我讀研那會兒第一次在知網(wǎng)查文獻就把AND、OR、NOT當成擺設直接往檢索框里敲一整句話結果出來的文獻牛頭不對馬嘴。后來被導師點醒才明白文獻檢索不是聊天數(shù)據(jù)庫不認自然語言它只認你給它的關鍵詞之間的邏輯關系而AND、OR、NOT就是描述這種關系的三個基本運算符。這篇內(nèi)容就是寫給剛開始做文獻綜述、寫開題報告、或者正在為查不全文獻發(fā)愁的人把這三個運算符掰開揉碎講明白配合可以直接拿去用的檢索式示例讓你在知網(wǎng)、萬方、Web of Science、PubMed這些平臺上少走彎路。1. 為什么新手老是在第一步就翻車布爾邏輯到底解決了什么問題1.1 你以為的“檢索”和數(shù)據(jù)庫眼里的“檢索”不是一回事人跟人對話時你說“我想找找人工智能在教育領域怎么用的”對方能聽懂語境會幫你過濾掉無關信息。數(shù)據(jù)庫沒有這個能力它本質(zhì)是一個匹配工具把你輸入的字詞跟論文里的標題、摘要、關鍵詞、正文去做字符匹配。你輸入一整句話“研究人工智能如何應用于教育領域”數(shù)據(jù)庫不會理解“研究”“如何”“應用于”這些詞只是修飾成分它可能會把“如何”也當成一個要匹配的詞也可能把整句話切碎之后按自己的算法打分結果自然很亂。這一點在英文數(shù)據(jù)庫尤其明顯。比如你在Web of Science里輸入“How does artificial intelligence affect education”系統(tǒng)會拆出how、does、artificial、intelligence等詞有的詞是禁用詞會被自動忽略有的詞會被當AND關系處理結果很可能是一堆噪音。所以在學術數(shù)據(jù)庫里最可靠的做法是把你的需求翻譯成一個由關鍵詞和運算符組成的檢索式讓它去做精準匹配。1.2 查全率與查準率兩個互相打架的指標做文獻檢索的人都會提到兩個指標查全率和查準率。查全率指你檢出的相關文獻占所有相關文獻的比例查準率指你檢出的文獻中真正相關的比例。新手不需要背定義但必須理解它們的關系當你想把相關的文獻都撈出來就得多用OR去擴詞結果是雜音變多查準率下降當你想讓結果很精準就得多用AND去限制結果可能誤傷一批同義表達查全率下降。這就好比篩黃豆你想把帶蟲眼的挑出去查準率和你想把飽滿的豆子全部裝袋查全率用的篩子粗細完全不同。文獻檢索里沒有一種檢索式能同時做到既全又準關鍵是看你的目標是什么。比如你寫開題報告需要全面了解一個領域此時查全率更重要寧可結果多幾百條自己花時間篩選比如你做系統(tǒng)綜述已經(jīng)明確要回答某個具體問題此時查準率更重要檢索式要盡量收窄。1.3 AND/OR/NOT就是給你的需求畫邊界理解了上面這些你就會發(fā)現(xiàn)AND、OR、NOT不是“高級功能”而是你在需求尚不明確時唯一能精確表達邊界的方式。AND用來加約束OR用來擴展表達NOT用來劃掉噪音。把它們組合起來一個檢索式就能變成一句嚴謹?shù)摹霸捫g”。這種能力越到后來越重要。我剛讀研那會兒也以為檢索式就是多打幾個詞直到我?guī)蛯熥鼍C述面對三四千篇候選文獻時才發(fā)現(xiàn)真正花時間的不是讀文獻而是把一個研究問題翻譯成一套穩(wěn)定的檢索策略讓搜索結果盡可能貼近“你真正想要的那片區(qū)域”。這個翻譯過程靠的就是布爾邏輯。2. 三個運算符的語義拆解分別什么時候用怎么組合2.1 AND交集用來收窄范圍AND的語義是兩個詞或兩組詞必須同時出現(xiàn)在文獻里。比如“人工智能 AND 教育”最后返回的文獻既要出現(xiàn)人工智能也要出現(xiàn)教育。它的作用是收窄范圍讓你的結果更加聚焦。生活化的類比就是集合里的交集喜歡唱歌的人和喜歡做飯的人兩者的交集才是既喜歡唱歌又喜歡做飯的人。AND使用得越多你的結果就越少但越靠近核心需求。這里我要提醒一個新手特別容易犯的錯一上來就把題目里的所有詞用AND連起來比如“人工智能 AND 教育 AND 高校 AND 教學模式”結果往往只有幾十條甚至幾條。這時候不一定是文獻少而是你把條件卡得太死了。因為有大量文章可能不寫“高?！敝粚憽罢n堂”“學?！被蛘卟粚憽敖虒W模式”只寫“教學”。檢索式不是把題目里的所有詞照搬而是選出核心概念再決定每個概念怎么用詞。2.2 OR并集用來合并同義詞OR的語義是文獻只要包含其中任意一個詞就放進來。它的作用是擴展范圍解決同義詞、縮寫、中英文表達不一致的問題。比如“人工智能 OR AI”要求文獻出現(xiàn)“人工智能”或“AI”都算命中。再比如“在線教育 OR 網(wǎng)絡教育 OR 遠程教育”三個是同一個概念的不同說法在中文文獻里有的作者用這個詞、有的用那個詞甚至有翻譯差異。你用AND連接它們就會把大量本應納入的文獻排除在外用OR連接它們才能把這個概念的外沿都撈進來。規(guī)律就是一句話同一個概念之下的多個表達方式用OR不同概念之間用AND。這是新手最應該記住的原則。類比來說OR像是擴大漁網(wǎng)的面積把同類的魚都網(wǎng)進來AND像是加過濾網(wǎng)孔把不夠格的擋在外面。2.3 NOT差集用來排除干擾項NOT的語義是排除包含某個詞的文獻。比如“抑郁癥 NOT 藥物”如果某篇文獻討論的是藥物治療抑郁癥它會被直接排除。它的作用是切除你不想要的方向或者當你檢索結果里混著大量明顯無關類別的文獻時用它快速切走。但我要特別提醒NOT是一把雙刃劍容易誤傷。因為它是按字符匹配的它不知道“抑郁”和“藥物”出現(xiàn)在同一篇文獻里時是并列還是排斥。比如一篇文章叫“抑郁癥的藥物與非藥物治療比較”你排除了“藥物”這篇就丟了可它恰恰可能是你需要的比較研究。所以新手盡量少用NOT或者只在結果數(shù)量很大、無關類別非常明顯時才使用。一個相對安全的使用場景是你想做“抑郁的非藥物治療研究”結果里鋪天蓋地都是藥物試驗這時加上NOT可以把大部分噪音切掉。即便如此也要清楚知道你會丟掉一批同時討論藥物與非藥物比較的文獻后面可以通過手動篩選或跑第二個檢索式補回來。2.4 優(yōu)先級與括號先算哪一步很關鍵當檢索式里同時出現(xiàn)AND、OR、NOT時數(shù)據(jù)庫會按默認優(yōu)先級計算常見順序是NOT AND OR但這個順序跟自然語言的直覺并不一致所以強烈建議用括號把邏輯關系顯式地框出來。典型例子“人工智能 AND 教育 OR 機器人”。按默認優(yōu)先級理解它會被解釋成“(人工智能 AND 教育) OR 機器人”意思是“包含人工智能和教育或者包含機器人的文獻”。但如果你的本意是“人工智能或機器學習并且和教育相關”就必須寫成“(人工智能 OR 機器學習) AND 教育”這樣語義才準確。所以每個概念組都加括號是預防低級錯誤最好的習慣。不管數(shù)據(jù)庫默認優(yōu)先級是什么加了括號就一定按你的意圖走。我見過太多人因為少了一個括號檢索結果完全跑偏自己還在那跟數(shù)據(jù)庫較勁。三個運算符這么用可以整理成一張速查表運算符語義作用典型場景AND交集必須同時出現(xiàn)收窄范圍多個概念同時限定OR并集任意一個出現(xiàn)即可擴大范圍合并同義詞、縮寫、不同表達NOT差集排除包含詞的文獻切除干擾排除你不關心的方向慎用3. 拿過來就能用的檢索式示例從簡單需求到復雜需求3.1 一個概念的簡單需求人工智能在教育中的應用以知網(wǎng)為例如果你用專業(yè)檢索可以寫(人工智能 OR AI) AND 教育這個檢索式的意思是文獻里要出現(xiàn)“人工智能”或“AI”同時必須出現(xiàn)“教育”。為什么要給“人工智能”配OR呢因為中文文獻有的用全稱“人工智能”有的直接用縮寫“AI”你只寫“人工智能”會漏掉一大批寫AI的文獻。這就是同義詞合并的價值。如果用萬方或者Web of Science寫法邏輯一樣。英文可以寫成(artificial intelligence OR AI) AND education其中artificial intelligence加了引號代表把它當成一個短語精確匹配避免被拆成 artificial 和 intelligence 兩個詞。這個技巧先記住后面第5章再展開。3.2 多概念組合需求短視頻對青少年心理健康的影響這個題目至少有三個核心概念短視頻、青少年、心理健康。每個概念都可能有多種表達。中文檢索式可以這樣寫(短視頻 OR 抖音 OR 快手) AND (青少年 OR 未成年人 OR 學生) AND (心理健康 OR 心理問題 OR 抑郁 OR 焦慮)分段解釋短視頻是該領域的高頻詞但很多研究直接以具體平臺為例比如抖音、快手如果你只寫“短視頻”就漏掉這些平臺研究。不過要注意是否加入平臺名取決于你的研究范圍如果你只關心泛化的短視頻研究加平臺詞反而會引入噪音。青少年在不同文獻里可能寫作“未成年人”“中學生”“大學生”等全部列入OR分支。心理健康相關詞同理可以是“心理健康”“心理問題”“抑郁”“焦慮”。這種檢索式出來之后初篩數(shù)量可能在幾百到幾千不等然后你可以再加限定條件比如發(fā)表年限、文獻類型、核心期刊。3.3 帶排除條件的需求電動汽車電池回收不含鉛酸電池假設你研究的是動力電池回收并且完全不關心鉛酸電池方向可以寫成(電動汽車 OR 新能源汽車) AND (電池 OR 動力電池) AND (回收 OR 梯次利用) NOT 鉛酸在這里“回收”和“梯次利用”是高度相關的兩個動作用OR合并“電動汽車”“新能源汽車”用OR合并因為兩者表達經(jīng)?；煊米詈笥肗OT排除“鉛酸”把鉛酸電池的回收文獻剔除。但這個案例也要再提醒一次NOT的副作用“新能源汽車”相關文獻很可能同時提到鉛酸電池作為背景或對比你用NOT會把這些文獻一并排掉。所以我更推薦在“結果太寬”時用NOT如果文獻量不大寧可手動篩也別用NOT。寫檢索式時要對“NOT會誤傷什么”有預判。3.4 英文短語需求機器學習與醫(yī)學診斷進入英文數(shù)據(jù)庫核心難點是短語加引號和同義詞合并。一個典型檢索式(machine learning OR deep learning OR AI) AND (medical diagnosis OR diagnosis) AND (clinical decision support OR CDSS)注意 CDSS 是 Clinical Decision Support System 的縮寫很多文獻用縮寫當作關鍵詞所以要放進OR分支。英文檢索里容易犯的錯主要是不區(qū)分大小寫、不嚴格用引號。有些數(shù)據(jù)庫把 and 當成普通單詞后檢索結果會混入大量無關內(nèi)容非常難清理。4. 不同數(shù)據(jù)庫的語法差異同樣一個檢索式換個庫就廢了4.1 基礎知識基本檢索框和高級檢索框的區(qū)別很多新手打開知網(wǎng)或Web of Science直接在最上面的檢索框里敲一個檢索式也不選字段。這樣默認在“主題”還是“全文”字段不同庫不一樣。全文檢索口徑最大主題檢索相對精準。推薦的做法是使用高級檢索界面。在高級檢索里你可以選擇每個條件對應的字段主題、標題、關鍵詞、摘要并把“與”“或”“非”的邏輯關系顯式點出來。對新手來說界面上點選“與”“或”“非”比手寫檢索式更不容易出錯。等你在高級檢索界面點熟了再嘗試專業(yè)檢索手寫帶括號的檢索式會快很多。4.2 中文數(shù)據(jù)庫的寫法差異知網(wǎng)、萬方、維普知網(wǎng)的新版檢索界面比較友好高級檢索會直接給出邏輯關系選擇器但如果你用專業(yè)檢索語法是*代表AND代表OR-代表NOT比如(人工智能AI)*教育意思是先算括號內(nèi)“人工智能或AI”再與“教育”做AND。這個寫法在知網(wǎng)專業(yè)檢索里能直接用。如果你是舊版界面可能還支持(人工智能 OR AI) AND 教育這類英文運算符但不同時期改過多次建議以數(shù)據(jù)庫頁面的語法提示為準。萬方數(shù)據(jù)庫的專業(yè)檢索相對寬松支持(人工智能 OR AI) AND 教育這種寫法。維普的語法跟知網(wǎng)接近也是*、、-這套符號體系。這里有一個很實用的小技巧在任何一個數(shù)據(jù)庫準備寫專業(yè)檢索式之前先到“幫助/檢索說明/語法幫助”頁面掃一眼確認這個庫到底認AND OR NOT還是認* -。別憑經(jīng)驗直接套尤其別把知網(wǎng)的寫法原樣搬去萬方翻車的人太多了。4.3 英文數(shù)據(jù)庫的寫法差異Web of Science、PubMed、ScopusWeb of Science 最常用的寫法是TS(artificial intelligence OR AI) AND TS(education)TS 代表 Topic主題涵蓋標題、摘要和關鍵詞。這里的AND、OR、NOT必須大寫小寫的 and 會被系統(tǒng)當成普通檢索詞處理。PubMed 的檢索比較特別它不強制要求字段標簽直接寫(artificial intelligence OR AI) AND education也能跑而且它自帶一個自動匹配機制會在庫里幫你擴展同義詞。但如果你做系統(tǒng)綜述建議使用字段標識把檢索鎖定到標題摘要上例如((artificial intelligence[tiab] OR AI[tiab]) AND (education[tiab] OR teaching[tiab]))Scopus 的語法非常嚴格常用TITLE-ABS-KEY把檢索限制在標題、摘要、關鍵詞范圍寫法是TITLE-ABS-KEY((artificial intelligence OR AI) AND education)可以看到英文庫幾乎都要求運算符大寫、短語加引號這是通用的硬規(guī)則。我把這些差異整理成一張表方便你換庫的時候對照數(shù)據(jù)庫運算符寫法短語匹配新手建議知網(wǎng)* -一般不支持英文引號短語用高級檢索界面點選更穩(wěn)萬方AND / OR / NOT支持英文引號直接在高級檢索框輸入Web of ScienceAND / OR / NOT必須大寫雙引號記住用TS字段限制PubMedAND / OR / NOT雙引號[tiab]限字段不用寫字段也能跑但要限tiabScopusAND / OR / NOT必須大寫雙引號用TITLE-ABS-KEY包裹Google Scholar空格ANDOR大寫減號排除雙引號只適合粗查別做正式檢索4.4 Google Scholar的特殊規(guī)則空格、引號、減號Google Scholar 和正統(tǒng)學術數(shù)據(jù)庫的語法差別真的很大。它不支持嚴格的布爾邏輯表達式而且排序算法會“原諒”你的輸入偏差。幾個關鍵點空格默認是AND比如輸入machine learning diagnosis它默認要求三個詞都出現(xiàn)但可能智能調(diào)整匹配。不能用NOT但可以用減號-表示排除比如youth mental health social media -tiktok表示要包含青少年心理健康與社交媒體相關文獻但不包含tiktok。支持OR但必須大寫例如artificial intelligence OR machine learning education。雙引號是精確短語匹配建議所有專業(yè)術語都加引號比如medical imaging。所以我在幫人調(diào)檢索時通常會告訴他們Google Scholar適合做初步探索用來找關鍵詞、了解文獻分布真正到系統(tǒng)綜述或者需要穩(wěn)定可復現(xiàn)結果的時候一定要回到支持標準布爾運算的數(shù)據(jù)庫里做正式檢索。5. 新手最常踩的坑出現(xiàn)問題時先檢查這幾個地方5.1 把整句自然語言粘進檢索框這是我?guī)腿烁臋z索式時遇到最多的一個問題。很多人以為把研究問題原封不動輸進去就能得到答案結果檢索式變成“人工智能在高校課堂中的應用效果研究”一堆助詞和偏正結構被數(shù)據(jù)庫拆分匹配出來的結果五花八門。正確做法是把這句話里的核心名詞抽出來人工智能、高校課堂、應用效果然后用AND/OR連接。如果這個概念還有別的常見說法也要放進OR分支。核心是把自然語言“翻譯”成關鍵詞組合而不是把原句喂給數(shù)據(jù)庫。遇到“影響”“分析”“研究”這類詞基本都可以扔掉它們對檢索沒有幫助。5.2 同義詞沒合并漏檢嚴重而不自知漏檢比誤檢更可怕因為它讓你誤以為自己查全了實際卻丟了很多核心文獻。新手最常見的漏檢原因就是只用了自己最熟悉的一個詞比如只寫“人工智能”漏掉“AI”只寫“智能手機”漏掉“移動終端”只寫“UK”漏掉“United Kingdom”或“Britain”。解決方法就是給每個核心概念配一個同義詞/近義詞池用OR合并。不是所有同義詞第一次就能配全往往要通過試檢索后在結果標題、摘要里發(fā)現(xiàn)新的高頻詞再回頭補充到檢索式里。這也是為什么老手寫出來的檢索式看起來很長其實每一組詞都不是多余的。5.3 NOT一刀切把關鍵文獻一起排掉我在前面提醒過好幾次這里再強調(diào)NOT的排除是字符級別的它會毫無判斷力地刪掉所有包含該詞的文獻。比如你做“人工智能與教育”的研究想排除“編程教育”方向的文獻寫了人工智能 AND 教育 NOT 編程結果一篇討論“編程教育中的人工智能素養(yǎng)培養(yǎng)”的文獻被刪掉了但這篇恰恰可能是你需要的。更極端的例子是排除“小鼠實驗”會導致同時討論小鼠和人的研究也被刪掉。所以我的建議是只有當你確定某個詞完全不屬于你的研究范圍并且該詞在結果里大量出現(xiàn)導致噪音嚴重時才考慮用NOT否則寧可在人工篩選階段再刪除。5.4 大小寫、引號、通配符的混淆英文數(shù)據(jù)庫里AND、OR、NOT一律大寫是行業(yè)共識照做最穩(wěn)妥。引號的作用是精確短語匹配machine learning和machine learning在不少數(shù)據(jù)庫里是兩個完全不同的檢索前者要求machine learning作為一個連續(xù)短語出現(xiàn)后者可能被拆成machine和learning兩個獨立詞做AND匹配。前者查準率高后者查全率高。通配符方面*一般代表詞干擴展比如therap*能匹配 therapy、therapies、therapeutic?代表一個字符。但不是所有庫都支持用之前看幫助文檔。要注意通配符在提高查全率的同時也可能引入一堆無關詞形比如manage*會帶出 management、manager、managed需要根據(jù)你研究的術語特點決定是否使用。6. 一次完整的實戰(zhàn)把題目拆成能跑的檢索式6.1 概念拆解與選詞現(xiàn)在用完整的流程走一遍。假設研究問題是“人工智能輔助醫(yī)學影像檢查對早期肺癌篩查的作用”。第一步把這句話拆成獨立的概念。所謂概念就是一句話里不可再省略的核心名詞人工智能、醫(yī)學影像、肺癌、篩查。然后為每個概念收集同義詞和常見表達人工智能人工智能、AI、機器學習、深度學習、卷積神經(jīng)網(wǎng)絡醫(yī)學影像醫(yī)學影像、影像診斷、CT、影像組學、醫(yī)學圖像肺癌肺癌、肺結節(jié)、肺部腫瘤篩查篩查、早期診斷、檢出、早篩這一步非常關鍵寧可多列幾個詞也別一開始就漏詞。6.2 構建中文檢索式根據(jù)上面的概念表和“同一概念用OR、不同概念用AND”的規(guī)則中文檢索式可以寫成(人工智能 OR AI OR 機器學習 OR 深度學習) AND (醫(yī)學影像 OR 影像診斷 OR CT OR 影像組學) AND (肺癌 OR 肺結節(jié) OR 肺部腫瘤) AND (篩查 OR 早期診斷 OR 檢出)這個檢索式在知網(wǎng)、萬方里都可以用。你會看到它比題目本身要“啰嗦”得多但這就是它的價值把這四個概念的所有常用表達都放進搜索范圍盡量不放過任何一種說法。如果在知網(wǎng)專業(yè)檢索界面需要把邏輯運算符換成符號體系(人工智能AI機器學習深度學習)*(醫(yī)學影像影像診斷CT影像組學)*(肺癌肺結節(jié)肺部腫瘤)*(篩查早期診斷檢出)6.3 構建英文檢索式對應英文檢索式(artificial intelligence OR AI OR machine learning OR deep learning) AND (medical imaging OR imaging diagnosis OR CT OR radiomics) AND (lung cancer OR pulmonary nodule OR lung tumor) AND (screening OR early diagnosis OR detection)注意幾個點短語如artificial intelligence加了引號避免被數(shù)據(jù)庫拆詞縮寫AI單獨列出因為很多文獻直接用縮寫不用全稱CT沒有加引號因為兩個字母的縮寫加引號在部分庫里反而會匹配困難可以直接裸寫。6.4 根據(jù)命中數(shù)量判斷下一步怎么調(diào)寫完后先在數(shù)據(jù)庫里跑一遍觀察命中數(shù)量。這個數(shù)量會告訴你檢索式是否合理如果命中數(shù)量在幾十到幾百之間而且你查看前幾十條標題后發(fā)現(xiàn)大多相關這個檢索式基本可用。如果命中數(shù)量為個位數(shù)多半是某個概念下的詞選得太窄或者AND關系太多需要從同義詞池里再補詞。如果命中數(shù)量超過一萬說明某些概念太寬泛或者檢索字段選成了全文。此時可以加限定詞、加引號或者把字段從“全文”改成“主題/關鍵詞”。我自己常用的調(diào)整順序是先看數(shù)量太高就加限制太低就加同義詞然后在結果里隨便點開三到五篇最相關的文獻看它們的標題、摘要和關鍵詞里有沒有你漏掉的表述再回到檢索式里補充。這個迭代過程快的話十五分鐘就能完成比漫無目的地翻結果強得多。6.5 養(yǎng)成記錄檢索日志的習慣我強烈建議你從第一次做正式檢索開始就維護一個簡單的記錄包含檢索日期、數(shù)據(jù)庫名稱、檢索式、命中數(shù)量、備注。不要小看這個習慣寫綜述或者論文時你需要能夠復現(xiàn)自己的全部檢索過程而如果沒有記錄一周后再回頭看你大概率想不起當時用的是哪版檢索式。記錄格式不用復雜一個表格就夠了。比如日期數(shù)據(jù)庫檢索式命中數(shù)備注2025-07-XX知網(wǎng)專業(yè)檢索(人工智能AI)*(教育)326范圍偏寬后續(xù)加高校/課堂過濾2025-07-XXWeb of ScienceTS(...)87加入引號短語后噪音明顯下降這個記錄在文獻綜述章節(jié)里非常重要因為審稿人和導師經(jīng)常會問你是用什么檢索式找到這些文獻的到時候你把這套東西整理出來什么問題都答得上。7. 我最后想分享的兩個小習慣7.1 寫完檢索式拆成幾行再讀一遍第一個習慣寫完任何檢索式先分段讀一遍。把一個復雜檢索式拆成幾行每一行只放一個概念用括號包好然后再用AND或對應的運算符串起來。這樣即使隔了幾天再回來看你也能一眼看懂這個檢索式在表達什么而不是面對一堆符號發(fā)懵。別說新手我自己以前寫復雜檢索式時也有過一次括號放錯位置、結果全變了的經(jīng)歷。從那以后我再也不寫“一坨式”的檢索式每行一個概念加注釋哪怕當時多花三十秒后面篩選文獻時省下的時間絕對值得。7.2 先用最近一年的文獻試跑第二個習慣在正式記錄檢索式之前先跑一個小范圍測試只檢索最近一年的文獻看看前20條結果是否真的切題。如果近一年的文獻都不切題那這個檢索式基本是廢的趁早改比拿回來改半天還快。這個小動作花不了三分鐘但能幫你省下大量篩選無效結果的時間。文獻檢索這回事看著簡單實際上是個經(jīng)驗活。我到現(xiàn)在幫學生改檢索式時還是會在同一個問題上反復翻車——漏一個同義詞、多一個NOT、忘了一對引號都會讓結果面目全非。別怕犯錯多跑幾次多記日志慢慢你就能在自己領域里寫出一套穩(wěn)定的檢索策略了。