ScholarReach Vol.1 · Case Study · 2026

ScholarReach 学术期刊智能推广平台

数据验证 / Outcome Metrics
Scholars Reached
10,000+
累计触达学者
EDM Delivered
80,000+
邮件发送量
Open Rate
40%+
行业均值 18–22%
Submission Growth
200%+
推广期间投稿增长
01
The Problem

学术期刊推广的
人工瓶颈。

编辑部每月需为上线论文制作封面、撰写推广邮件、筛选目标学者、逐批投放。流程碎、链路长、质量不稳定、无法规模化。

Before · 传统流程

Manual Pipeline

1 day
  1. 01通读论文，手动提取关键词
  2. 02检索图库、PS 合成封面
  3. 03撰写推广邮件、反复校对
  4. 04数据库筛学者，导出名单
  5. 05逐批发送，人工记录反馈
→
After · ScholarReach

Automated Pipeline

30 mins
  1. 01AI 提取论文信息与关键字段
  2. 02AI 生成背景图 + PSD 模板合成封面
  3. 03HTML 邮件模板自动填充变量
  4. 04AI 关键词评分 + 行为加权选取学者
  5. 05批量投放 + 数据回收
难点不在生成一张封面，而在稳定输出一千张都达标。
— Core Design Challenge
02
System Architecture

三模块，一闭环。

推广全流程拆解为三个独立模块——内容生成、智能触达、工作台管理，由统一的项目记录串联数据流。

i

Content Generation

内容生成

粘贴论文信息或由 AI 自动提取标题、作者、关键词等字段；AI 生成背景图与图标，模板引擎合成封面；邮件模板自动填充变量。

  • AI 论文信息提取
  • 模板化封面合成引擎
  • AI 背景图与图标生成
  • 邮件模板自动填充
ii

Smart Targeting

智能触达

按关键词爬取学者邮箱，AI 对关键词与论文做相关性评分，叠加历史行为综合加权，为每篇论文定制最相关的收件人名单并批量投放。

  • 关键词学者爬取
  • AI 相关性评分
  • 行为加权排序
  • 批量投放与追踪
iii

Workspace and Assets

工作台与素材

背景图与图标素材库支持手动管理与 AI 生成。可视化工作台支持人工审校与即时重生成，邮件可视化编辑器支持所见即所得调整。

  • 素材库管理
  • 项目记录与跨会话恢复
  • 邮件可视化编辑器
  • Prompt 模板编辑
03
The Core Method

让 AI 稳定输出。

AIGC 的关键不在"能生成"，而在"能稳定生成"。四支柱方法论将不确定性压至可交付水平。

Why AI alone can't make covers

直接让 AI 生成学术封面，问题不在"能不能画出来"，而在"能不能每次都对"。我们在实践中遇到了四类高频失败：

i.
文字不可控

AI 画出的文字拼写错误、字形扭曲、排版混乱。刊名、作者、卷期号必须100%准确——一个字母的偏差就意味着不可用。解决方案：AI 只画背景画面，所有文字在生成后由排版引擎精准叠加。

ii.
主题抓不住

直接把论文标题丢给图像 AI，生成的画面经常偏离论文真正的研究对象——"储能电池优化"可能画出一堆抽象色块。解决方案：先由文本 AI 从论文中提炼出具象的视觉场景描述，再交给图像 AI 生成，确保画面与论文主题精准对应。

iii.
风格漂移

同一本期刊的封面需要统一的视觉调性，但 AI 每次生成的画风可能完全不同。解决方案：三段式 Prompt——固定风格约束锁定调性，动态变量注入论文内容，负向指令排除文字、人脸等常见干扰元素。

iv.
版式不稳定

标题长短不一、作者数量各异，每张封面的文字布局都不同。解决方案：字号根据内容自动适应，标题按最优宽度自动分行，所有排版参数由设计模板固化，确保无论内容怎么变，版式结构始终一致。

三段式 Prompt 结构 封面背景生成示例 
┌─────────────────────────────┐
│  第一段 · 固定风格            │
│  所有论文共用，锁定视觉调性    │
└─────────────────────────────┘

风格:  "电影感，写实，暖色调"
构图:  "3:4 竖版，满幅，主体居中"
氛围:  "专业，大气，学术期刊质感"


┌─────────────────────────────┐
│  第二段 · 动态文章内容         │
│  AI 提炼的具象场景描述         │
└─────────────────────────────┘

场景:  由文本 AI 从论文中提炼
  → "山脊上的风力发电机组"
  → "湖面漂浮的光伏板阵列"
  → "充电站中的电动公交车"


┌─────────────────────────────┐
│  第三段 · 负向指令            │
│  明确禁止项，消除失败模式      │
└─────────────────────────────┘

禁止:
  ✕ 任何文字、字母、水印
  ✕ 人脸、人物
  ✕ Logo、边框、UI 元素
  ✕ 抽象图案、示意图
核心策略: 文本 AI 提炼主题 → 图像 AI 生成画面 → 排版引擎叠加文字 → 模板固化版式
04
Live Walkthrough

生成流程演示。

一篇真实论文如何在平台中变成封面与推广邮件，并智能匹配目标学者投放。

Paper → Cover → Email → Send

以一篇真实论文为例的完整生成流程。
Input · 论文信息
Reinforcement Learning for Charging Infrastructure Planning in Battery Electric Bus System
Zhang, Z. et al. · Energy 360, Volume 4, December 2025, 100032
i
AI 提取论文信息标题、作者、关键词、视觉描述
idle
ii
AI 生成背景图与图标图像生成 + 自动抠图
idle
iii
封面模板合成文字自适应排版 · 图层合成
idle
iv
推广邮件生成封面嵌入 · 模板填充
idle
v
学者匹配与投放AI 评分 · 批量发送
idle
Cover
Email
推广邮件预览
Targeting · AI 学者匹配
charging infrastructure 95 electric bus 88 reinforcement learning 82 battery scheduling 71 solar panel 12
匹配学者 · Top 5
Dr. Wang, Y. · Tsinghua Univ. 96
Prof. Kim, S. · KAIST 91
Dr. Chen, L. · Zhejiang Univ. 87
Prof. Müller, H. · TU Berlin 83
Dr. Patel, R. · IIT Delhi 79
批量投放
收件人—
已发送0 / 847
预计打开率—
等待开始_
06
Three-Dimensional Matching

找到对的人，
而不是更多人。

精细化推广的核心矛盾不是"如何发送"，而是"发给谁"。传统机制用单一维度做匹配，在学术内容的高专业门槛与学科交叉趋势面前系统性失效。平台将匹配拆解为三个独立维度，每个维度解决一个不同层次的问题。

Dimension 1
领域相关性
Domain Relevance

解决"这个人研究的领域和这篇论文有关吗"。传统字面匹配无法处理同义异表、跨学科近邻等语义关系，AI 语义理解将关键词匹配从字面比对升级为领域语义判断。

解决：领域识别失效
Dimension 2
研究视角
Research Perspective

解决"同一领域内，这个人的研究视角和这篇论文匹配吗"。同一主题下，材料学者、系统工程师、政策研究者关注的内容截然不同，但这种差异不出现在关键词中——需要一套独立机制来捕捉。

解决：研究视角失效
Dimension 3
行为反馈
Behavioral Feedback

解决"这个人确实会打开推广邮件吗"。相关性判断再精确，如果学者本身对推送不感兴趣或已退订，发送就是无效触达。行为数据将"研究相关但接收意愿不在"的学者过滤出去。

解决：意愿判断缺失

领域与视角两个维度共同处理相关性问题，反馈维度处理意愿问题。
三者联合作用，构成传统单维匹配难以实现的精准触达能力。

12,847数据库学者
→
3,216领域匹配
→
1,420视角匹配
→
847行为反馈
→
847精准投放
07
Why Traditional Matching Fails

传统匹配机制的
两层失效。

问题不在于执行环节——即使发送方完成了规范操作，邮件依然系统性地落到相关性不足的读者面前。这是匹配机制本身的能力上限。

同一研究的真实读者，可能分布在多个看似无关的学科中。

第一层：领域识别失效。"photovoltaic"和"solar cell"指向同一领域，但字面不同；"energy storage"的研究者可能与"grid flexibility"高度相关，但关键词完全不重叠。字面匹配无法处理同义异表，更无法触达字面无关但研究上紧密关联的跨学科语义近邻。

第二层：研究视角失效。即使领域匹配正确，同一主题下不同视角的读者群仍存在显著分化。一篇关于"电动汽车充电优化"的论文——电池材料学者关注的是电化学性能，电网工程师关注的是负荷调度，交通政策学者关注的是基础设施规划。三者都与"EV charging"相关，但只有视角匹配的才是真正的目标读者。然而研究视角是论文的隐性属性，不出现在学科标签中。

两层失效叠加，意味着传统匹配在结构上无法应对学术内容的精确性要求与学科交叉趋势。这正是引入 AI 语义理解与向量化表征的产品动机。

Traditional
  • 关键词字面完全匹配
  • 单一维度：领域标签
  • 无法捕捉同义词与语义近邻
  • 无视研究视角差异
  • 无行为反馈机制
ScholarReach
  • AI 语义理解 + 分组筛选
  • 三维：领域 × 视角 × 反馈
  • 跨学科语义关联识别
  • 五维向量捕捉研究视角
  • 行为闭环持续优化
08
Matching Algorithms

三个维度，
三套算法。

每个维度针对一个具体问题，采用对应的技术路径。以下按匹配流程的先后顺序展开。

A
Domain

分级关键词索引 + AI 语义评分

为什么需要分级索引？数据库中积累了数万个关键词，直接让 AI 对全部关键词逐一评估既耗时又容易引入噪声。分级索引的核心思路是先缩小范围再精细评估——关键词按研究子领域分组管理，AI 先判断哪些分组与论文相关（粗筛），再对相关分组内的关键词逐一打分（精排）。

为什么用 AI 而非规则匹配？规则无法处理语义层面的关联性。"reinforcement learning"与一篇充电优化论文在字面上毫无重叠，但 AI 能理解其作为优化方法在该场景中的应用价值，给出合理的相关性评分。这正是大模型语义理解能力的产品化应用。

STEP 1 · 分组筛选（粗筛）
光伏技术 储能系统 风电技术 氢能与燃料电池 碳捕集 建筑节能 …共 20 组
STEP 2 · 组内逐词评分（精排）
charging infrastructure
95
electric bus
88
reinforcement learning
82
battery scheduling
71
B
Perspective

五维研究视角向量

为什么领域匹配不够？领域匹配回答的是"这个人研究的方向与论文相关吗"，但同一领域内不同学者的研究视角可能完全不同。一篇关于光伏电池的论文——做材料合成的和做系统集成的都属于"光伏"领域，但前者关注的是微观机理，后者关注的是工程应用。向真正关注同一视角的学者投放，打开率才会高。

为什么用五维向量？能源领域的研究视角可以沿五个主轴分解：从微观机理到宏观系统，从经济市场到政策社会，再到环境可持续。每个关键词在这五个轴上的权重分布就是它的"研究视角指纹"。作者的画像向量由其全部关键词向量平均得到，论文向量由 AI 在提取信息时一并输出，两者的余弦相似度即为视角匹配度。

D1
机理与材料

Mechanism & Material

D2
系统与工程

System & Engineering

D3
经济与市场

Economy & Market

D4
政策与社会

Policy & Society

D5
环境与可持续

Environment & Sustainability

bifacial solar cell
机理与材料 0.40 系统与工程 0.40 经济与市场 0.05 政策与社会 0.00 环境与可持续 0.15
示例：「bifacial solar cell」侧重机理与系统，几乎不涉及政策——
与同属"光伏"但偏政策视角的学者匹配度将很低
C
Feedback

行为反馈闭环

为什么相关性判断还不够？领域和视角解决的是"这个人应该对这篇论文感兴趣"的推断，但推断与现实之间存在偏差。有些学者虽然研究相关，但从不打开推广邮件；有些学者已经退订，继续发送不仅无效，还会损害发件人声誉。纯粹基于内容的匹配无法区分"相关且愿意接收"和"相关但不愿接收"。

为什么需要闭环而非一次性过滤？学者的接收意愿是动态变化的。一个当前活跃的学者未来可能失去兴趣，一个从未打开的学者可能在新论文方向上被激活。静态过滤只能处理退订这一种确定信号，而闭环机制通过持续回收行为数据，让每一轮投放都在优化下一轮的收件人名单质量。

STEP i
投放
批量发送 EDM
STEP ii
追踪
打开 / 点击 / 退订
STEP iii
评分
更新关注度评分
STEP iv
优化
下轮排序更精准
09
Feedback Loop

从发送到反馈，
一个闭环。

Relevance over Reach.

传统邮件营销看"发送量"，此处看"相关性"。按关键词爬取学者，AI 对关键词与论文做相关性评分，叠加历史行为计算综合分数。

仅向最相关学者投递，打开率从 18% 提至 40%+，退订率反而下降。

  • Signal 1
    AI 关键词评分 · AI 对全部关键词与论文做相关性打分，按研究领域分组筛选
  • Signal 2
    历史行为 · 回收打开/点击数据，计算综合关注度评分
  • Signal 3
    关键词分组 · 二级分组管理 + 自动分组规则，AI 可自动整理归类
  • Loop
    退订同步 · 退订/清除名单自动同步，标记退订者永不再发
Fig. Closed Feedback Loop
i
Generate
cover + email
ii
Score
AI keyword relevance
iii
Deliver
batch sending
iv
Track
engagement + unsub
10
Outcome & Reflection

内容生产力的重构。

平台交付后，编辑部的工作重心从重复性的封面制作与邮件排版，转向学术专题策划与投稿质量把控。

1 day → 30 mins.

推广周期压缩 48 倍；单期覆盖学者从 200 跃升至 10,000+；打开率稳定在 40%+；推广期间投稿增长 200%+。

稳定性 > 惊艳度

AIGC 产品易陷入追求 demo 效果的误区。真正支撑业务落地的关键在于输出质量的一致性与可预期性。

精确内容与生成内容分离

标题、作者、卷期号、QR 码等结构化信息不应由图像模型直接渲染，而应通过合成引擎在生成后精准注入，确保字体样式与排版参数的完整还原。

交互行为即优化信号

用户的每一次重新生成操作本身构成有效数据——被接受与被拒绝的输出差异，为后续 Prompt 迭代提供了最直接的优化依据。

相关性 > 触达量

大模型将精准匹配的边际成本降至与批量触达相当，从根本上改变了学术推广的效率模型。

11
About

关于作者。

李焱楠
具备设计、理工与社科的复合跨学科背景，学习能力强，擅长从需求分析到数据验证的全链路产品思维；熟练使用 Python、Excel 进行数据分析，掌握 PS、AI、Axure 等设计原型工具，英语 CET-6；拥有丰富的主流 AI 大模型使用经验，掌握 AI 编程工具，能够将 AI 能力融入实际工作流。
2024.09 — 2027.06

北京大学

国土空间规划硕士

主修：城乡规划理论与方法、城市系统优化、地理学理论与方法。

2019.09 — 2024.06

大连理工大学

城乡规划本科

主修：城市规划原理、城市设计原理、GIS 原理与应用、城市社会调查研究方法。