Elicit 介绍
Elicit 是一个专门为科学研究设计的 AI 工具,能帮研究者快速理解已有的科学发现。
它最大的特点是让你不需要记住所有正确的关键词,通过语义搜索就能在超过 1.38 亿篇学术论文和 54.5 万项临床试验中找到相关结果。如果你要做系统文献综述,Elicit 还能自动化筛选和提取数据,有研究者报告能省下 80% 的时间。另外它生成的报告可以深度自定义,你可以自己决定包含哪些论文和信息。
主要功能
语义搜索
用自然语言搜索超过 1.38 亿篇学术论文和 54.5 万项临床试验,不需要精确关键词也能找到相关文献。
研究报告生成
基于系统综述的思路,自动生成高质量的研究简报,并且可以深度自定义报告包含的论文和信息。
系统文献综述自动化
可以自动完成文献筛选和数据提取,部分支持搜索和报告生成,帮助提升效率。
使用场景
撰写系统性文献综述
我要写一篇关于‘正念干预对青少年焦虑效果’的系统性综述,但光是筛选相关论文就要花好几周,有没有更快的办法?
在 Elicit 中输入自然语言问题,比如‘哪些随机对照试验证明了正念干预能减轻青少年焦虑?’,Elicit 会自动从数百万篇论文中找出符合条件的研究,提取样本量、干预方式、效果指标等关键信息,并按表格形式整理,几分钟内完成初筛。
设计临床研究方案
我打算开展一项关于睡眠干预对大学生抑郁症状影响的研究,但不确定该用什么量表、样本量设多少合适,之前别人是怎么做的?
在 Elicit 中提问:‘过去五年中,针对大学生抑郁的睡眠干预研究用了哪些测量工具和样本量?’,Elicit 会检索并结构化呈现相关研究的方法细节,帮助你快速参考已有方案,优化自己的实验设计。
准备科研项目申请书
写基金申请时要说明研究空白,但我查了一堆关键词还是搞不清到底哪些问题还没人解决,怎么办?
用 Elicit 提问:‘目前关于肠道菌群与自闭症关联的研究中,哪些人群或机制尚未被充分探索?’,Elicit 会分析大量论文的结论和局限性,帮你识别知识缺口,并提供支持证据,直接用于立项依据部分。
快速了解一个陌生研究领域
导师让我下周汇报‘数字疗法在慢性疼痛管理中的应用’,但我完全没接触过这个方向,从哪开始看起啊?
在 Elicit 输入:‘数字疗法用于慢性疼痛的主要类型、有效性和研究趋势是什么?’,Elicit 会自动汇总高影响力论文的核心发现,生成简洁摘要,并按研究类型分类,让你两小时内掌握领域全貌。
验证自己研究结果是否新颖
我们刚发现某种药物组合对老年痴呆小鼠模型有效,但不确定是不是别人已经发过类似结果,怕重复劳动。
在 Elicit 中描述你的实验设计和发现,例如:‘有哪些研究测试了A药+B药联合治疗阿尔茨海默病动物模型的认知改善效果?’,Elicit 会精准匹配已发表研究,告诉你是否有高度相似的工作,避免重复。
使用建议
适合需要做文献调研的研究者、学生或学术从业者,尤其是那些要完成系统综述或快速了解某个研究领域现状的人。
如果你经常需要从大量论文中提取关键信息,或者想节省手动筛选文献的时间,Elicit 会很实用。
套餐详情
- 研究助手有限访问权限
- 每月2份自动报告
- 无限搜索超过1.38亿篇论文
- 无限摘要任意数量的论文
- 无限与论文聊天并获取全文访问权限
- 每次向表格添加2列
- 查看答案来源
- 从Zotero导入
- 研究助手扩展访问权限
- 专用系统综述工作流,可筛选5,000篇论文
- 每年144份报告或系统综述
- 每次向表格添加20列
- 报告从最多135个数据源提取
- 订阅10个个性化研究提醒
- 从上传的论文中自定义提取
- AI生成答案的解释
- 多种输出模板
- API访问权限
常见问题
用户评分
为此工具评分
最新资讯
智能体AI验证与自改进机制研究
arXiv新论文提出一种形式化框架,用于分析智能体AI系统在验证与自改进过程中的能力边界。该研究区分了不同改进机制,并通过有界验证、随机性控制和复杂性类分析,揭示了自改进行为对正确性、证据要求及资源消耗的影响。
LLM智能体受限自演化与准入闸门机制
一项arXiv研究提出,自我改进的LLM智能体若重写自身,会破坏监管者所依赖的变更记录。研究者将自演化限定在运行时挂架层,模型权重保持不变,并设计带哈希链记录的准入闸门。仿真中闸门仅接纳7449个候选变更中的144个,且无一致命错误恶化。
智能体可控遗忘机制实现上下文可逆压缩
arXiv论文提出智能体控制的遗忘机制,让模型把冗余的工具返回结果替换为简短笔记并存入可恢复归档,无需任务训练。在OpenTelemetry调试实验中,提示词token从912492降至231951,成本从约4.38美元降至约1.28至1.44美元,但耗时增加17%,且节省效果依赖具体工作负载。
可解释的表头中心语义表格解读框架
arXiv 上一项研究提出以表头为中心的可解释框架,用于仅有元数据条件下的列类型标注与数据质量评估。该框架把表头映射为39种可解释类型,结合数据质量问题分类体系生成规则化检测,并聚合为数据源级指标 HeadersIQ,在约12万列表头上完成评测。
无模式数据合成框架STS实现企业级智能体训练数据生成
研究者提出无模式数据合成范式STS,让大模型智能体在模拟企业环境中通过调用策略执行API生成数据,由构造保证结构有效性。其通用填充器GP在十个环境中实现0.88平均边际保真度与百分之百约束满足,且无需访问数据库模式,并开源全部框架、环境与数据集。