ResearchRabbit

ResearchRabbit 是一款基于 Web 的学术文献发现工具，其核心功能是引文网络探索和语义相似度匹配。该工具由西雅图的一个团队开发并于 2021 年推出，随后在 2025 年 5 月被新西兰的 Litmaps 收购，该交易包含了一轮 100 万美元的融资。合并后的平台为全球超过 200 万用户提供服务。它解决的核心痛点是关键词搜索的死胡同：当你已经掌握了几篇相关论文，并需要系统地梳理与它们相关的所有文献时，ResearchRabbit 能用交互式的可视化图表取代数小时的手动正向和反向引文追踪。

该工具依托 Semantic Scholar 和 PubMed，覆盖了超过 2.8 亿篇文章，并允许免费版用户以最多 50 篇种子论文作为起点。从这些种子出发，它通过六种发现模式向外扩展：Similar Work（相似工作）、Earlier Work（早期工作）、Later Work（后续工作）、Citations（引文）、References（参考文献）和 Authors（作者）。所有文献集均可免费与 Zotero 同步。2025 年的改版增加了可配置的引文图表坐标轴（出版年份、引用次数、参考文献数量）、基于标题/摘要嵌入的语义相似度搜索，以及可选的 RR+ 订阅服务（10 美元/月，按年计费）。RR+ 将种子论文上限提升至 300 篇，并解锁了期刊分区和 H 指数过滤器。免费版则保留了无限次搜索、无限量文献集以及完整的 Zotero 集成功能。

2026 年 4 月的 ResearchRabbit 究竟是什么

ResearchRabbit 本质上是一个引文网络引擎，而非 AI 助手。它不会总结论文、回答问题或生成文本。其营销中提到的“AI”标签指的是它的推荐算法，该算法结合了引文关系与语义相似度（在与 Litmaps 合并后，很可能是类似 SPECTER 的标题/摘要嵌入技术）。这种区别至关重要：期待获得类似 Elicit 那种文献综合生成能力的研究人员会感到困惑，但对于需要绘制文献全景图的研究人员来说，它确实非常高效。

在被 Litmaps 收购后，该产品于 2025 年 10 月 30 日发布了最重大的一次更新。新界面围绕三个概念组织工作流：Collections（持久化的论文文件夹）、Seeds（特定搜索的起始论文）和 Input Sets（种子论文加上用于迭代优化的候选论文）。每次点击“Search”按钮都会在你的探索路径中创建一个检查点，让你能够“跳回”到早期的分支。之前版本的“Network Graph”视图在此次更新中被移除，取而代之的是一个可配置的引文地图，它会在你定义的 X/Y 轴上绘制论文节点。

其数据库覆盖范围现在由 Litmaps 的数据管道（Crossref、Semantic Scholar、OpenAlex）提供支持，这比 2021 年停止更新的原始 Microsoft Academic Graph 数据有了大幅提升。不过，其覆盖范围仍然严重偏向科学、工程和医学领域。人文学科、非英语文献、书籍和会议论文集的收录量依然不足。

“ResearchRabbit 是一款很酷的 Web 应用，对医学研究生特别有用。” - Karthik Balachandrand，内分泌学家，ResearchRabbit 评论

“它让我彻底结束了在环境研究领域的艰难搜寻。” - Mu Yang 博士，行为神经科学家，ResearchRabbit 评论（在将 80 多篇标记论文整理成不同的研究集群后）

ResearchRabbit 与 Connected Papers 和 Litmaps 的定位对比

这三款工具是基于引文进行文献映射的主要选择，它们在机制上的显著差异足以影响哪一款更适合你的工作流。

Connected Papers 通过 Semantic Scholar 使用书目耦合和共被引分析。它的图表是无序且空间化的：论文根据它们被共同引用的频率进行聚类，即使它们之间没有直接的引文链接。其硬性限制是单篇论文的输入限制。你不能提供三篇已知论文作为起点，这使得它不适合那些已经拥有工作参考书目并需要从中扩展的研究人员。它还缺乏 Zotero 集成，并且自 2022 年左右以来没有进行过重大更新。它的优势在于速度：单篇论文的可视化快照在几秒钟内即可加载完毕，而且界面是三者中最简单的。

Litmaps 是 ResearchRabbit 的母公司，也是功能更完整的产品。它在引文网络之外，还使用了基于 SPECTER 的密集嵌入语义搜索，生成带有完全可自定义坐标轴的有序时间轴式图表，并包含一个“Monitor”功能，可自动发送关于与你的文献集匹配的新发表论文的每周电子邮件警报。Litmaps 接受 BibTeX、RIS 和 PubMed 文件上传，其过滤器套件（期刊分区、H 指数、撤稿标记、开放获取）是三者中最细致的。它还允许进行合著搜索。代价是学习曲线更陡峭，且高级功能的付费墙更为严格。

合并后的 ResearchRabbit 占据了中间位置。它运行在 Litmaps 的基础设施上，但保持了更简单的入门门槛。其迭代式的“兔子洞（rabbit hole）”用户体验（每次搜索都会创建一个你可以返回的分支检查点）是其最独特的设计理念，这在两个竞争对手中都不存在类似的形式。免费版的种子限制（50 篇论文）比任何一个竞争对手免费提供的都要慷慨。你可以把它看作是通往 Litmaps 在专家级别提供的相同底层发现图谱的更友好的入口。

ResearchRabbit 内部的发现机制是如何运作的

开始一个会话意味着向该工具输入一到五十篇你已经了解的论文作为种子。你可以粘贴 DOI、按标题搜索，或者直接从 Zotero 文件夹导入。一旦你的种子加载完毕，该工具就会生成一个引文图表，以及按连接强度排序的推荐论文列表。

六种发现模式服务于不同的研究目标。“Earlier Work”追踪种子论文的学术渊源，有助于构建理论谱系。“Later Work”查找引用了你的种子论文的文献，揭示该研究自发表以来是如何被应用或受到挑战的。“Similar Work”利用语义嵌入层来查找摘要相似的论文，即使它们之间没有直接的引文链接。“Authors”生成该领域研究人员的网络，让你能够识别最活跃的贡献者并跟踪他们完整的出版历史。

可配置的引文图表将每篇论文绘制为一个节点，节点大小由引用次数决定。你可以设置 X 轴和 Y 轴代表的内容：出版年份、引用次数或参考文献数量。在年份与引用次数图表的右上角的论文是近期发表且被大量引用的。将鼠标悬停在节点上会显示摘要和关键元数据。点击它则会扩展到该论文自身的引文邻域。

Zotero 同步是双向的：将现有的 Zotero 文件夹作为种子导入，或者将 ResearchRabbit 中的任何论文直接推送到 Zotero 文献集中。这是所评测的三款工具中最无缝的文献管理软件集成，而且完全免费。

研究人员不断提出的痛点

最深层的结构性抱怨是该产品名称无意中描述的“兔子洞”问题。因为图表中的每个节点都是一个可点击的扩展点，如果没有一个紧密的研究问题，会话可能会蔓延数小时而无法生成可用的参考书目。Rachael Griffiths 在 2025 年 3 月的《The Digital Orientalist》中警告说，“你很容易花上几天时间把玩它的所有功能，却忘记了自己在做什么以及为什么这么做”，并建议只有在“有明确焦点时”才使用该工具。

2025 年的界面大修造成了第二类痛点：学习曲线带来的用户流失。围绕原始 Network Graph 视图建立系统工作流的用户在 2025 年 10 月 30 日之后不得不完全重新学习该工具。研究人员论坛的社区帖子指出“更新后的 Research Rabbit AI 糟透了”，长期的免费用户觉得付费层的到来打破了“永久免费”定位所建立的信任。新版本中协作注释功能的移除也影响了使用它进行共享参考书目工作的研究团队。

对于某些领域来说，数据库的空白仍然是一个现实的限制。像所有基于 Semantic Scholar 的工具一样，ResearchRabbit 在人文学科、非英语出版物、书籍和会议论文集方面的收录量不足。专业领域的研究人员发现了元数据错误，在小众出版物的引文中，期刊名称取代了文章标题。推荐算法的不透明性加剧了这一问题：没有解释为什么会出现特定的论文或为什么存在空白，这使得人们很难判断缺失的论文是反映了该领域真实的文献稀缺，还是引擎的盲区。

最后，ResearchRabbit 并不能帮助你阅读或综合它找到的论文。它是一个发现和映射工具。需要 AI 辅助阅读、引文提取或文献综合的用户需要同时使用其他工具（如 Elicit、Consensus、SciSpace）。

ResearchRabbit 适合哪些人

ResearchRabbit 最适合在 STEM 领域进行学位论文文献综述的研究生。零成本、Zotero 集成和迭代式引文链的结合，涵盖了核心的系统综述工作流，而无需预算审批或机构访问权限。一个典型的会话是：以 3-5 篇基础论文为种子，追踪“Earlier Work”以构建理论谱系，使用“Later Work”来发现近期的应用，然后将生成的文献集导出到 Zotero。

进行术前文献检查的医学和临床研究人员、绘制研究空白的基金申请撰写者，以及进入新子学科的教职员工，都描述了类似的工作流。作者网络视图对于识别某个领域内的活跃研究人员特别有用，这在评估一个领域是已经饱和还是正在兴起时非常重要。

如果你的研究主要集中在人文学科、社会科学，或者严重依赖书籍和非英语来源，请跳过 ResearchRabbit。Semantic Scholar 的覆盖空白是真实存在的，会导致大量文献无法被映射。当你需要 AI 生成的摘要、答案综合或针对语料库的问答时，也请跳过它。像 Elicit 或 Consensus 这样的工具更适合处理这些用例。对于严重依赖预印本的领域（如机器学习、物理学），由于其对 arXiv 的覆盖不一致，也请跳过它：引文图表将遗漏很大一部分活跃文献。

对于机构研究人员，Institution 层级增加了 LibKey 集成，可显示论文的开放获取和图书馆可访问版本。这消除了在探索过程中遇到付费墙的阻碍。对于个人使用而言，免费版的功能已经非常完整。