从检索策略到论文研读：用 Codex 与 Undermind 搭建科研文献工作流（上）

“工欲善其事，必先利其器。”在正式进入硕士阶段之前，我想先把科研中最容易混乱、也最值得规范的一段流程跑通：如何从一个模糊的研究兴趣出发，形成可检索的问题，找到真实论文，并判断它们究竟能否回答当前问题。

这次没有追求一次装齐所有热门 AI 学术工具，而是先验证一个最小组合：

Codex 制定检索策略与核验边界 → Undermind 搜索真实论文 → AI 辅助研读与归纳。

在真正动手之前，我先让 Codex 将整个设想拆成分阶段计划：从测试题设定、检索策略、主检索和结构化筛选，一直延伸到全文获取、Zotero 归档、深度研读与成文。当天并不要求完成所有阶段，而是先跑通其中最小、最有价值的一段。

图 1：Codex 对完整科研文献流程的阶段划分。本文实际完成的是题设收敛、策略制定、主检索、初步研读和书目归档。

Elicit、Consensus、ResearchRabbit 和 Litmaps 暂时留到下一阶段。本文记录第一天已经跑通的部分，以及第一次真实检索带来的阶段性认识。

一、先划清边界：Codex 不应该充当论文数据库

我最初的流程图里有一条很重要的原则：不要把 Codex 或某个 skill 当成文献检索的主力。大语言模型更适合：

• 把宽泛主题拆成研究问题；
• 设计关键词、筛选标准和证据矩阵；
• 阅读、比较和质疑论文；
• 检查 DOI、元数据、方法与结论是否一致；
• 整理论文卡片和研究缺口。

真正负责从学术语料中检索论文的工作，应交给 Undermind、Elicit、Consensus 或传统学术数据库。这样的分工可以降低“引用看起来很真实，实际上却不存在或并不支持当前论点”的风险。

二、真实测试主题：机器学习 × 遥感影像

为了避免只做一个没有科研价值的工具演示，我使用了一个经过脱敏的真实场景：某地区裸地实际覆盖面积监测。

当前约束是：

• 最终需要统计某个行政区或样区的裸地总面积；
• 输入数据约为 5 m 空间分辨率的卫星图像；
• 只有 RGB 三个可见光波段；
• 目前主要工作是人工打标签；
• 裸地定义主要依靠面对面示范和主观判断，尚未形成书面操作规范。

最初关注的“地物分类、语义分割、目标检测”并不都同等适用。由于最终产物是面积，而不是目标的位置和数量，目标检测暂时退出主线；更可能的路线是用分类或语义分割生成裸地分布图，再进行面积统计。

这里也暴露出一个基础问题：现有标签不能自动等同于稳定的 ground truth。裸地和稀疏植被的边界如何定义、不同标注者是否一致，都可能直接影响最终面积。

三、让 Codex 负责检索策略

本次使用 Academic Research Suite 辅助收敛问题。它并不提供论文数据库，而是帮助把研究对象、数据条件、目标产物和证据要求写成可检索的任务。

经过梳理，本轮检索被限定为：约 5 m RGB 卫星影像、某地区裸地识别、行政区或样区面积统计，并同时关注分类与语义分割、标签不确定性、跨区域泛化和计算成本。由于当天主线是验证工具流程，裸地的操作性定义暂时保留为后续问题。

四、接入 Undermind：操作引导与效果

Undermind 可以通过远程 MCP 接入 Codex。完成网页端登录后，可在终端执行：

codex mcp add undermind --url https://mcp.undermind.ai/mcp --oauth-client-id codex
codex mcp login undermind

第一条命令有时会自动进入 OAuth 授权，此时不必重复登录。完成授权后重启 Codex Desktop，新任务中即可调用 Undermind 的学术搜索、论文元数据、引文扩展和 PDF 阅读能力。

实际效果是：检索目标可以直接从 Codex 提交到 Undermind，搜索结果和可用全文也能返回当前研究流程，省去了在多个工具间反复复制查询和论文信息的步骤。

五、第一次真实深度检索：结果与评价

第一次检索没有只提交若干关键词，而是给出一个自包含研究目标：寻找适用于约 5 m、RGB-only 卫星影像的裸地分类或语义分割研究，并重点检查少量或主观标签、跨区域迁移、计算成本，以及像素级精度能否支持可靠的面积统计。

检索名称为“5m RGB裸地面积估算”，约两分钟完成。首轮结果如下：

图 2：Undermind 的首轮检索概览。它不仅汇总模型选择，也主动提示了跨区域泛化、标签稀缺和面积偏差等问题。自动总结适合建立全局认识，但仍需回到论文原文核验。

结果可在 Undermind 工作区中查看。代表性结果包括：

图 3：首轮候选论文列表。界面中的匹配率表示论文与检索目标的语义相关程度，并不等同于论文质量、证据强度或对当前数据条件的直接适用性。

这次检索的优点是，它没有把结果限制在“哪个模型精度最高”，而是同时找到了制图、面积估计和标签不确定性三类证据，并返回了可核验的 DOI 和论文元数据。

局限也很明显：严格同时满足“5 m、RGB-only、卫星影像、裸地、区域面积统计”的论文很少，部分候选使用 0.8 m 影像、UAV 或多光谱数据；35 篇中当时只有 2 篇能自动读取全文。因此，Undermind 适合扩大候选池和发现相邻方法，但相关度排序不能替代人工核验，摘要也不能替代论文正文。

六、第一次检索的 AI 简要总结

以下内容是 AI 基于首轮结果和当时可核验全文形成的阶段性概览，不是论文结论的简单拼接，也不是已经确定的研究方案。

• 模型层面：语义分割更适合表达复杂边界，但 Random Forest 等传统方法仍值得作为低成本基线。少样本方法可以减少人工标签，却未必减少未标注数据、训练时间或算力需求。
• 面积层面：IoU、F1 等地图精度指标不能直接保证总面积准确。硬分类后的像素计数可能产生系统偏差，类别概率汇总、误差矩阵校正或抽样辅助估计值得单独比较。
• 数据层面：主观标签、分辨率造成的混合像元，以及跨地区迁移失败，都可能比模型结构的小幅改进更影响最终结果。

这次检索最重要的作用，是把一个笼统的“用机器学习识别裸地”问题，初步拆成了制图质量、面积可靠性和标签可信度三个相互关联的部分。

七、全文阅读测试暴露出的标题陷阱

35 篇候选中，Undermind 当时只自动取得 2 篇可直接读取的 PDF。我对它们进行了方法审计，重点提取数据、波段、标签、样本量、切分策略、指标、算力、泛化和面积估计方法。

其中一个有代表性的结果来自 Sotomayor 等（2025）。论文标题含有“RGB and multispectral imagery”，容易在摘要式筛选中被理解为 RGB-only 方法；但正文显示：CNN 实际使用 5 波段多光谱数据训练，RGB 影像主要用于辅助参考标签判读，数据空间分辨率也约为厘米级而非 5 m。论文中的通用模型跨站点总体精度明显低于站点专用模型，因此它更适合作为“跨区域泛化困难”的证据，而不是 5 m RGB 裸地分割的直接方案。

这说明专用搜索和 AI 研读应当分工：前者负责把可能相关的论文找出来，后者继续核对题目、摘要和方法之间是否一致。最终笔记还必须区分三类信息：论文明确报告的结果、根据方法作出的推断，以及论文没有报告的事项。

八、这次检索带来的简单启发

目前只形成三个直接、可执行的方向：

1. 先把裸地定义和困难样例整理成可复核的标签说明；
2. 同时建立传统机器学习与轻量语义分割基线，不急于追逐复杂模型；
3. 将地图精度和面积误差分开评价，并在验证时考虑空间区域差异。

这些只是首轮文献带来的学习线索，后续仍需结合实际数据继续收敛。

为了让检索结果不会随着一次对话结束而消失，我把首轮候选论文的书目信息、DOI、主题标签和核验说明整理进 Zotero。下图展示了当前文献库中的实际结果：论文已经形成可搜索、可分组的阅读队列，但目前以元数据和笔记为主，并不代表每篇论文的 PDF 都已经下载。

图 4：Zotero 中的首轮检索成果。左侧标签用于按研究主题筛选，中间是论文条目，右侧保留可核验的书目信息。

结语

第一天跑通的最小组合已经能够完成“提出检索问题—搜索真实论文—核验适用性—形成阶段性认识”。工具解决的是信息发现与整理效率，论文能否真正支持研究问题，仍然依赖对数据条件、方法细节和证据边界的人工判断。

下一阶段再继续测试结构化筛选和引文网络扩展，并逐步把当前候选论文转化为更系统的阅读笔记。

参考资料与过程记录

• Undermind 首次检索工作区
• 本文由 AI 工具辅助整理；论文结论优先依据 DOI、出版社页面和已取得全文核验，尚未读取全文的内容仅作候选线索。