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。
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。
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。
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。
ChatImprovement，利用ChatGPT对论文初稿进行润色、翻译等
1、生成函数注释
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
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。
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
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：
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“knowledgegraphandlargelanguagemodel”为关键词得到的论文信息，其中包括title、paperAbstract、authors等字段信息。
2、关键步骤：生成关键词组合
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。
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。