今天我花了一整天的时间，专门在更新文章的 in-text citation 和 reference entry。那种工作大家应该都懂：一边对照正文，一边核对文末文献，生怕有一个年份、一个作者名或者一页页码对不上。因为昨天为了省点力气，我心想既然现在有 ChatGPT 这么方便，不如让它帮我做一些机械性的工作，比如帮我按字母排序、统一格式、清除多余没有用到的引用，看起来是很适合 AI 做的事情。但结果并没有像我想象中那么美好或者说更糟糕。

我让 ChatGPT 帮我把参考文献排序、整理一下格式，再顺便删除那些正文里已经不再引用的条目。表面上看，它做得非常“利索”：格式统一了，顺序也排得整整齐齐，乍一看还挺专业。但当我仔细往下核对时，才发现问题非常严重——它不仅帮我整理，还非常“热心”地帮我改引用。比如，它会把它自己学习到的一些（其实是错误的或不存在的）DOI 塞进我的参考文献条目里；有些地方，它会用它数据库里记得的别的文章标题或作者或者期刊出版社来替换我本来引用的文献；有的看起来像是同一个作者的不同作品，它干脆给我张冠李戴，题目和期刊对不上，信息已经完全变成了另一个文献。

这些错误非常隐蔽，因为在格式上看起来相当漂亮，乍看之下毫无违和感。如果不是我耐着性子一条条回头核对原始文献，根本发现不了。结果就是：非但没省时间，反而被迫多做了一轮全部的人工纠错，浪费了大量精力。那种感觉就像你请了一个热情过头但完全不靠谱的实习生来帮忙，最后你不但要重干一遍，还要先把他“帮你改坏”的东西全部拆掉。

这次经历之后，我得到一个非常明确的结论：最后的 bibliography 或者 reference 的编排，还是要靠自己手工完成。AI 可以辅助检查格式、提示不一致之处，但真正关乎“正确与否”的部分，不能交给它。尤其是它很容易自信地给出“看起来对”的信息，而实际上 DOI 是错的、期刊名对不上、年份不准确、卷期页码乱配，这种“看似专业的错误”在学术写作里，比明显的空白还要危险。

对于采用芝加哥格式（尤其是 Notes and Bibliography 这种注解体）的文章来说，这个问题就更加突出。芝加哥格式的注脚要求具体到页数，一个注释里包含的信息量非常大：作者、书名或文章名、出版信息、乃至具体引用的页码，而文末的参考书目又是另一套写法。AI 在这种情况下常常会“发挥创意”，要么给你编一个页码，要么把书名、篇名、出版地和年份从别的版本里胡乱抓过来，稍不留神就变成一场灾难。可是偏偏，外观上它又是规规矩矩的芝加哥格式，这更增加了它的迷惑性。

让我更加在意的是，我自己的“审稿经验”告诉我：有些作者在引用上其实是相当马虎的。原因也不难理解，因为在现实的审稿流程中，一般的 reviewer 很少会逐条去验证你的引用是否真的对应了你声称的那篇文章、那个观点、或那一页。大部分审稿人主要是看论证是否成立、贡献是否足够、结构是否清晰，很少有人有时间、有耐心去把你的每一条参考文献都拿出来查一遍。

但认真一点的编辑是会查的。我自己在做审稿的时候，有时候也会出于好奇或怀疑，去核对作者的引用。结果发现，有些作者的引用简直就是“敷衍了事”四个字的活体演示：明明正文里引用的是关于某个理论核心概念的论述，但文末给出的文献完全对不上，要么是同一作者的无关文章，要么是只跟主题沾点边的泛泛之谈。还有的干脆引用错书、错期刊，甚至连作者名都不完全对。整体给人的感觉就是“牛头不对马嘴”，引用纯粹是为了把参考文献列表填得好看，而不是为了真正支撑论证。

这些经历让我更加确信一件事：引用必须正确，这是底线。引用不是文章的装饰品，更不是“凑数”的栏目，它关乎学术诚信，也关乎读者有没有可能顺利地追踪到你所依托的研究脉络。当你把一篇文章的观点引为依据时，你就背负了一个责任——至少要确保你真的读过，并且引用的位置和内容是对应的。如果连文献都张冠李戴，整篇文章再怎么铺陈、再怎么讲大道理，专业性都会大打折扣。

AI 在这里能做什么？基于这次经历，我现在对它的定位是：可以让它帮忙做“格式工人”，不能让它做“真相提供者”。让它帮你把 author–date 的括号格式统一成一致、把参考文献列表按字母顺序排好、把斜体和引号用法整齐一下，这些都可以考虑交给它，但同时必须严格指令给它不要改一个字。但涉及作者、标题、期刊名、卷期号、出版地、出版年、页码、DOI 等具体内容时，必须有清醒的意识。只要它不是在读取你提供的、已经准确无误的原始数据，而是依靠自身训练记忆去“补全”，那就一定要保持警惕。

写到这里，我对这次事件反而有点感激。它提醒我：在学术写作里，有些事情是没有捷径的。你可以让工具协助你，但不能把判断权完全交出去。特别是在引用这种高度“细节导向”的环节，最后那一关，一定要亲自把守。哪怕再累、再烦，逐条对照、逐条核对，远比事后被编辑、评审或者读者指出“引用牛头不对马嘴”要好得多。

所以，如果要用一句话来总结这次经历，那就是：AI 可以帮你排队伍，但站在队伍里的每一个名字，还是得你自己负责。