首先明确一点：LongCat AI 并未提供一键提取参考文献的快捷按钮。然而，其真正的优势在于——借助128K长上下文和本地智能体架构，用户可以搭建一套高精度、可复现的参考文献提取工作流。核心在于方法论，而非依赖单一开关解决所有问题。
无论你正在进行学术整理、文献综述还是论文校对，面对格式多样、质量参差不齐的参考文献，最需要的是能灵活适配不同文档类型的处理策略，而非指望模型一次性解决所有难题。接下来，我们将深入剖析这一过程。
一、明确你要提取什么信息
在开始之前，首先要明确目标。文献提取最大的问题并非格式混乱，而是模型根据“感觉”凭空捏造。以下是常见的必提取字段：
- 作者全名（需注意大小写和缩写规范，避免“Smith, J.”与“smith, j.”混淆）
- 发表年份
- 文章标题（必须保留原始大小写和标点，避免模型自动修改）
- 期刊/会议名称（推荐使用标准缩写，例如“IEEE Trans. Pattern Anal. Mach. Intell.”而非完整名称）
- 卷号、期号、页码范围
- DOI——这是最核心的字段，后续的校验、链接、去重都依赖它
如果仅需提取DOI，使用正则表达式是最快捷的方式。但若需要完整的结构化引用，则必须结合语义理解和元数据补全。不同的需求对应不同的技术方案。
二、推荐两种实操路径（按文档质量选择）
路径A：文档格式规整（如LaTeX导出PDF、Word标准参考文献列表）→ 使用LongCat-2.0调用本地脚本
在这种场景下，文档结构清晰且字段完整。具体做法是：让LongCat-2.0精准定位“References”或“Bibliography”区块，随后生成并执行一个Python脚本。脚本利用 r'10.d{4,}/[-._;()/:A-Z0-9]+' 等正则表达式提取所有DOI，再通过CrossRef API批量反查元数据。最终输出为CSV或BibTeX格式，字段对齐且无遗漏。整个过程自动化程度高，适合批量处理。
路径B：文档杂乱（如扫描版PDF、网页截图、笔记手稿）→ 使用LongCat-Flash-Chat-FP8直接进行语义解析
这种场景更为棘手，由于格式混乱，模型需要更强的上下文理解能力。具体做法是：将整篇文档（包括参考文献部分）一次性输入模型，利用128K上下文优势，让模型在理解全文背景后，从杂乱文本中精准提取所有参考文献条目。提示词模板可参考：“请从以下文本中严格提取所有参考文献条目，每条必须包含：作者、年份、标题、期刊/会议、DOI。若某条缺失DOI，请标注‘DOI not found’，不要编造。”这样输出的结果直接结构化，方便粘贴到Zotero中手动校验后导入。
三、关键避坑提醒
以下三步若被忽略，准确率会大幅下降——并非夸张，而是经过多次实测验证的结论：
- 校验DOI真实性：提取出的DOI必须用CrossRef或doi.org验证其可解析性。OCR错误极其隐蔽，例如将“10.1109”误识别为“10.1108”，一旦数字错误，整条引用便无效。
- 区分预印本与正式版：arXiv上的条目通常包含DOI，但与最终出版的期刊DOI不同。LongCat可帮助识别并标注版本来源，但前提是在提示词中明确要求此项。
- 禁用模型自由发挥：在提示词中必须明确：“不补充未出现的信息”“不修正作者拼写”“不调整大小写”。模型时常出于“好意”而纠正拼写或补全缺失信息——但这对参考文献提取而言，恰恰是致命错误。
四、最小可行配置示例（本地运行）
如果你已在本地部署了LongCat-2.0工具链，则无需再搭建复杂的大模型服务。一个最简单的起步流程如下：
- 准备一个纯文本文件
refs_raw.txt，内容为复制粘贴的参考文献段落。 - 执行一条命令：
longcat run --tool extract_refs --input refs_raw.txt --output refs_clean.bib - 后台自动触发：格式检测→DOI正则提取→CrossRef补全→IEEE/APA格式化→去重。
整个过程在本地完成，隐私可控，且每次运行结果完全一致——这对于需要反复核对文献清单的用户而言，堪称刚需。