开自助接入的开放接口，其检索 API 按 IP / 机构授权，个人拿不到
• 所以不要让 AI 去「自动查知网」，技术上做不到，合规上也不允许
• 维普、万方主站同理：走机构授权，不能自动抓

4. 合规路径（推荐做法）

• 引导用户通过学校图书馆入口访问：校内 IP、VPN、图书馆账号，这是正当途径
• AI 的正确姿势：给出检索式，让用户自己去库里查，而不是替用户抓取
• 用户拿到结果（导出文件 / 题录）后，AI 再帮忙整理、去重、转格式
• 明确告诉用户「这一步要你自己在图书馆入口操作」，不要含糊带过

5. AI 能帮的部分

5.1 检索式构造

先跟用户确认三件事：主题词、限定条件（年份/类型/语种）、要中文还是英文库。

• 关键词组合 + 布尔逻辑：(主题 A OR 同义词 A) AND (主题 B)
• 同义词扩展：如 "大语言模型" OR "LLM" OR "预训练语言模型"
• 排除词用 NOT，缩小范围用 AND，扩大范围用 OR
• 限定：年份区间、文献类型（期刊/学位论文/会议）、语种、学科分类
• 截词与精确匹配：英文可用 * 截词，短语加英文引号精确匹配
• 中英文关键词互译，帮用户在英文库也能查

给出检索式后，说明每条算式的意图（哪条收紧、哪条放宽），并给用户 2–3 组备选。

5.2 检索结果整理

• 把用户导出的题录整理成清单：标题、作者、年份、出处、DOI（有则填）
• 按主题 / 年份 / 类型分组，标注与用户选题的相关度
• 去重：判定顺序 DOI > 标题+年份 > 标题
• 转格式：知网导出 EndNote / RefWorks 格式后，可转成 BibTeX（见 citation-management）
• 缺字段的条目单独列出，提示用户回原文补，不要替用户编

6. 常见坑

• 承诺「自动抓知网」 → 技术上做不到、合规上不允许
• 用开放平台 API 前没确认认证与审核要求 → 实际调不通
• 把 ncpssd 的 API 入口当成对个人开放 → 文档未核实，先确认再操作
• 批量爬取中文库 → 触碰红线
• 把检索式直接当结论给用户，却没说明怎么用 → 用户不知去哪查
• 中英文术语没对齐 → 中文库和英文库查出来的结果对不上