AI 论文续写，两种思路的真实对比

第一组对比发生在一个 Literature Review 段落。这一段已经开始介绍降低激光阈值的相关工作，后面还会继续列举几项代表性研究。

所以这个光标真正需要完成的任务，其实不是总结整个领域，而是把文献继续自然串下去。

Flowing 给出的续写，没有突然扩大讨论范围，而是顺着当前的研究思路，自然把段落过渡到后面的几项相关工作。

ChatGPT 则生成了一段更宏观的总结，把 cavity engineering、defect passivation、compositional optimization 等多个方向都概括了进去。

如果把这句话单独拿出来，我觉得一点问题都没有。真正的问题在于，它出现得太早了。后面的几项代表性工作还没有展开，这时候提前总结整个领域，会让文献综述的叙事节奏有一点断开。

Flowing 上面的 Evidence Card 也给了我一个很明显的感受。检索出来的文献几乎都围绕当前这一小段讨论的话题，因此模型更容易沿着现有的思路继续写，而不是突然把讨论扩大到整个领域。

最后我保留了 Flowing 的续写，而 ChatGPT 那一句也没有浪费。我把它放到了这一节最后，当整段文献综述的总结，反而非常合适。

第二组已经不是综述，而是在分析 Ce³⁺ 降低激光阈值的作用机制。文章上一段已经介绍了能级结构。所以这个光标真正需要完成的任务，不是重新强调阈值降低，而是继续解释为什么会降低。

Flowing 顺着 intermediate energy states、carrier relaxation 一路写到 population inversion，把整个机制继续向下展开。

ChatGPT 则更多是在重新强调降低非辐射损失、促进载流子积累以及降低阈值这些已经出现过的结论。

两者都没有错。区别只是：一句是在继续推导机制，一句是在重新强化已有结论。

另外，Flowing 的 Evidence Card 给我的帮助也很直接。它检索出来的文献正好围绕 intermediate energy states 和 carrier dynamics，因此我可以很快回去确认哪些表述已有文献支撑，哪些地方还需要自己再斟酌。

第三组也是发生在 Introduction。虽然这一段正在介绍 MHP 微纳激光，但它真正的任务，其实不是继续介绍优势，而是把读者自然带到下一段：为什么 pumping threshold 是整个领域需要解决的问题。

Flowing 没有一直介绍材料优势，而是逐渐把讨论收束到：低阈值和长期稳定性之间仍然存在矛盾。这句话几乎直接为下一段做好了铺垫。

ChatGPT 则写了一段非常完整的 MHP 微纳激光介绍。如果单独介绍这个方向，我甚至更喜欢这一版。但放在这里，它完成的是「介绍领域」这个任务，而我真正希望这一段做到的，是把读者自然带到下一节要讨论的问题。

我后来回头看，觉得这可能和两者利用上下文的方式有关。Flowing 在续写时，会同时结合当前段落和检索到的相关文献。这里检索出来的大多都是围绕 threshold、stability 等主题展开，因此它给出的续写也自然更容易把讨论收束到后面真正要展开的问题，而不是继续停留在背景介绍。

最后这一组，也是让我印象最深的一组。这一段已经确认了激光产生。

ChatGPT 顺着当前内容继续分析 threshold、linewidth、Q factor，并总结 optical feedback 和 light confinement。这完全符合当前这一小段的信息。

Flowing 则进一步回扣了前文已经建立好的 Fabry–Pérot cavity，并把它和后面的 threshold、Q factor 串成了一条完整的证据链。

第一眼我其实觉得这里有点大胆，因为当前这一段根本没有重新提到 Fabry–Pérot。后来我才意识到：这并不是模型猜出来的，而是我前面讨论 Figure 3c 时已经明确写过的内容。

这里看得出 Flowing 在续写过程会动态把对应前后段落塞给模型作为参考。而对于一个网页 ChatGPT 来说，让我手动把 Figure 3c 那行小的 description 粘贴给它可能难度确实会有点大……

这一刻我突然意识到：对于论文续写来说，最重要的上下文，很多时候并不是再多几十篇参考文献，而是——我前面已经写好的这篇论文本身。