近这段时间，用 Trae 辅助编写行业研究报告。
但真实心路历程是：AI 极大地解放了生产力，但也带来了前所未有的“信源焦虑”。
今天聊聊我们该如何处理 AI 生成的报告，以及怎么区分哪些是铁打的真相，哪些是漂亮的废话。
一、 完美答卷
先说爽点。在做储能电池技术路线图的报告时，Trae 的表现堪称惊艳。
-
内容丰富度拉满：从全钒液流的离子交换膜国产化率，到压缩空气的换热效率瓶颈，逻辑极其严密。
-
分析维度极广：它不仅罗列了现状，还推演了未来三年的降本路径。
二、 消失的文献
然而，在用trae帮助写一个论文时，同样写得有模有样。但是核对文末列出了20个参考文献， 20个文件里，有5个根本不存在。
最可怕的是，这些文献并不是完全瞎编的。
它会引用一篇看似发表在 Nature Energy 或 Joule 上的论文，作者名字是对的，期刊也是对的，年份也差不多……但就是查无此文。
我反复核对，以为是数据库权限问题，折腾半天才不得不接受现实：这是AI生成的“幽灵文献”。
三、 这不是个例：来自哥大的警告
这种挫败感促使我去查证。根据**哥伦比亚大学（Columbia University）**的最新研究显示，随着AI生成内容的泛滥，学术界正面临严重的“引用危机”。
研究发现，在包括 Nature 及其子刊在内的顶级期刊中，失效或被撤回的参考文献比例正在大幅上升。很多研究者过度依赖AI整理文献，导致“假引用”渗透进了严肃的学术体系。
四、 核心痛点：哪些能信？哪些要存疑？
如果全信，那么就包括幻象，如果完全核对，那么就比自己写还要命，怎么办。
我们觉得，AI 是副驾驶，不是机长。如果你也在用 AI 写报告，一定要小心那些“看起来很真”的参考文献，那往往是幻觉的重灾区。
大家有没有遇到过这种“幽灵文献”？你们是怎么处理的？欢迎在评论区交流避坑。