为了这篇横评，我参考了互联网上的老学者，在过去的一段时间里，汇总的各种工具的“用法”。时代在进步和发展，新兴工具正在AI的浪潮之下发展的速度惊人的快，结合我的深度使用，我的体验基本和本站点其他大佬的风格体验一致。我将从日常度、专业性、创新性、实用性、操作性五个角度打分。
起心即妄，动念即乖，这些评价均只代表我的个人看法，大家在评价这些工具的可用性时，要结合自己的需求。
Google Scholar：引用当指南针，随手就能用
这篇《如何善用 Google Scholar》堪称“老手宝典”。作者用 Conscience and Conviction 被引用 8 次的例子，教我们如何通过引用数判断一本书是不是值得优先阅读；再点一下“被引用次数”“相关文章”，就能顺藤摸瓜找到新的方向。写论文时，它又能把条目导出成 EndNote/Mendeley/Zotero 格式，甚至能用“我的图书馆”贴标签管理。没灵感的时候，Google Alert 订阅的关键字会来信提醒你“you got some paper to read!”。最后，Citation Ranking 还能告诉你哪个期刊是“豪门”，哪个文章是“祖师爷”。
这种全流程陪伴解释了它的高分：免费、稳、引用数据透明，几乎每天都要点开，唯一的缺点就是玩法和十年前差不多，所以创新性就别苛求了。
Web of Science：各大图书馆的首选
臺大图书馆的懒人包把 WOS 当一串子资料库：SCIE、SSCI、A&HCI、ESCI、CPCI、BKCI、CCR-E、IC……每个都写清楚是啥、有没有采购。紧接着是八大功能区：查询、筛选/分析、引文追踪、全文获取、书目导出、学术评比、英文指南、教学资源，每个区都有实战题——比如怎么用 Master Journal List 查期刊收录变化、怎么用 Refine Results 看“美国有哪些学科研究牛肉与瘦肉精”、怎么扣掉自引、怎么用 Beamplot 看作者影响力。
Clarivate 的数据权威没得说，但入口太多、术语太硬，新手打开界面容易“迷宫式”卡住，所以操作性只能给 6。它的使命就是服务科研评估和正式引用，日常度 7、实用性 8、创新性 7（JCI、Beamplot 的确算新玩法）。
玻尔学术：AI 模型、私有知识库和算力打包的“野心家”
登录玻尔后看到的是一块 ChatGPT 式对话框：顶部可以选简洁/专业/推理/深度研究四种模型，旁边还能上传附件、指定学科；对话结果在左，文献列表在右。
它背后接了国外开放接口和中科院背景的私有库，所以中文理工文献不少，只是社科内容弱。它还提供私有知识库上传、学科过滤、特定学校专用模型。 Uni-lab 和智算板块：一个挂着实验外包资源，一个卖 GPU 云算力，让人怀疑它到底是科研工具还是服务器商——其实“就算算力是主体，这个文献检索的‘赠品’也比很多同行强”。
这就是为什么它创新性高，但日常度、操作性都偏低：功能太多、实验性质太强，需要摸索。专业性 7 来自它的私有库和接口，但和 WOS 级别仍有差距。
密塔 AI：把科普做成“论文格式”的大众入口
密塔 AI 凭“搜索‘AI 学术’排前”和“学者圈常提”入选。仔细拆了它的长处发现：页面先给出正文，再把参考资料列在后面，像论文尾注；每条资料附标题、摘要、图片、日期，做到“可追溯”。它还有“今天学点啥”这样的功能，把一篇 PDF 和配套 PPT 做成可视化阅读，让你直接拿去组会展示。它真正聪明的地方在于“好看而且无广告”，普通用户从没觉得科研工具还能这么友好。
可惜的是，密塔的大部分数据源是新闻、网页、社区问答——广义上可以叫“文献”，但离严格的学术引用还有一段距离，因此专业性只有 5。它的价值在于帮大众快速整合信息、训练信息甄别能力，所以操作性 9、日常度 8，但真要写论文，还是得回到 Scholar/WOS。
ResearchRabbit：顺藤摸瓜的文献检索法
ResearchRabbit 的做法是从一篇论文出发，画出引用、合作、作者关系的“兔子洞”地图，让你沿着这根藤一路追下去。它明确反对“只看最新/高分/推荐”的浮躁习惯，提醒我们真正的研究是结构化地理解整个脉络。
因为聚焦得极其克制，它的创新性我给 9 分：把“文献脉络”这个细分场景做到极致。
缺点也明显，它主要服务开题、综述、方向判断；写作、实验等后半程还是要靠其他工具，所以日常度和实用性都保持在 7 左右，操作上也需要较为深厚的英文检索经验。
爱学术：3 亿文献加 AI 组件，先服务大众再说
“3 亿文献，AI 赋能学术全流程”是它首页的大字。测评里把它叫做“面向大众的科研舞台”：导航栏一字排开 AI 文献管理、学术对话、论文写作、文献解读、AI 研究、AI 工具箱等模块。它的亮点是“整理工作”——可以把 PDF/Word/DOI 全部塞进同一个库，自动生成多格式引用；文献解读会输出摘要、方法分析、可视化图表，让本科生甚至普通用户也能快速搞懂论文在干嘛；写作助手可以生成大纲、润色段落、做调研报告。弱点同样明显：数据源更多是公开资讯，AI 工具箱里甚至只有一个对照翻译，很多功能还停留在概念阶段。
总的来说它在日常度、操作性上表现不错，拿来做课程作业、整理报告完全够用，但要做严肃研究还得回到权威数据库。
深度 AI 学术（AIsciresgo）：真正“读论文”的 AI 助手
它的定位是“学术向 AI 搜索 + 论文理解平台”。与密塔这种大众工具最大的差别在于数据源：它直接抓 Google Scholar 和 WOS 的条目，展示期刊来源、年份、引用次数、是否 OA；界面极度克制，像一个论文列表，没有插画也没有推荐流。有意思的是它的“分析维度”——你可以点“研究目的”“研究方法”，它就会用一段结构化摘要告诉你“它想解决什么”“用什么方法”“数据靠不靠谱”。我关注它大概半年了，基本所有的定制化更新都是从用户群里面吸纳的，它的迭代方向似乎在反复强调：它不是写论文的 AI，而是帮你更快理解、整理、筛论文的 AI，用来做文献初筛、判断一个方向是不是已经被做烂，特别适合导师甩下一句“你先查查文献”的场景。
因为数据源硬核、定位清晰，我给它专业性 9、创新性 8、实用性 8；操作上需要花点时间习惯这些按钮，所以是 7。
怎么配合使用？
-
日常检索 + 结构化阅读：Google Scholar 负责把关键词丢进引用宇宙，深度 AI 学术负责把长列表拆成“研究目的/方法/贡献”的结构化摘要。
-
正式评估场景：当你要查学校、学院、导师的发表或引用指标，或是要准备申请材料，就切换到 Web of Science，用 Refine/Analyze/Beamplot 这些硬核工具。
-
选题与脉络：ResearchRabbit 帮你顺藤摸瓜看清“兔子洞”，一旦需要补齐中文灰色文献或算力资源，再去玻尔学术试试私有库和智算板块。
-
大众视角与表达：密塔 AI、爱学术很适合用来看社会议题热度、做组会展示或课程作业，毕竟它们排版漂亮、交互友善；但写论文引用时，还是用 Scholar/WOS/AIsciresgo 更保险。
认清每个站点真正擅长的事情，把它们拼成“基础设施 + 结构化解析 + AI 助手 + 创新玩法”的工具链，科研的每个阶段就都有趁手的伙伴，而不是频繁换工具、越忙越乱。