文献调研里的六个静默陷阱 —— 它们的共同点是都不报错

发表于 分类于 本文字数： 5.9k 阅读时长 ≈ 20
六个在文献调研里真实踩中过的陷阱：curl 返回 200 且退出码 0 但文件被截断、凭印象构造的 DOI 指向一篇真实但无关的论文、相邻编号能解析、raw 域名永远不能列目录、两个 API 对「不存在」都返回 200、LaTeXML 把每个数字藏进 math alttext。它们的共同点不是答错，而是安静地答对——所以只能用判据挡，不能用报错挡。
作者 · kailfrong

写作日期 ：2026-10-18
面向读者 ：做过或者即将做文献调研的人——学生、写综述的、做技术选型的、要往文档里写引用的
核心问题 ：调研里的假绿长什么样，为什么六个最贵的陷阱一个都不报错 ，以及每个陷阱的判据是什么
行文约定 ：中文为主；第一次出现的英文术语给全称；命令与 URL 逐字给出，不做改写

引子：失败的请求会逼你去换源站，成功的请求不会

做文献调研的人都会同意一件事：查不到就换个源站再查一次。 这条纪律几乎人人有。

但它有一个隐含前提，而那个前提不成立：它假设「查到了」和「查不到」是可区分的。

真实情况是：有一大类请求会「成功返回」一个不是你要的东西。 它们不超时、不报错、状态码漂亮、正文还有内容。而失败会逼你换源站，成功不会——它让你继续往下走。

所以这一类错误只能靠「反向演练」抓出来 ：凡是要写进文档的可达性判断，必须同时试一次已知该失败的请求 ，确认这个方法真的有区分力。一个从来没失败过的检查方法，和一个不存在的检查方法，在结果上长得一模一样。

下面六个陷阱是这一轮调研里真实踩中的。每一个都给出三样东西：它长什么样（实测证据）、它为什么骗得过人、怎么防。 而它们的共同形状写在最后半篇——那一节比六个陷阱本身更值钱 。

1. 陷阱一：curl 的退出码 0 与 HTTP 200 都不能证明下载完整

它长什么样

1
HTTP=200  SIZE=860702  [exited with code 0]

三条全绿，文件是断的。 那个文件连 xref 表都没有，在半路就被切掉了。

为什么骗得过人

因为「退出码」和「状态码」回答的根本不是「文件完整吗」这个问题 。它们回答的是「连接建立了吗」「传输过程有没有报错」。一个被中途掐断的连接，如果掐断发生在服务器已经发完 Content-Length 声明的那一段之后，客户端完全可以什么都没察觉。

而这一类最阴的地方在于：上一轮的关注点全在 exit 28（超时）上。 于是「exit 0」这一整类被完整地漏过去了——它长得像成功，于是没人去看。

更贵的第二层：拿 file 命令验完整性，必然假绿。

file 命令对每一个截断件都照样报 PDF document, version 1.5。它只看文件头部的魔数，而截断件的头部是完好的。 所以「我用 file 验过了」这句话，在完整性这件事上是零证据。

判据与防法

唯一可靠的判据是查文件尾部有没有 %%EOF，外加尾部 xref 偏移是否落在文件内。

第二项是为了防「尾部有 %%EOF 但中间缺段」——只查尾标记会被另一种截断骗过去。

而且这个校验器必须先证明它能红 ：

1
2
3
4
对完整原件          -> 绿
对 head -c 2000    的截断件 -> 红
对 head -c 50000   的截断件 -> 红
对 head -c 150000  的截断件 -> 红

四个跑完，判据才成立。 只跑第一个（绿）然后拿去用，等于没测。

2. 陷阱二：凭印象构造的 DOI 会返回 200，而且指向一本真实存在但完全无关的论文

它长什么样

这一轮实测：多个凭印象构造的 DOI 返回 HTTP 200，而且指向真实存在、但与你要找的东西完全无关的论文。

而格式错误的假 DOI 反而返回 404。

为什么骗得过人

因为这两件事的方向是反的，而人的直觉假定它们同向：

你构造的东西 返回 你的直觉会怎么说
一个格式错误的 DOI 404 「它不存在」——对的
一个格式正确、但登记在别人名下的 DOI 200 「它存在，所以它是真的」

关键在于 DOI 的解析逻辑：它是一个全局注册表里的键。 只要这个键的格式合法，注册表就会去返回它指向的那一条记录——而那条记录是别人的，跟你毫无关系。 返回 200 说的是「这个键存在」，不是「这个键是你要的」。

这就是「404 会给人虚假的确信」的全部机制 ：404 真的对应「不存在」，而 200 常常对应「存在，但不是你找的那个」。一个可靠的信号被用来证明一件不可靠的事。

判据与防法

必须打印标题人工核对。

具体做法是：凡是要写进文档的文献元数据，DOI 校验必须附标题。 拿到 200 之后，把注册表返回的标题打出来，和你要引的那篇逐字比。

而这条纪律的适用范围要比「引用」更宽——它适用于任何你从注册表拿元数据的场合，包括作者名、期刊名、年份、卷期页。

3. 陷阱三：相邻编号能解析，不构成「这个编号存在」的证据

它长什么样

实测：2603.08498 返回 200 ，而且它是一篇真实存在的、跟目标完全不同的论文 。

而真实的目标是 2603.08497。

打错一位不会 404。 它会给你一篇无关的真论文 。

为什么骗得过人

这是陷阱二的近亲，但触发方式完全不同 ：陷阱二是「你编了一个键」，陷阱三是「你把一个正确的键抄错了一位」。

它的危险在于结果更有说服力——因为一篇真实存在的论文，比一个 404 更像「找到了」。而编号相邻这件事，恰好意味着它在同一批文献里 ，读起来更像是「找错了同一批里的另一篇」，而不是「完全找错了地方」。

判据与防法

「这个编号解析成功」和「这个编号是我要的那个」是两件事。判据是后一个。

具体到操作：每一次都打印出标题，逐字核。 这和陷阱二的防法是同一条，因为它们本来就是同一个病 ：注册表返回的是「键 → 值」，而你需要的判据是「值 → 是我要的值」。

顺带一条同族的 ：搜索式失配也会制造同样的假阴性——比如对带连字符的词，搜索接口会拆词，返回一大片无关结果。所以「搜不到」同样不是「没有」，而这属于引子里那条纪律的另一半 ：报「不存在」之前，先换一个能用的源站再试一次。

4. 陷阱四：raw.githubusercontent.com 永远不能列目录

它长什么样

1
2
raw.githubusercontent.com/<owner>/<repo>/<branch>/APL     ->  404
github.com/<owner>/<repo>/tree/<branch>/APL              ->  200，五个子目录全列出来

为什么骗得过人

因为这个 404 是查询方式造成的假阴性。 原因很朴素：按规范，raw.githubusercontent.com 只服务文件，从不对目录返回内容。 你向一个只能取文件的地址要了一个目录，它当然给你 404。

而它的后果已经真实发生过一次：一条「仓内没有 X 目录」的结论流传了相当一段时间——而那个目录真实存在，内容也实实在在拿到了。 里面是五个子目录，每份五种语言的许可文本。

判据与防法

列目录用 API 或 HTML 树页，取文件才用 raw。

而这条纪律的真正价值在操作层面：它把「404」从一个结论降级成了一个待复查的信号。

具体说：遇到 404，先问「这个地址是被允许返回目录的吗」。 如果不是，那这个 404 说的不是「不存在」，而是「你问错了地方」。

同族的一条 ：用同一个地址探「仓存不存在」是有区分力的，用「分支名写错了」去探也会返回 404——所以同一个 404 至少有两种成因，而只有「换一种取法再问一次」能把它们分开 。这也是为什么「换一种取法再问一次」必须写进流程，而不是靠临场判断。

5. 陷阱五：PubMed 与 arXiv 的接口，对「不存在」都返回 200

它长什么样

两条路，两种形状，但同一个病：

接口 请求 返回
PubMed efetch 一个不存在的 PMID HTTP 200 ，而 body 里只有 1.
arXiv API 一个不存在的编号 HTTP 200 ，而 <entry> 数量为 0

为什么骗得过人

这是一个纯粹的「状态码和查询对象不同层」的问题。 HTTP 200 说的是这次 HTTP 交互成功了 ，而你要问的是数据库里有没有这一条 。这两件事在 REST 风格的接口上是正交的——「查询成功，结果为空」是完全正常、也应该返回 200 的一种情况。

而两个接口都犯这个毛病，所以它不是某一个站点的怪癖，是这一类接口的通用设计。

判据与防法

判据是「查 body」，不是「查状态码」。

具体做法：

  • PubMed 那条：body 只返回一条序号而没有记录，就是没有。要数记录条数，不是看 HTTP 码。
  • arXiv 那条：数 <entry> 的个数 ，零个就是没有。

而「数出来是 0」必须让程序停下来 ，不能让它继续走到「用这批空结果去生成一份报告」那一步。空结果和失败在下游是完全一样的东西——最危险的形状是「它返回了空，然后我按它成功的路径继续走了」。

顺带记一笔正面发现 ：同一条 PubMed 通道也是一条取摘要的路 ，而且是上一轮完全没试过的。也就是说——一个接口的「假绿」形状，和它作为数据源的可用性，是两件独立的事 ，别因为第一条把整条路否掉。

6. 陷阱六：读 arXiv 的 HTML 全文时，每一个数字都藏在属性里

它长什么样

LaTeXML 会把论文里的每一个数字都塞进 <math alttext="…"> 这样的属性里。

普通的 HTML 转文本工具会直接把 <math> 标签剥掉 ，于是产出这样一句话：

1
under OpenAI CLIP ( vs ) or OpenCLIP ( vs )

整篇论文读起来像「这篇没有统计数据」。

为什么骗得过人

这是六个陷阱里最危险的一个，因为它同时满足三个「看起来正常」的静态特征 ：

特征 状态
有没有异常 / 报错 没有
输出是不是空的 不是
句子读起来通不通顺 通顺

三个全中，意味着你没有任何一个自动信号会告诉你出错了。 而缺掉数字这件事，恰恰是引用时最容易致命的——你会拿一个自信的错数字写进文档。

判据与防法

抽取时必须先把 alttext 内联回去 ，再转文本。

而且抽取之后必查一遍 ：

凡是要引用的数字，在抽取文本里检索一次，确认它真的在。

而这一条要配一条更普适的排查顺序：

若某篇论文「看起来没有统计结果」，先怀疑抽取器，再怀疑论文。

「这篇论文没做实验」是一个极容易被接受的结论 ，因为它不痛；而「我的工具把实验结果吃掉了」是一个你必须主动去查才会发现的事实。两者的代价完全不对称：前者会让你少引用一篇论文，后者会让你在文档里写下一个编出来的数字。

7. 六个陷阱的判据对照

上面六节每一节都给了判据，这里汇总成一张表——这张表才是可以直接贴进工作流的东西 ：

# 陷阱 它长什么样 唯一可靠的判据
1 下载被截断 HTTP 200 + 退出码 0 + 文件里没有 xref 查尾部有没有 %%EOF，外加尾部 xref 偏移是否落在文件内
2 凭印象构造的 DOI 返回 200，指向一本真实但无关的论文；而格式错误的假 DOI 反而 404 打印标题人工核对
3 编号打错一位 相邻编号返回 200，是另一篇真论文 打印标题逐字核
4 用 raw 列目录 对目录取 raw 返回 404，而目录真实存在 列目录走 API 或 HTML 树页，取文件才走 raw
5 接口对「不存在」返回 200 PubMed body 里只有一条序号；arXiv 的 entry 数为 0 查 body / 数记录条数
6 数字被藏进属性 产出「( vs )」这种句子，整篇像没有统计 先把 alttext 内联回去；引用前检索一次那个数字

而把六条压成一句，是：

这六个判据有一个共同形态——它们都在问「那件事发生了吗」，而不是问「它长那样吗」。

文件有魔数 ≠ 文件完整（陷阱 1）；DOI 能解析 ≠ DOI 是你要的（陷阱 2、3）；地址返回 404 ≠ 东西不存在（陷阱 4）；HTTP 200 ≠ 记录存在（陷阱 5）；句子通顺 ≠ 数字在（陷阱 6）。

而另一面也成立，而且更重要：这些判据全部无法自动判定「这次判据本身对不对」。 所以上面每一条都配了一个必须先能红的演练——陷阱 1 那条尤其关键，同一个校验器对完整原件绿、对三个截断件红 ，这四行跑完才叫验证。

8. 比六个陷阱更值钱的一节：预选清单的盲区

前面六个是「工具层面」的假绿。这一节是「方法层面」的，而且它更难发现，因为它藏在一次看起来非常成功的验收里。

8.1 一次 16/16 的验收

这一轮做过一次验收。做法看起来很扎实：预先选出 16 条承重断言 ，交给另一个 agent 逐条核。

结果：16 条全部正确。

而同一轮里，它在清单之外又找出了 3 条错。

8.2 为什么「16/16 全对」不是一个好消息

因为预选的那 16 条，恰好是「最容易全对」的那一批。

原因是筛选偏差，而且它藏在很自然的一个动作里：那 16 条是我自己从材料里挑出来的——而我在挑它们之前，刚刚读过那份材料。凡是已经被复述过一遍的东西，错的部分在第一次复述时就被筛掉了。

于是「核这 16 条」这个动作的真实效果是：把已经有人念过的东西，再念一遍。

内容 出错概率
预选清单 承重断言、背景数字、已经被上一轮复述过一遍的那些 低
清单之外 没人复述过的背景数字与旁注 高

8.3 最危险的那一条错，长这样

精确、笃定、排版与周围那些已经核过的数字一模一样——却不出现在该文件的证据表里。

为什么这是最危险的形态： 一个带着警示标记、写在「已核实」段里、格式规整的数字，读起来比谁都可信 。而审阅者的注意力会被「它周围那些都核过了」这句话牵走——你不会去查一个看起来属于同一个已核实区块的数字。

而它之所以不出现在证据表里，恰恰是因为它没有证据。 有证据的东西会被记进表里。

8.4 一张图

graph TD A["一份调研材料"] --> B["已经被上一轮复述过的部分"] A --> C["没人复述过的部分"] B --> D["承重断言与背景数字<br/>错的在第一次复述时就被筛掉"] C --> E["背景数字与旁注<br/>真正的错住在这里"] D --> F["预选的 16 条核验清单<br/>天然带着已被念过的筛选偏差"] E --> G["清单之外"] F --> H["结果 16 条全对<br/>看起来很干净"] G --> I["清单之外又找出 3 条错<br/>这才是验收的价值"] H --> J["零推翻看起来像方法没张开"] style C fill:#f8d7da,stroke:#dc3545 style E fill:#f8d7da,stroke:#dc3545 style I fill:#d4edda,stroke:#28a745 style J fill:#fff3cd,stroke:#ffc107

图里最要紧的是从 H 指向 J 那条 ：「零推翻」不是一个好结果，它是一个信号——它通常意味着方法没有张开，而不是材料没有问题。

8.5 判据与防法

派验收活的时候，验收判据那一栏必须加一句：「清单之外你自己找，尤其是没人复述过的那些数字与断言」。

而且要把两栏分开问，不许合成一栏：

必须单独问 为什么
「你推翻了清单里的任何一条吗？」 检验清单本身
「你在清单之外找到错了吗？ 」 这才是验收真正的产出

合成一栏之后，「零推翻」看起来像一份干净的报告，而实际上它同时掩盖了「清单外也没找到」和「根本没去找」这两种情况。 而这两种情况的区别很大。

再配一条更便宜的 ：

凡是拿一份清单去数「我引了几项工作」的时候，数之前先按标识符去重。

因为「同一件工作被列成两条」是最容易被漏掉的一类错——它不会让任何一条断言变假，只会让「有几项工作」这个数字虚高 。而按条目核对时看不出错，按工作核对才看得出 。

9. 这一轮我们自己编出来的三个引用

8.5 那条纪律不是理论。这一轮我们自己编错过，而且三个错是同型的。

编的 实情
DOG（2025） 判定为编造，查不到。 八类源全试过：精确标题检索命中 9,272 条 ，全是犬类研究、无一相关；arXiv 按标题检索 40 条 ，全是狗；反向排查两篇相关论文的全文，相关词零命中 。而它描述的那个失败模式在领域内是真的——错的是那句「某某论文诊断过」，不是那个现象本身。⇒ 那个判断现在没有任何可引用的出处。
MX-Font 的 LSD（Local Style Deviation） 这个短语在两篇 MX-Font 原文里都不存在（LSD 与 deviation 各出现 0 次），官方 README 里也零命中。它真正的术语是「multiple localized experts / local concepts」 ，而 local style deviation 这个说法更接近另一篇论文的标题。它危险的地方在于：那个词组本身完全合理 ，而且听起来像是那篇论文里会有的缩写。
MixedSID arXiv 全文检索 0 条，OpenAlex 计数 0 ，而在一篇全文里检索它是 0。它是我这一轮亲自写进派活提示词的 ，当成「把标签拆成多个子类别提升多样性」的通用先例推荐了出去。这是第二次由我编造一个工作名（第一次是一个物理模型名和一篇会议论文），而两次的危险性完全同型：它听起来太合理了。

第三条那个名字为什么合理，值得单说一遍：

「Mixed SID」= 把 SID 标签混合——而它恰好就是我想要论证的那件事 。所以它不是随手编的：它是我「我认为文献里应该有什么」的一个投影，被我写成了一个看起来像引用的字符串。

⇒ 所以这条纪律的正确措辞不是「要克制」，而是「要当成默认会犯」。

「凭印象补全」不是偶发失误，它是这个工作模式下会稳定发生的默认行为。

而它的触发条件是可以写下来的：当你在写一句话的时候，同时在心里补全一个「应该存在」的引用。

而对应的防法就是本文全部内容的那一条 ：每一条要写进文档的标识符（DOI / 编号 / URL / 名字），都必须有一次能红的核验；而核验的输出必须包含它自己的标题或原文，而不只是「存在」。

结语：假绿不会自己举手，而判据会

这六个陷阱和一个盲区有一个共同的机制：它们全都不产生错误信号。 没有报错、没有空值、没有异常退出码——所以任何「跑一遍没报错」的检查方式，在它们面前都恒为绿。

而唯一的替代品是判据，而且判据有一个共同形状：它问的是「那件事发生了吗」，不是「它长那样吗」。 文件有魔数不是完整性，DOI 能解析不是它是你的，地址返回 404 不是东西不存在，HTTP 200 不是记录存在，句子通顺不是数字在。

而第 8 节那一节是这个清单里最贵的一条 ：当一份验收「全部通过」的时候，最该被怀疑的不是材料，而是这份验收的方法有没有张开。 16 条全对不说明材料干净，它说明那 16 条恰好是最容易全对的那批——而真正的错，住在没人念过的地方。

说到底，这六个陷阱和一个盲区都是同一句话的变体：一个没有失败过的检查方法，和一个不存在的检查方法，在结果上长得一模一样。 而区别它们唯一的办法，是制造一次它应该失败的输入 。

附录：参考资源

规范入口与接口

资源 地址 说明
arXiv 摘要页 arxiv.org/abs/ 首选入口
arXiv HTML 全文 arxiv.org/html/ 抽取时先把 <math alttext> 内联回去
arXiv API export.arxiv.org/api/query?id_list=<id> https 版可用；对不存在的号返回 200 + entry 数 0
PubMed efetch eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=pubmed&id=<pmid>&rettype=abstract 对不存在的 PMID 返回 200 + 空记录
GitHub API 列目录 api.github.com/repos/<owner>/<repo>/contents/<path> 未认证 60 次/小时；限流时也返回 200，正文是 {"message":"API rate limit exceeded"}
GitHub HTML 树页 github.com/<owner>/<repo>/tree/<branch>/<path> 列目录走它，不要用 raw
取文件 raw.githubusercontent.com/<owner>/<repo>/<branch>/<file> 它永远不能列目录
DOI 元数据 api.crossref.org/works/<doi> 必须同时打印标题核对

演练清单

每个校验器在拿去用之前，先跑这三条：

  1. 注入一次它应该失败的输入 —— 确认它真的能红；
  2. 压一次它的超时 —— 确认超时和「还在跑」长得不一样，且超时后输出被明确标注成「部分结果，不是结论」；
  3. 跑一次正常路径 —— 确认它一次都不触发。

而这三条里，最容易被跳过的是第一条 ，因为校验器「平时是绿的」和「校验器有效」在结果上完全一样。