我越来越觉得，真正困难的并不是“找到一篇论文”，而是找到一篇论文之后，知道下一步应该读什么。尤其是在刚进入一个陌生研究领域的时候，我们通常会先在一些数据库里搜索关键词，然后打开一篇篇论文，看标题、摘要和参考文献，再顺着参考文献继续寻找新的论文。
这种方法当然没有问题，但有一个明显的缺点：我们很容易陷入关键词和单篇论文的世界，却很难快速看到整个研究领域的结构。最近我比较推荐科研人尝试一个叫 Connected Papers 的工具。
它不是简单告诉你“还有哪些论文”，而是尝试把论文之间的关系画出来。
Connected Papers到底是什么？
Connected Papers 是一个面向科研人员的可视化文献探索工具。它的使用方式非常简单：你只需要提供一篇你已经知道的论文，可以输入论文标题、DOI，或者其他论文标识信息，Connected Papers 就会以这篇论文作为起点，为你生成一个由相关论文组成的可视化图谱。
这里有一个非常重要的细节。Connected Papers生成的并不是传统意义上的“引用关系树”。
官方明确说明，它会根据论文之间的相似性进行排列，即使两篇论文之间不存在直接引用关系，只要它们在参考文献和被引用文献等方面具有较强的关联，也可能出现在图谱中比较接近的位置。其相似性指标主要建立在 Co-citation（共被引） 和 Bibliographic Coupling（书目耦合） 等关系之上。
所以，我更愿意把它理解成从一篇已知论文出发，帮助我探索“与它处在同一知识网络中的论文”。这也是它和传统关键词检索最大的不同。
第一步：输入一篇论文，生成一张“文献地图”
我第一次使用 Connected Papers 时，最直观的感受就是它的界面。
以前我们检索论文，通常看到的是一串搜索结果：
论文A
论文B
论文C
论文D……
而 Connected Papers 会把这些论文放进一张图里。在这张图中，每一个节点代表一篇论文，不同论文之间通过连线建立关系。论文之间越相似，通常在图谱中的位置就越接近，从而形成一个个相对明显的研究主题或文献聚类。
这对于我理解一个陌生领域特别有帮助。比如，我刚开始研究“生成式人工智能在科研中的应用”，我可能已经找到一篇比较经典的综述论文。以前我的做法可能是：看这篇综述 → 看参考文献 → 再搜索关键词 → 找下一篇论文。
而使用 Connected Papers 后，我可以直接从这篇论文出发，让工具把与它高度相关的一组研究呈现出来。这时候，我看到的就不再是一篇孤立的论文，而是一个研究网络。这也是我认为 Connected Papers 最值得科研人员尝试的地方。
第二步：从图谱中寻找研究方向和文献聚类
Connected Papers 的图谱并不是简单地把论文随机排列。官方介绍显示，它会分析大约 50,000篇论文，然后从中选择与起始论文联系最强的一部分论文形成图谱。论文之间的相似性主要基于共被引和书目耦合关系，再利用 Force-Directed Graph（力导向图）等方法进行可视化布局。
因此，当我看到一张图时，可以尝试从几个角度去理解它。
首先是哪些论文聚集在一起。
如果某几个节点形成明显的聚类，它们往往代表研究主题、方法或者知识基础上的某种相似性。
其次是哪些论文比较重要。
在传统的 Connected Papers 图谱中，节点大小可以反映论文的引用情况，颜色则可以帮助判断论文的大致发表时间。学术机构对该工具的介绍也指出，节点代表论文，节点大小与引用数量相关，颜色用于表示发表年份。
这样一来，我可以比较直观地看到：哪些是经典研究？哪些是较新的研究？哪些论文可能处在某个研究方向的核心位置？
当然，这些视觉信息应该作为文献筛选的辅助，而不能简单地把“引用次数高”理解成“论文质量高”。
第三步：我特别喜欢的功能是 Prior Works
如果你已经找到一篇比较重要的论文，Connected Papers还有一个非常实用的功能：Prior Works。
简单理解，它是在帮助我向研究历史的上游追溯。
Connected Papers 会从图谱中的论文出发，寻找它们共同引用的重要早期论文。这些论文往往是某个研究方向的基础性工作或者经典研究。这对刚进入一个研究领域的学生尤其有价值。因为很多时候，我们看到一篇2025年的论文，可能觉得它讲的是一个非常新的概念。但继续往前追溯，就会发现：
2025年的研究
↓
2022年的重要工作
↓
2018年的关键方法
↓
2010年的基础理论
↓
更早的奠基性研究
Prior Works实际上帮助我沿着知识发展的“上游”往回走。如果我要写一篇综述、博士论文或者研究背景，这个功能可以帮助我快速寻找领域中的经典文献。
第四步：Derivative Works让我看到“后来发生了什么”
如果 Prior Works 是向过去追溯，那么 Derivative Works 就是在帮助我向未来寻找。Connected Papers 会寻找后来引用图谱中相关论文的研究，这些论文可能包括比较新的研究、综述、State of the Art 工作等。这实际上解决了科研人员经常遇到的另一个问题：我找到了一篇经典论文，但这个领域后来发展成什么样了？
例如，我发现一篇2018年的经典方法论文。我可以先通过 Prior Works 了解：这个方法从哪里来的？再通过 Derivative Works 了解：后来哪些研究建立在它的基础上？这样，一篇论文就变成了一个入口。我可以从它向前看，也可以向后看。这也是 Connected Papers非常适合做文献脉络梳理的原因。
第五步：不喜欢看图，还可以切换成列表
如果你不习惯阅读这种网络图，也不用担心。Connected Papers还提供了 List View（列表视图），可以用更加传统的方式查看相关论文。这其实是一个很实用的设计。我可以先利用图谱快速了解整个领域，然后再切换到列表模式，对具体论文进行筛选。
比如，我可能重点关注：
- 近5年发表的论文
- 被引用较多的论文
- 与起始论文相似度较高的论文
- 某个具体研究方向的论文
这样就形成了一个比较自然的工作流：先看地图 → 再看聚类 → 找到感兴趣的论文 → 查看论文信息 → 再深入阅读。
第六步：它还可以帮助我完善论文参考文献
Connected Papers官方也特别提到，它可以用于帮助科研人员建立论文或学位论文的参考文献体系。我觉得这个功能非常适合博士生。假设你已经收集了20篇自己认为“肯定需要引用”的论文，那么可以把其中具有代表性的论文输入 Connected Papers。然后从图谱中寻找：“我是不是漏掉了某些重要研究？”
这和传统的关键词检索其实是互补的。关键词检索更适合回答：“有没有论文研究这个关键词？”而 Connected Papers 更适合帮助我回答：“我已经找到这篇论文了，那么与它相关的重要研究还有哪些？”
对于文献综述而言，后一个问题同样重要。
它为什么能找到一些我没直接搜索到的论文？
这也是 Connected Papers比较有意思的地方。传统数据库搜索很依赖关键词。假设我的研究主题是：AI-assisted scientific writing，那么我需要不断尝试：
- AI scientific writing
- artificial intelligence academic writing
- generative AI scientific communication
- large language models academic writing
关键词不同，检索结果也会发生变化。Connected Papers的思路不完全一样。
它利用论文之间的共被引（co-citation）和书目耦合（bibliographic coupling）关系建立相似性，因此两篇论文即使没有直接互相引用，也可能因为引用了大量相似文献而被认为具有较强关联。这意味着，它能够在一定程度上帮助我们跳出“关键词思维”。
Connected Papers适合哪些科研场景？
如果让我总结，我认为它最适合下面几类情况。
刚进入一个陌生研究领域
这是我最推荐的使用场景。先找到一篇公认比较重要的论文，然后让 Connected Papers 帮你建立一张“领域地图”。你可以从中寻找经典研究、主要研究聚类以及近期发展方向。
写综述和博士论文
写综述时，最大的风险之一就是遗漏重要文献。Connected Papers可以作为传统数据库检索之外的一个补充工具，帮助你从已有的重要论文向周围扩展。尤其可以利用 Prior Works + Derivative Works 分别梳理研究的历史基础和后续发展。
寻找经典文献
当你发现一篇不错的新论文，却不知道这个领域有哪些奠基性研究时，可以从这篇论文向前追踪。
寻找最新研究
如果你手里已经有一篇经典论文，也可以利用 Derivative Works 寻找后续研究和较新的综述。
梳理跨学科研究
如果你的研究横跨两个甚至多个领域，单纯依靠某一个关键词进行检索往往比较困难。这时候，可视化的文献网络有时能够帮助你发现处于不同研究群体之间的论文。
不把它当成“万能的AI文献检索器”
这里我觉得必须提醒大家。虽然现在很多科研工具都喜欢被称为“AI工具”，但 Connected Papers真正值得关注的地方，并不是它能够像 ChatGPT 一样“理解你的问题然后回答你”。它的核心价值实际上是：文献关系分析 + 相似性计算 + 可视化探索。
而且，它并不是一个可以替代 Web of Science、Scopus、PubMed 等数据库的完整检索系统。Connected Papers官方说明，其数据来自 Semantic Scholar Paper Corpus，覆盖数亿篇不同领域的论文。
因此，如果你正在进行系统综述、Meta分析或者其他需要高度可重复、全面检索的研究，就不能只依赖 Connected Papers。
我建议把它放在科研文献检索工作流中的这个位置：数据库检索 → 找到核心论文 → Connected Papers扩展 → 人工筛选 → 回到原始论文数据库核实 → 阅读全文 → 建立自己的文献库
而不是：Connected Papers → 得到结果 → 直接作为完整文献检索结果。
这个区别非常重要。
它是否免费吗？
目前 Connected Papers提供免费版本。官方定价页面显示，免费用户每月可以创建 5张图谱，并包含其核心功能；Academic和Business付费方案则提供无限图谱等功能。
所以，对于普通科研人员来说，如果只是偶尔做文献探索，免费版本已经可以用来体验它的核心功能。
