随着学术文献数量的不断增加，高质量的学术综述成为研究者快速了解新领域、理清研究脉络和掌握最新进展的重要工具。然而，撰写一篇优秀的综述却是一项艰巨的任务，需要大量的文献阅读、领域动态跟踪和专家的时间投入。随着大型模型的出现，这一过程开始有了新的可能性。近年来，深度研究和自动综述生成系统已经能够进行论文检索、资料整理和长文本生成，甚至能快速产出数万字的研究报告。然而，真正达到高质量学术综述的标准则面临更复杂的挑战，例如如何组织论文、划分分类法、各篇论文应归入哪些章节，以及每一论点需要哪些引用支持等等。这些问题并不能仅通过增加文本长度或引用数量来解决。目前，大多数深度研究和自动综述系统仍主要围绕“检索-分析-写作”展开，其最终结果通常接近研究报告而非结构完整、组织严密的学术综述。

为了解决这些问题，浙江大学和上海交通大学的研究团队提出了深度学术综述构造系统（DAS），旨在让人工智能在一小时内自动生成一篇适合发表的学术综述。不同于传统的“检索-写作”流程，DAS采用了状态感知框架，将整个过程重新定义为状态感知闭环手稿构建。在DAS-Bench的30个综述主题上，DAS在引用、分类法、论述和手稿可靠性四个核心维度的平均得分达到了4.34，而完整参与30个主题的最强基线为4.03。在专家匿名评测中，DAS在27个主题上优于Naive RAG，且在19个共享计算机科学主题上优于AutoSurvey。目前，项目网站已开放了220篇热门方向的DAS自动生成综述，完整结果和不同方法的对比可在线查阅。

在面临近200万篇论文时，DAS首先解决的是“理解”，而非“写作”。DAS的后续检索、组织和写作都是基于一个文献基础设施——DAS-2M文献元数据湖。团队对自2020年1月以来的近200万篇arXiv论文进行了全文解析，并利用大型语言模型提取出面向综述写作的结构化元数据，其中包括方法、数据集、实验结果、创新点及局限性等信息。DAS-2M已经完整开源至Hugging Face。与仅依赖标题和摘要相比，这种方法相当于对大规模论文进行了更细致的预理解：每篇论文只需解析一次，即可在不同的综述主题中重复使用。同时，DAS-2M也是一个持续更新的文献元数据湖，新的arXiv论文发布后，系统会通过相同的解析与元数据提取流程不断更新文献，使DAS在生成新的综述时能够保持对领域进展的跟进。 球友会

在此基础上，DAS建立了词汇和语义索引。用户输入主题后，系统首先从DAS-2M中检索出候选文献，再基于这些候选论文构建候选基础分类法，并通过反向论文到章节的路由判断每篇论文应支持的章节。这样，DAS后续的分类法、论文分配、段落规划和引用规划，不再基于零散的检索结果，而是共享同一套可复用的文献表。