许多用户在使用 Monica AI 时，最常遇到的困扰在于其引用的资料质量参差不齐。论据支撑薄弱、信息来源不清晰、缺少具体数据佐证——这些问题看似复杂，其实根源往往在于初始提示词的设计不够严谨。当你未能对文献类型、时间范围及证据强度做出明确限定时，AI 自然会倾向于选择“省力”的方式，混用各类网络公开信息甚至二手转述内容。

以下直接提供一套切实可行的解决方案。

锁定权威学术来源

在正式提问之前，务必先将来源限定语句前置。例如这样表述：“请仅从近五年内 PubMed、IEEE Xplore 或 CNKI 核心期刊论文中提取依据”。这一句前置指令，能够有效避免 AI 调用维基百科、博客文章或已过时的教材内容。

需要特别强调的是，这一步必须前置，因为 Monica 默认会混合使用网络公开信息，一旦内容生成完成，就无法再追溯并替换来源。等到输出结果后再想修正，往往为时已晚。

强制要求证据颗粒度

如何确保 AI 提供的证据足够坚实可靠？两种方法可以同步使用。

方法一：采用结构化指令来约束输出格式。直接输入：“每条论点后必须附带：①作者+年份 ②样本量/实验周期 ③关键数据（例如‘响应率提升23.6%’）”。

方法二：通过反向排除来过滤弱证据。追加指令：“剔除所有包含‘可能’‘或许’‘一般认为’等模糊表述的句子；删除未标注 DOI 或 PMID 编号的条目”。

如果不这样做，AI 会继续包装二手转述内容——表面上看起来像是引用，实际上根本找不到原始出处可供核查。

补全领域特异性参数

这一步包含三个关键的小动作，每一个都至关重要。

第一步：明确你研究所涉及的具体子领域关键词。例如，不要笼统地写“人工智能”，而应精确到“LLM 在放射科报告生成中的误判率控制”。表述越具体，检索结果就越精准。

第二步：将这个关键词嵌入提示词的开头。示例：“针对‘LLM 在放射科报告生成中的误判率控制’这一研究方向，请从 2020–2024 年医学信息学类 SCI 期刊中检索实证研究”。

第三步：补充你偏好的研究方法论。例如，“优先选择随机对照试验（RCT）或前瞻性队列研究，排除综述及观点类文章”。

缺少子领域锚定，AI 就会泛泛而谈，论据会自动降级为教科书级别的常识性描述。补全这些参数后，生成的引用质量将获得本质提升。