AI 生成的参考文献靠谱吗？从 DOI、BibTeX 到正文引用的完整校验链路

2026 年 5 月，Nature 披露了学术出版中一个严峻趋势：2025 年全年，仅四个主要研究仓储的论文和预印本中就被检测出超过 14 万条虚假引用，大量由 AI 幻觉产生。面对这一系统性风险，保障参考文献可靠性不能依赖导出前的逐条抽查；真正有效的做法，是将校验嵌入写作流程，从 DOI/BibTeX 源头核实、正文引用绑定、到段落支撑验证和格式终审，形成一条「能查、能对、能交付」的完整闭环。本文即分四步拆解这一闭环。

第一步：DOI 和 BibTeX 是真是假？源头校验方法

拿到一个看起来完整的 DOI（如 10.1234/example.2025.001），第一件事不是直接导入参考文献管理器，而是验证其真实性。最直接的方式是在浏览器中打开 https://doi.org/DOI号，若跳转至具体的期刊页面且信息匹配，初步可信。更严格的做法是调用 CrossRef API：通过命令行输入 curl https://api.crossref.org/works/DOI号，返回的 JSON 数据包含标题、作者、出版年份、期刊名称等字段。将这些字段与 AI 生成的条目逐项比对，虚构的 DOI 会返回“Resource not found”，或虽有返回但字段与声称的不符。

对于 BibTeX，许多 AI 模型会生成格式正确的条目，但其中的卷、期、页码可能拼凑而成。验证方法同样是提取其中的 DOI，或从标题字段反向搜索。在 Google Scholar、Semantic Scholar 或对应数据库中检索标题，能快速确认文献是否真实存在。对于中文文献，还需核对 CNKI 或万方数据库中的记录。这一步虽耗时，却是整个校验链的基石。

需要留意的是，这一校验不应只在导入文献库时做一次。在写作过程中，随着引用增减，仍需保持源头数据的准确。更高效的方式是将文献信息以结构化形式（如 BibTeX 或 CSL JSON）存入写作工具的资料层，使后续步骤直接基于已核验的条目，而不是从正文注释中临时提取。

第二步：正文引用与文献库绑定，消除「幽灵引用」

许多论文出现引用错误，并非因为文献本身虚假，而是正文中的引用标记与最终参考文献列表脱节。例如，正文中标注了“[5]”，但参考文献列表中条目序号缺失或重复；又或者，正文中引用了一个作者-年份组合，而文献库中没有对应条目。这两种情况可分别称为“幽灵引用”（正文引用了但文献库无对应条目）和“悬空引用”（文献库中有条目但正文从未提及）。这两类问题在传统写作方式下，往往直到排版阶段才暴露，修正成本极高。

解决之道是将正文引用与文献库条目的绑定关系显性化。在 Markdown 写作中，可以使用类似 [@smith2025] 的标识符，代表对某个已录入文献条目的引用。写作工具若能识别这种语法，就能实时追踪每个引用标识符是否对应文献库中的条目（bound）、是否有标识符找不到对应条目（orphan，幽灵引用），以及是否有条目未被任何正文引用（dangling，悬空引用）。

这一步将引用对账从“事后排查”变成“边写边对”。每当插入一条引用，若标识符未在文献库中定义，工具即刻提示；若某条目在后续删改中不再被引用，也能被清晰标记以供清理。这种机制确保了正文与文献列表的同步性，为第三步的内容级验证打下基础。

第三步：这篇文献真的支撑当前段落吗？内容级验证

即使文献真实存在且绑定正确，引用的方式也可能不合理。学术写作中常见的误区包括：引用一篇论文来支持某个观点，但该论文实际上并未得出相应结论（“张冠李戴”），或者只截取摘要的部分语句而忽略研究的限定条件（断章取义）。在 AI 辅助生成文本时，由于模型并不真正理解文献内容，这类错配的出现概率更高。

内容级验证要求写作者对每一处关键引用进行两项检查：第一，所引文献的研究问题、方法和主要发现是否与正文论点匹配；第二，引用的上下文是否准确反映了原文的结论与适用范围。这通常需要查阅文献的摘要、引言和结论部分，有时还需快速浏览图表与数据。为提高效率，写作者可以尝试将当前段落与所引文献的摘要一同放入写作工具的 AI 辅助区，让 AI 基于给定文本快速指出哪篇文献直接支撑观点、哪篇仅部分相关，从而靶向调整。若工具支持绑定文献库，还可直接调取已核验的摘要，无需反复跨窗口复制。当然，AI 的辅助判断只能作为参考，最终责任仍在写作者。通过这一步，参考文献从“形式上不缺”进阶到“实质上支撑”。

第四步：导出前的最后一关——参考文献列表格式化与终审

即便前三步都已完成，参考文献列表中仍可能因格式转换而出现错误。中文论文通常要求符合 GB/T 7714-2015 标准，它细致规定了各类文献的著录格式：例如，期刊论文需依次列出作者、题名、刊名、出版年份、卷号（期号）、页码；会议论文则需注明会议名称、地点、日期等。AI 或文献管理工具在自动生成格式化列表时，可能因数据源自身的瑕疵（如作者姓名字段分割错误）导致格式偏差。

导出的 PDF 或 Word 稿件交付前，建议进行一次“终审式”核对：逐条检查参考文献列表中每一项的作者名（大小写、缩写一致）、标题（标点、大小写）、刊名或出版社、出版年、卷期页码是否与经过验证的原文一致。重点核对被引频次较高或核心论据的文献。同时，再次确认正文中的引用标记与列表完全对应，没有移位或遗漏。这一步看似繁琐，却是学术严谨性的最后防线。正因为前面已将文献库绑定和内容核实分开处理，此时的核对压力已大大减轻——重点只在于格式表象。

从「看起来像真的」到「能查、能对、能交付」：工具如何帮你落地

上述四步形成一个自洽的校验闭环，但若每步依赖不同的工具或平台，窗口切换和重复校对反而可能增加出错风险。以 InkFount（paper.InkFount.com）这类一体化学术写作工作台为例，可以看到设计如何将校验嵌入写作流程本身。

首先，InkFount 在资料层前置文献管理。用户可以在写作开始前，通过 DOI 或 BibTeX 导入文献，工具内部会自动尝试调用 Crossref 等接口进行基本验证，并将结构化数据存入资料库。这为后续所有引用提供了单一可信源，避免了从聊天框中临时复制文献条目。

其次，正文引用绑定采用 [@alias] 语法。当用户在 Markdown 中插入 [@smith2025] 时，工具实时检查资料库中是否存在该别名对应的条目，并将引用状态标注为 bound、orphan 或 dangling。引用对账面板在整个写作过程中持续可见，写作者可以随时修正，而不是等到最后才面对一团乱麻。

第三，InkFount 的 AI 改稿功能围绕当前文稿的上下文工作，而非在隔离的聊天界面中。当需要对某段落的引用支撑度进行评估时，可以选中文本并请求 AI 参考已绑定的文献内容给出建议。这使得第三步的内容级验证不再是脱离写作流的额外工序，而成为写作的自然延伸。

一体化工作台无法杜绝幻觉，但它把耗时的校验步骤拆解并持续地融入写作过程，让“事后抽查”的旧模式转变为“过程可控”的新模式。当参考文献的每一重信息——从 DOI 真伪到段落归因——都在同一环境中被有序管理时，“看起来像真的”才真正走向“能查、能对、能交付”。