需先用kimi联网检索近五年“大语言模型提示工程优化方法”文献，结构化输出12条含标题、作者、来源等七字段结果；剔除低质条目后建表，用kimi提取每篇关键词标签；再通过聚类、演进分析、奠基性工作溯源三法梳理逻辑主线；最后基于分类结果生成带精准出处的综述段落，并批量转为gb/t 7714参考文献格式。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要把Kimi联网搜到的论文资料快速理出逻辑主线、剔除重复内容、标注关键出处，而不是堆一堆链接和摘要在文档里发呆。
先让Kimi把搜索结果结构化输出
打开Kimi官网（https://kimi.moonshot.cn/），登录后确认右上角“联网搜索”开关已开启。
输入明确指令，例如：“请联网检索近五年关于‘大语言模型提示工程优化方法’的中英文文献，返回前12条结果，每条需包含：标题、作者、期刊/会议名称、发表年份、DOI或CNKI链接、被引量、一句话核心贡献。”
这一步必须写清楚字段要求，否则Kimi可能只给标题+链接，后续整理会多花三倍时间。
等结果返回后，不要直接复制粘贴——先检查是否有明显低质条目（如非学术平台转载、无作者信息、年份早于2020），【手动剔除3条以下低信度结果，避免污染后续分析】。
用表格锚定文献基础信息
新建一个Excel或在线表格，按Kimi输出顺序，逐条填入标题、作者、年份、来源、被引量、链接六列。
在第七列加一栏“关键词标签”，用Kimi辅助生成：选中第一行标题→提问：“请提取该文献研究对象、方法、结论三个维度的关键词，各限2个，用顿号分隔”，复制结果填入对应单元格。
这一步做完，你手上就有了可排序、可筛选、可交叉比对的原始文献骨架。
让Kimi自动聚类并识别知识断层
方法一：基于主题聚类
把表格中全部标题和关键词标签复制进Kimi对话框，提问：“请将以上文献按研究焦点分为3–4类，每类命名不超过6个字，列出每类包含的文献编号，并说明划分依据。”
通过 NVIDIA NIM API 调用 Kimi K2.5 视觉模型分析图像，非常适合为 MiniMax M2.5、GLM-5 等非视觉模型赋予视觉能力。
方法二：识别演进脉络
提问：“请按时间顺序梳理这些文献中‘提示工程优化’方法的技术演进路径，指出：①最早提出概念的文献、②首次引入自动化评估的文献、③最近提出多模态适配方案的文献，并标注对应编号。”
方法三：反向定位奠基性工作
挑出被引量最高的2篇→提问：“请分别提取这两篇文献在引言部分引用的3篇奠基性参考文献（要求是它们自己明确称为‘开创性工作’‘首次提出’或‘奠基性研究’的条目），返回GB/T 7714格式。”
注意：第三种方法必须限定“引言部分”，否则Kimi可能从全文随机抓取高被引文献，导致溯源失真。
生成带出处标记的综述段落
第一步：明确写作粒度。告诉Kimi你要写的是“300字左右的领域现状导语”，还是“800字的子方向对比分析”。粒度不清会导致输出冗余或缺失。
第二步：喂入结构指令。例如：“请基于前述聚类结果中的‘动态提示生成’类（含编号3、7、9、11），撰写一段280字左右的综述文字，要求：每句观点后紧跟括号标注（作者，年份）；涉及具体技术名称时保留原文术语；不出现‘近年来’‘大量研究’等模糊表述。”
第三步：锁定原始页码。对生成段落中任意一句，追问：“‘基于LLM自身反馈迭代优化提示’这一表述，出自编号7文献的第几页？原文如何表述？”→Kimi将定位至其解析后的文本锚点，而非笼统说“在方法部分”。
第四步：批量补全引用。把所有（作者，年份）替换为完整GB/T 7714条目，提问：“请将以下括号引用格式转换为标准参考文献条目：（Zhang et al., 2023）、（李明，2022）、（Chen & Wang, 2024）。”
