AI 学术写作缺的不是模型，而是你的本地论文库

写论文时，研究者不断在已收集的想法之间切换：综述里的一段、几个月前收藏的实验设置、上学期高亮的一句话、埋在某份 PDF 里的一张图。

真正的写作，往往就发生在这些碎片之间。

但大多数 AI 写作工具并不是围绕这一刻设计的。默认交互从空白提示开始——除非你亲手粘贴，研究者自己的论文库几乎进不了这个循环。

今天的流程通常是：提示词 → 大模型 → 生成段落。

模型似乎无所不知——唯独不知道对你真正重要的那些论文。

于是研究者一遍又一遍把 PDF 里的段落复制进 ChatGPT。不是因为喜欢这么做，而是因为这种交互根本无法让 AI 持续访问他们的论文库。

更准确地说——是写作过程中的持续检索。

写稿时，你很少能精确说出「我现在需要哪一篇」。更多时候你只记得：「几个月前好像看过类似的……」或「某处有一段解释特别好……」。

问题不是论文不存在，而是它埋在成百上千份 PDF 里——需要时很难再找回来。

做 Flowing 之前，我以为文献检索已经是被解决的问题。Zotero、Mendeley 擅长管理论文；Connected Papers 擅长发现论文；Semantic Scholar 擅长搜索论文。

后来我惊讶地发现：几乎没有工具能在你真正写作时自然地帮上忙。

于是换个问法：与其让研究者去搜文献，不如让文献来找他们？

当你写作时，Flowing 持续分析当前文稿，并从你自己的论文库中检索高度相关的段落。不是整篇论文，也不是又一张搜索结果页——而是来自你库中的片段，以 Snippet Cards 的形式显示在编辑器旁。

这些片段在写作过程中始终可用：你可以预览原段落的页面缩略图，也可以一键打开 PDF 并定位到该处。

这听起来像一个小交互。实际上，它从根本上改变了 AI 的写作方式。

这也改变了 AI 写作本身。大多数助手主要靠模型内部知识生成文本；Flowing 则让 AI 从这些片段起草——来自你论文库的段落，而不是仅靠通用知识。

当你续写文稿时，Snippet Cards 不只是旁观。它们成为下一句的依据，让续写更贴近你的来源、术语与论证脉络。

一位最早的用户——化学教授——最近在真实续写手稿时对比了 Flowing 与 ChatGPT。两边都用了很强的语言模型。差别不在模型，而在上下文。

因为 Flowing 从他的论文库检索相关段落，并以此作为续写基础，生成的文字更贴近他的研究方向、术语习惯，以及接下来要展开的讨论。

如果你感兴趣，可以阅读完整对比 → 真实化学手稿上的 AI 续写对比。