基于大语言模型的学术论文阅读辅助分析系统的研究与应用摘要随着科研论文数量的指数级增长，科研工作者面临着前所未有的信息过载挑战。传统学术论文阅读方式依赖线性文本呈现，难以快速定位关键信息，跨文献知识整合效率低下。大语言模型的发展为解决这一问题提供了新的技术路径，但现有通用大语言模型在学术文献分析中存在幻觉引用、归因能力不足和缺乏结构化呈现等关键缺陷。本文设计并实现了一个基于检索增强生成（RAG）架构的学术论文阅读辅助分析系统——PaperMind。系统采用PDF文档解析、语义分割、向量嵌入与FAISS向量检索相结合的技术路线，构建了从文档预处理到多轮智能问答的完整处理流水线。本文详细阐述了系统的技术架构设计、各核心模块的实现原理与关键代码，并通过五维度评价体系对系统性能进行了全面评估。实验结果表明，在文档加载与分割、向量检索与问答生成的多个环节，系统均达到了预期性能指标，检索命中率最高达到98%。本文的研究为学术文献智能化处理提供了可复用的技术方案和工程实现参考。关键词：大语言模型；检索增强生成；学术论文阅读；智能问答；向量检索；FAISS一、引言1.1 研究背景与问题提出科学技术的快速发展使得学术论文的发表数量呈爆发式增长。据统计，仅2024年一年，全球各学科领域发表的学术论文总量已超过500万篇。对于科研工作者而言，高效地检索、阅读和分析海量学术文献，提取其中的核心观点、研究方法与实验结论，是开展前沿研究的基础性工作。然而，传统的学术论文阅读方式面临着三重困境：其一，PDF等线性文本格
