從研究目的、找 gap、查重、PICO、study design、文獻矩陣，到論文初稿、引用核對、AI 審查與人工 final review。這個公開頁先讓人看懂「怎麼寫論文」；背後自動化只是輔助工具。
每張卡都能點進詳細頁；詳細頁保留原本 Notion-style 流程說明。PDF、原始 run、private library 不會放到公開網站。
釐清你要解決的臨床或研究問題，避免一開始就變成零散文獻摘要。
協助把想法整理成研究主軸、可能資料來源與初始問題清單。
決定這是不是值得投入時間的方向。
大量閱讀與整理既有文獻，先找反覆出現但尚未解決的問題。
整理背景、研究問題、方法、發現與缺口候選。
判斷哪些缺口真的有臨床價值，而不是只是 AI 總結得漂亮。
把 gap 依臨床重要性、可行性、資料可得性與投稿潛力排序。
建立比較表與排序理由。
選出真正要做的題目，不被新奇但不可做的方向吸走。
確認題目是否已被做過，找出最接近的研究與差異點。
產生 search string、比對 PICO 重疊、列出相近文獻。
判斷 novelty 是否足夠，必要時縮小或改寫題目。
把模糊想法變成可研究、可收案、可分析的問題。
協助拆成 population、intervention/exposure、comparison、outcome。
確認 endpoint 是否臨床上有意義。
選擇 cohort、case-control、chart review、systematic review 或其他設計。
根據資料型態、時間方向、事件率與 confounder 提出設計建議。
確認 IRB、資料來源、bias 與統計可行性。
把相關文獻整理成矩陣，不急著寫文獻回顧。
抽取目的、方法、對象、變項、主要發現、限制與未來方向。
挑出代表性文獻與真正要深入讀的核心 paper。
依主題與論點安排 Introduction、Methods、Results、Discussion 骨架。
從文獻矩陣和主題標籤產生 outline。
決定故事線與段落順序，不照作者逐篇介紹。
定義分析目標、變項、模型、sample size、missing data 與 sensitivity analysis。
列出 data dictionary、分析計畫與程式需求。
確認統計設計是否支撐研究問題。
開始寫 manuscript，但依主題與論點整合，不逐篇摘要。
協助生成初稿、修語氣、整理段落銜接與 citation placeholder。
補臨床判讀、限制、討論深度與目標期刊語氣。
確認每個 citation 是否支持該句話，避免引用錯位。
協助找 citation mismatch、重複引用與缺漏文獻。
確認關鍵論點是否被正確文獻支撐。
讓 AI 扮演 reviewer，檢查邏輯、過度解讀、重複與圖表可讀性。
提出 reviewer 2 批評、alternative explanations、figure/table 建議。
決定哪些建議採納，避免 AI 把結論講太滿。
最後由人決定 go / revise / stop。
提供 checklist 與待修項整理。
確認研究貢獻、臨床邏輯、倫理與投稿策略。