目录

• 技术原理
• 实操环节：5分钟搭建流程
  • 第一步：创建 Bot
  • 第二步：配置提示词（核心）
  • 第三步：添加插件
  • 第四步：调试与发布
• 进阶玩法与懒人方案
• 结语

前言

深夜11点，你的电脑桌前面对着从 PubMed 下载的 500 篇 PDF。

为了做一篇 Meta 分析，你需要像淘金一样，把这 500 篇里符合纳排标准的 50 篇挑出来，然后重复着机械性的工作，把样本量、对照组数据、P值、OR值抠出来，填进 Excel 表里。

临床工作已经够累了，这种重复性的体力活，真没必要亲自干。

今天，我们不谈复杂的代码，教你用目前国内最强（且免费）的 AI 应用开发平台 Coze，搭建一个Meta分析科研助理。

它的核心功能只有一个：你扔给它一篇 PDF，它吐给你一行标准的 Excel 数据。

技术原理

以前的 OCR（文字识别）只能把图片转成字，它不懂含义。但现在的大语言模型，特别是支持长文本的模型（如豆包、Kimi），具备了极强的 阅读理解 和 结构化输出 能力。

流程非常简单：

实操环节：5分钟搭建流程

我们选择 Coze 国内版。

理由：免费、模型能力强（豆包系列）、支持挂载文件读取插件、服务器在国内（稳定）。

(注：如果你连 5 分钟都不想花，文末有懒人替代方案。)

第一步：创建 Bot

1. 登录 Coze 官网，点击左上“开发平台”。
2. 点击左上角“创建”，创建智能体，并起个名字，比如 Meta 数据提取员。

3. 模型配置：建议选择支持长上下文的模型（如 豆包·1.6模型 或 Kimi-K2），确保它能一口气读完几十页的 SCI 论文。

第二步：配置提示词（核心）

这是最关键的一步。很多医生觉得 AI 笨，是因为没给对指令。AI 需要你像教实习生一样，明确告诉它提取什么。

复制到左上角“人设与回复逻辑”中：

# Role
你是一位资深的循证医学研究员，擅长进行系统评价和Meta分析的数据提取，以严谨、准确著称。
Task
我会上传一篇医学文献（PDF或文本），请你阅读全文，并严格按照以下 PICO 标准提取关键数据：


P（研究对象）：

样本量（实验组 n / 对照组 n）
患者平均年龄
疾病分期/类型



I（干预措施）：

具体的药物名称、剂量、给药途径、疗程。



C（对照措施）：

安慰剂 或 标准治疗方案。



O（结局指标）：

请重点提取主要结局指标的统计学数据。
关注格式：HR值/OR值/RR值（任选其一，注明类型）、95%CI、以及 P值。



Output Format
请务必以 Markdown 表格 的形式输出，表头如下，不要包含任何其他解释性文字：

| 第一作者 | 发表年份 | 样本量(T/C) | 干预措施 | 结局指标数值(OR/HR) | 95%CI | P值 |
Constraints

准确性第一：如果文中未明确提及某项数据，请在表格对应位置填入“N/A”，严禁编造数据。
只要表格：输出结果仅包含表格，不需要任何寒暄或总结。
语言：无论原文是英文还是中文，提取结果请尽量用中文表述（专有名词保留英文）。

第三步：添加插件

光有大脑不行，模型得有眼睛，能看见文件。

1. 在中间的 插件 区域点击 + 号。
2. 搜索并添加 文档读取 类插件。
3. 这一步是为了让你的 Bot 具备解析 PDF、Word 文档的能力。

第四步：调试与发布

在右侧的“预览与调试”窗口，点击上传文件图标，从你的硬盘里选一篇真实的 SCI 论文（PDF格式）上传。

你会看到，Bot 在短暂思考后，直接给你一个 标准的表格。 里面整整齐齐列着：作者、年份、实验组/对照组人数、OR值、P值……

你只需要点击表格右上角的“复制”，然后去 Excel 里粘贴，一行数据录入完成。

进阶玩法与懒人方案

1. 批量化思路

Coze 的 Bot 适合精细化单篇处理。如果你有 10 篇、20 篇需要快速初筛：

• 工具推荐：腾讯元宝 / Kimi 智能助手（支持一次性上传 5-10 个 PDF）。
• 操作方法：把文件全拖进去，然后把上面的提示词粘贴进去，加一句 “请为这 10 篇文章生成一个汇总表格”。它能一次性帮你搞定一个 mini 数据库。
• 腾讯元宝优势：如果你的 PDF 是扫描版（图片），元宝的 OCR 能力目前在国内属于第一梯队，能更准确地识别图片中的文字，还能提取 PDF 中的照片。

2. 自动化工作流

如果你是技术流医生，可以在 Coze 里搭建 工作流。 逻辑是：批量上传 ➔ 循环节点 ➔ LLM读取 ➔ 写入飞书/在线表格。 这样，你把文件夹一拖，后台自动跑，喝杯咖啡回来，在线表格已经填满了。

结语

在医疗科研领域，严谨性是底线。

AI 眼神有时候不好，容易把 Standard Error (SE) 看成 Standard Deviation (SD)，或者把 Subgroup（亚组）的数据当成总人群数据。

我们可以让 AI 帮忙剔除那些明显不符合纳排标准的（比如你要做临床，结果混进来了大鼠实验）。但拿着 AI 的表格回溯原文核对关键数值（P值、CI）是我们必须要做的。

今晚，试试把那堆 PDF 扔给 AI，早点下班吧。