以chatgpt为代表的大模型已经成为了一个重要的生产力加速工具，尤其对于学术群体而言，知道有哪些工具以及如何更好的使用工具十分重要。
而如何更好的使用这些工具，需要我们对工具的具体实现原理和思想有一定的了解，并且对其中发挥重要作用的prompt加以掌握，即知其然，也知其所以然。
因此，为了解决以上问题，本文主要从实现思想、功能以及实际效果三个方面，介绍当前开放且受欢迎的大模型辅助学术的项目工具，包括ChatPaper论文初筛、ChatReviewer论文预审稿、ChatImprovement论文润色、ChatResponse论文审稿意见回复、ChatGenTitle论文标题生成以及AutoResearcher论文综述生成共6个工具，涵盖论文筛选过滤、审稿、改稿、标题生成以及综述等环节，供大家一起参考。
ChatPaper，通过ChatGPT实现对论文进行总结，帮助科研人进行论文初筛，可以根据用户输入的关键词，自动在arxiv上下载最新的论文，再利用ChatGPT3.5的API接口强大的总结能力，将论文总结为固定的格式，以最少的文本，最低的阅读门槛，为大家提供最大信息量，以决定该精读哪些文章，也可以提供本地的PDF文档地址，直接处理。
在实现思想上，先提取摘要和introduction的内容，因为abstract很少会告诉你过去的方案是什么，存在什么问题，，然后提取method章节，总结方法的具体步骤，最后提取conclusion章节，总结全文。
其底层依赖于arxiv网站，从中找到对应的论文信息，并依赖于chatgpt接口进行分析。
地址：https://chatpaper.org/、https://github.com/kaixindelele/ChatPaper
ChatReviewer，利用ChatGPT对论文进行预审稿，对论文进行批量总结和评审，提高科研人员的文献阅读和理解的效率。 对自己的论文进行评估，根据ChatReviewer生成的审稿意见进行查漏补缺，进一步提高自己的论文质量。辅助论文审稿，给出参考的审稿意见，提高审稿效率和审稿质量。
地址：https://huggingface.co/spaces/ShiwenNi/ChatReviewer、https://github.com/nishiwen1214/ChatReviewer
基本思想：首先提取论文中的重要部分，然后根据提取的重要部分进行评审。
1、stage_1：提取论文中的重要部分
从messages中的content字段中，我们可以看到这一步的prompt:
2、 chat_review：根据提取的重要部分进行评审
从messages中的content字段中，我们可以看到review的prompt:
ChatImprovement，利用ChatGPT对论文初稿进行润色、翻译等
地址：https://huggingface.co/spaces/wangrongsheng/ChatImprovement、https://github.com/binary-husky/chatgpt_academic
1、生成函数注释
2、全文润色
ChatResponse，根据收到的审稿意见，ChatResponse自动提取其中各个审稿人的问题和担忧，并生成点对点的回复，即利用ChatGPT对审稿人的提问进行回复
地址：https://huggingface.co/spaces/ShiwenNi/ChatResponse、https://github.com/nishiwen1214/ChatReviewer
基本思想：将给定评审意见作为输入，并构造prompt，要求chatgpt按照约定格式进行打分。
其中我们可以看到其对应的prompt如下：
ChatGenTitle，利用220万arXiv论文元信息训练出来的论文题目生成模型，根据论文摘要生成合适题目
实现思想：以LLaMA模型为基础模型，使用百万的arXiv论文元信息进行微调【自动构造问答对】，并利用lora进行加速，形成微调模型。不过，meta发布的LLaMA模型禁止商用，因此，只开放了LoRA模型，必须搭配对应版本的LLaMA模型才能使用，其总共发布一下版本：
其中：
1、提示词
2、摘要
地址：https://github.com/WangRongsheng/ChatGenTitle
通过调用不同的基础模型，可以得到不同的生成效果，如下图所示：
一个基于GPT AI模型的开源项目，可以根据给定的研究问题自动生成学术文献综述，可以从Semantic Scholar API中获取论文，提取相关信息，并将研究结果汇总成简明的文献综述。
GitHub: github.com/eimenhmdt/autoresearcher
1、使用原理
具体实现路径主要包括以下几个步骤：定研究问题research_question，顺序执行如下步骤：
生成关键词组合->取出研究问题的前20篇论文->从前20篇论文中提取答案->将答案合并成一个简明的学术文献回顾->从答案中提取引文，并将参考文献列表附在文献综述中->将关键词组合添加到文献综述中->如果提供output_file参数，将文献综述保存到文件中，最终形成答案。
其核心还是将流程中各个阶段都构造对应的prompt，然后调用openai接口，完成抽取，在semantic-scholar方面，通过接口获取论文数据。
例如，下图展示了在semantic-scholar()中，以“knowledge graph and large language model”为关键词得到的论文信息，其中包括title、paperAbstract、authors等字段信息。
从其api：https://www.semanticscholar.org/api/1/search中，可以拿到相应结果信息。
2、关键步骤：生成关键词组合
对应的关键词抽取prompt：
对应的关键词组合接口为：
3、关键步骤：取出研究问题的前20篇论文
与此对应的是SemanticScholar的访问接口，通过调取SemanticScholar的搜索结果，然后进行排序：
4、关键步骤：从前20篇论文中提取答案
对应的提取方法如下：
5、关键步骤：将答案合并成一个简明的学术文献回顾
对应的提取接口为：
6、关键步骤：从答案中提取引文，并将参考文献列表附在文献综述中
对应的引文提取方式为：
7、关键步骤：将关键词组合添加到文献综述中
8、关键步骤：如果提供output_file参数，将文献综述保存到文件中
本文主要从实现思想、功能以及实际效果三个方面，介绍当前开放且受欢迎的大模型辅助学术的项目工具，包括ChatPaper论文初筛、ChatReviewer论文预审稿、ChatImprovement论文润色、ChatResponse论文审稿意见回复、ChatGenTitle论文标题生成以及AutoResearcher论文综述生成共6个工具，涵盖论文筛选过滤、审稿、改稿、标题生成以及综述等环节。
对于具体的细节，我们可以查看原项目，从源码角度进行分析，增进自己的了解。
1、https://github.com/eimenhmdt/autoresearcher
2、https://github.com/kaixindelele/ChatPaper
3、https://github.com/WangRongsheng/ChatGenTitle
4、https://github.com/nishiwen1214/ChatReviewer
5、https://github.com/binary-husky/chatgpt_academic
老刘，刘焕勇，NLP开源爱好者与践行者，主页：https://liuhuanyong.github.io。
就职于360人工智能研究院、曾就职于中国科学院软件研究所。