一位研究者的真实使用记录：
基金本子写到"学术影响力"一栏，才意识到自己对被引情况一无所知——
CitationClaw 在一个下午帮我补上了这块空白。
前几天，我在填写国家自然科学基金申请书的"研究基础与工作条件"一栏时，卡住了。需要写"代表性成果的学术影响力"——但我能写什么？Google Scholar 上那些冷冰冰的引用数字，我连引用我的学者是谁都说不清楚，更别提他们是哪个级别、在哪个机构、又是在什么语境下引用了我。
就在那个时候，我的同事发来一条消息，附了一个 GitHub 链接：CitationClaw。"你试试这个，能直接告诉你谁引用了你，级别高不高。" 坦率地讲，最初我将信将疑——它真的能自动分析出引用我论文的学者，并且判断那位学者是不是院士、IEEE Fellow？这听起来太理想化了。
入门体验异常顺滑。环境搭建只需要两条命令：
浏览器自动弹出，界面干净、温暖，没有任何技术门槛的压迫感。配置环节需要两样东西：一是 ScraperAPI Key（用于绕过 Google Scholar 的访问限制抓取页面），二是一个支持 OpenAI 格式的 API Key（用于驱动大语言模型搜索学者信息）。两者都在相应平台注册后即可获得，整个配置页面每个字段都有详尽说明。
推荐使用 Python 3.12。如果本机 Python 版本较旧，建议先通过 pyenv 或官网安装包升级，避免依赖安装报错。
这个工具几乎不需要什么技术基础——作为一个每天和论文打交道、但对技术栈并不热情的研究者，一两条终端命令就能启动，这一点对我来说至关重要。
我选择了自己发表于 2022 年的一篇关于视觉语言预训练的论文作为第一次测试对象。那篇论文在 Google Scholar 上显示有 68 次引用，数量不多不少，正适合感受完整流程。
下面是界面的模拟还原，展示了我在首页看到的核心交互流程：
输入论文题目后，点击「开始分析」，系统立即进入 Phase 1（抓取引用列表）。我可以看到进度条缓慢推进——每隔约10秒翻一页（这个间隔是为了降低被封的风险），直到68篇引用全部抓取完毕。
接下来是我最着迷的环节：实时日志窗口。这个深色终端风格的面板会实时滚动，展示 AI 正在做什么。我第一次看到它工作的样子时，几乎停下了手边的事情，就那么盯着屏幕看：
[Phase 1] ✓ 抓取完成，共获得 68 篇引用论文
─────────────────────────────────────────
[Phase 2] 开始搜索作者学术信息...
[1/68] → 搜索论文: "Unified Vision-Language Pre-Training..."
🔍 查询: "Wei Li" "Tsinghua University" author profile citations
✓ 作者: Wei Li, Yujia Wang, Hong Liu (+3)
✓ 单位: Tsinghua University, Institute of Computing Technology CAS
[2/68] → 搜索论文: "CLIP-Adapter: Better Vision-Language..."
🔍 查询: "Peng Gao" author profile institution citations title
★ 重要发现: Peng Gao — 引用量: 12,400+
[7/68] → 搜索论文: "Scaling Language-Image Pre-training..."
🔍 查询: "Jia Deng" Princeton University IEEE Fellow title
★★ 高影响力学者: Jia Deng — IEEE Fellow (2023), Princeton University
[12/68] ⚠ 跳过（缓存命中）: "Xiaolong Wang" — 已有数据，节省 token
[18/68] → 搜索论文: "BLIP: Bootstrapping Language-Image..."
🔍 查询: "Junnan Li" Salesforce Research AI scholar award
✓ 头衔识别: Outstanding Reviewer NeurIPS 2022, 引用量 18,000+
[23/68] ★★★ 院士发现: 张 某某 — 中国科学院院士 (信息技术科学部)
单位: 中国科学院计算技术研究所
...
[Phase 2] 进度: 45/68 论文处理完毕 💰 已消耗约 $0.42 API 额度
那个 ★★★ 院士发现 的字样出现在屏幕上时，我几乎是从椅子上弹起来的。我的一篇论文，被一位中国科学院院士引用了。这件事我完全不知道——而如果没有这个工具，我可能永远不会知道。
分析 68 篇引用论文，历时约 22 分钟（全面版）。识别出 1 位中国科学院院士、2 位 IEEE Fellow、3 位引用量超过 10,000 的高影响力学者。自动过滤了 4 篇自引文献。生成了包含全部作者信息的色彩编码 Excel 文件，以及交互式 HTML 画像报告。
在实际使用中我发现，对于一个有多篇论文需要追踪的研究者来说，最繁琐的事情之一就是逐个输入论文题目。CitationClaw 提供了一个 Google Scholar 主页导入功能，只需粘贴我的 Google Scholar 主页 URL，它就会自动抓取我名下所有论文的列表，包括引用数量和发表年份，然后让我勾选需要分析的论文，一键批量添加。
这个功能让我在第一次系统性分析自己所有论文时，节省了至少15分钟的手动输入时间。更重要的是，它减少了因为论文题目输入不精确而导致的搜索失败。
我承认，每次启动分析任务之后，我都会驻足在日志窗口前看上一会儿。这个深色终端风格的面板不仅是一个进度指示器，它更像是一扇透明的窗户——让我得以看到 AI 正在如何一步步地搜索每位学者的信息。
"Thinking and Searching..." 的字样配合三个跳动的光点，让整个等待过程变得生动起来。更重要的是，当 AI 发现了一位院士或 Fellow 时，日志里会出现高亮的 ★ 标记，那种即时反馈的喜悦感是任何静态报告都无法替代的。
还有一个细节我非常欣赏：缓存命中提示。当某位作者已经在之前的分析中被搜索过，日志会显示"跳过（缓存命中）"，并提示节省了多少 token。这让我对每次分析的实际消耗有清晰的感知。
分析完成后生成的 Excel 文件是我在日常汇报和论文写作中最常用到的产出物之一。它的色彩编码系统设计得极为直观：
整张表格里，红色背景代表中国科学院或工程院院士，黄色背景代表 IEEE、ACM 或 ACL Fellow，橙色背景代表杰青、长江学者等国家级人才。普通学者则以白色背景显示，不干扰视线。打开文件的第一眼，院士的位置就那么醒目地呈现在你眼前。
| 引用论文标题 | 第一作者 | 机构 | 学术头衔 | 引用量 | 年份 | 引用描述 |
|---|---|---|---|---|---|---|
| Multimodal Foundation Models: From Specialists to General-Purpose Assistants | 张 某某 | 中国科学院计算所 | 中科院院士 | 24,100 | 2024 | 本工作提出的视觉-语言预训练框架...在大规模图文对齐方面具有重要参考价值 |
| Learning Transferable Visual Models From Natural Language Supervision | Jia Deng | Princeton University | IEEE Fellow | 18,500 | 2023 | 与 [our work] 类似，本文采用对比学习范式... |
| BLIP-2: Bootstrapping Language-Image Pre-training with Frozen LLMs | Junnan Li | Salesforce Research | 杰出研究员 | 12,800 | 2023 | 本文方法在 image captioning 任务上的表现超过了 [our work]... |
| Efficient Parameter-Efficient Fine-tuning for Vision Transformers | Wei Zhang | MIT CSAIL | 助理教授 | 1,240 | 2023 | — |
| Cross-Lingual Visual Grounding with Weakly Supervised Alignment | Yuki Tanaka | Osaka University | 副教授 | 430 | 2024 | — |
| Text-Image Contrastive Learning for Zero-Shot Recognition | Amir Hassan | Stanford University | ACM Fellow | 8,200 | 2023 | 沿用了 [our work] 中对视觉特征对齐的思路，在此基础上引入了... |
红色 = 中国科学院/工程院院士 | 黄色 = IEEE/ACM/ACL Fellow | 橙色 = 杰青/长江学者等国家人才 | 白色 = 普通学者。自引文献会被自动标注并可选择过滤。
这是我认为整个工具最有洞见的功能。知道谁引用了你固然重要，但知道他们如何引用你——他们在正文的哪个位置提到你、用什么样的语境引用你——这才是真正有价值的信息。
Phase 4（引用描述搜索）会为每篇引用论文，通过 AI 联网搜索，找到该论文中具体提到你这篇论文的段落，并原文摘录出来。在全面版中，这会对所有 68 篇引用论文进行；在省 token 版中，则只搜索院士和 Fellow 级别学者的引用描述。
我自己的使用习惯是：先用省 token 版确认重要学者的评价，然后在有必要时再用全面版扫描所有引用。毕竟全面版对于引用量较大的论文，API 消耗会相当可观。
Phase 5 生成的 HTML 画像报告是一个单文件、完全自包含的交互式网页。我可以直接把这个 HTML 文件发给合作者或导师，他们用浏览器打开就能看到完整的分析结果，不需要安装任何软件。
下面是报告主要板块的模拟预览：
报告还包括关键词云（附中文翻译）、引用情感分析（正面/中性/质疑）、引用趋势预测，以及 LLM 对全部引用描述的综合总结。每一个数据背后都有原始数据支撑，可展开查看。
CitationClaw 提供五种服务层级，乍看之下让人有些眼花缭乱，但几次使用下来，我总结出了一套自己的决策逻辑。
| 层级 | 适用场景 | Token 消耗 | 我的使用频率 |
|---|---|---|---|
| 全面版 | 重要论文、汇报前、需要完整引用描述 | 高（约 $0.8–2/百篇） | ~20% |
| 省 token 版 | 日常追踪、只关注院士/Fellow 的引用描述 | 中（约 $0.3–0.8/百篇） | ~50% |
| 更省版 | 快速初探、只需学者名单不需要引用描述 | 低（约 $0.1–0.3/百篇） | ~15% |
| 指定学者版 | 已知名单、想知道某几位大佬如何引用我 | 极低（按学者数计费） | ~10% |
| 学者查证版 | 核实某位学者是否真的引用了我、以及如何引用 | 极低 | ~5% |
这次写基金本子，需要展示几篇代表作的"学术影响力画像"，我毫不犹豫地选了全面版——宁可多花几元 API 费用，也要确保数据完整、不遗漏任何院士评价，毕竟这是要写进申请书里的。
但当我只是顺手确认"某篇论文最近有没有新引用进来"时，我会选择省 token 版，配合缓存功能，只有新出现的论文才会重新搜索，成本极低。
当我听说某位领域大牛最近发表了一篇综述，想知道他有没有引用我的论文，我会用学者查证版，直接输入他的名字，一分钟之内就能得到答案。
一个我很欣赏的设计是：所有层级都可以通过"自定义"模式进行精细调整——你可以单独开关「著名学者筛选」、「作者信息验证」、「引用描述搜索」、「画像报告生成」四个模块，以及设定引用描述搜索的范围。这给了高级用户完全的控制权。
就是前几天，为了给基金本子补充"学术影响力"的材料，我对一篇 2021 年发表的关于场景理解的自监督学习论文做了一次完整分析，那篇论文当时在 Google Scholar 上有 143 次引用。
我打开 CitationClaw，在论文题目框里输入了那篇论文的完整英文标题，同时在别名（Alias）一栏填上了它在 arXiv 预印本阶段的标题——那个稍有不同的早期版本标题有时候会在其他论文的参考文献中出现。
然后我选择了「全面版」——毕竟这次是为了基金材料，需要数据完整，按下了「开始分析」。
抓取阶段很顺利，大约15分钟后 143 篇引用全部拿下。然后 AI 开始逐篇搜索作者信息，日志窗口开始刷新。我一边喝着咖啡，一边随意地瞄着屏幕，突然——
★★★ 重要发现: Prof. [某] — 中国工程院院士
我放下了咖啡杯。一位工程院院士，在他去年发表的一篇顶会 Workshop 论文中，引用了我 2021 年的这篇作品。AI 接着在引用描述搜索阶段找到了那句话，原文大意是：该方向早期的代表性工作之一，为后续工作提供了有效的特征学习基准。
这句话，我直接原文引用进了基金申请书的"研究基础"一栏。
这次分析还有一个意外收获。在处理到第 89 篇论文时，系统识别出一篇论文的作者列表中包含了我自己——原来是我们实验室的一篇合作论文，相互引用了。CitationClaw 的自引检测功能自动标注了这条记录，并在最终的 Excel 里将其标记为"自引"，让我在汇报时可以选择过滤掉，避免数据被质疑。这个细节放在基金材料里尤其重要——评审专家看到"已剔除自引"，会对数据的严谨性更有信心。
整次分析消耗了约 $0.67 的 API 额度（工具在分析结束后会显示费用摘要），耗时约 48 分钟。对于 143 篇论文的完整学者画像，这个成本我认为是物超所值的。
143 篇引用中：1 位工程院院士、1 位 IEEE Fellow、2 位 ACM Fellow、5 位引用量超 5,000 的高影响力学者、4 篇自引（已过滤）。涉及 18 个国家/地区，引用趋势显示 2023–2024 年有明显增长，AI 预测 2025–2026 年还将新增 60–80 次引用。
如果你的论文有 arXiv 预印本版本，标题很可能与最终发表版略有不同（比如加了副标题，或措辞调整）。在「别名」字段填入两个版本，确保引用不漏网。这是我踩过坑之后学到的第一课。
CitationClaw 有持久化作者缓存机制：某位学者一旦被搜索过，他的信息就会保存在本地。下次分析时，同一作者直接从缓存读取，不再消耗 API 额度。对于经常分析的研究领域，累计缓存后，每次分析费用会越来越低。
Google Scholar 单次最多显示 1000 条引用结果。如果你有引用量超过 1000 的"高被引"论文，一定要开启「按年份遍历」模式——工具会分年份逐段抓取，突破这个限制，保证数据完整性。
新论文第一次分析，我会先用「更省版」快速摸底，确认分析流程正常、论文 URL 找对。确认无误后，再用「省 token 版」或「全面版」进行完整分析。这个两步走策略能有效避免因配置失误浪费大量 API 额度。
工具支持填入多个 ScraperAPI Key，以英文逗号分隔，自动轮换使用。对于引用量大的论文，多个 Key 轮换能显著降低被 Google Scholar 限流或封禁的风险，让抓取过程更稳定。
Phase 5 生成的 HTML 画像报告完全自包含，可以直接邮件发送或上传分享。写基金本子或准备述职 PPT 前，跑一次最新分析，把画像报告作为学术影响力的可视化佐证，效果远比截几张 Google Scholar 截图专业得多。
全面版对 100 篇引用论文的分析，API 费用大约在 $0.5–2 之间，具体取决于所选模型和引用描述搜索的覆盖范围。如果你有一篇引用量 500 以上的论文想做全面分析，建议先在配置页面开启「费用追踪」功能，实时监控额度消耗，避免超出预期。
几次使用下来，我对这个工具有了比较全面的认识。我不打算写一篇全是溢美之词的软文——作为研究者，我更倾向于诚实地呈现我观察到的一切。
关于 AI 识别误差这一点，我想多说几句。工具在识别学者头衔时，依赖联网搜索 LLM 的判断，这套流程对于知名度较高的院士和 Fellow 识别准确率很高，但对于一些地方性荣誉或较小众的 Fellow 称号，可能会有疏漏。因此我在使用时会对「著名学者」栏目的识别结果保持一定的验证意识，尤其是在正式汇报前。
好消息是，工具提供了「作者信息验证」这一可选 Phase，会用额外的搜索对关键学者信息进行二次核查。对于汇报材料，我会开启这个选项以提高可信度。
就在前几天，我密集分析了自己发表的 5 篇论文，累计处理了 400+ 篇引用，发现了 3 位院士引用、7 位 IEEE/ACM Fellow 引用，以及若干此前完全不知道的高影响力研究者的评价——这些内容最终都进了我的基金申请材料。
这些信息不只是虚荣心的满足。在我们领域，了解谁在关注你的工作、他们在什么语境下引用你，是形成学术合作机会、撰写基金申请书、准备学术汇报的重要基础信息。过去这些信息要么无从获取，要么需要花费大量时间手动整理。CitationClaw 改变了这件事。
CitationClaw 是一个真正解决了学术研究者痛点的工具。它把原本需要数小时手工完成的被引学者画像分析，压缩到几十分钟内，并且以色彩直观、视觉漂亮的方式呈现结果。
它不是一个完美的工具——没有什么工具是完美的——但它在关键的地方做对了：零门槛的入门体验、透明可见的工作过程、切实有用的分析输出。
如果你是一名有发表过论文的研究者，我毫不犹豫地推荐你试一试，哪怕只是用最轻量的「更省版」跑一遍你最重要的论文——那几分钟里出现在日志里的名字，可能会让你大吃一惊。