Why One Search Bar Is Never Enough: Lessons in AI Literature Research

Защо едно поле за търсене никога не е достатъчно: Изследването на научна литература с ИИ

Plamen MILTENOFF

Can an we rely on a single AI search tool to conduct our literature reviews?
Recent benchmark tests show relying on just one tool or default search interface leaves massive blind spots in academic research.
Why Alfred and Danny Search Using a Blended Approach
When Alfred tested a complex research question across three search setups—OpenAlex semantic search, the Consensus API, and the Consensus Pro agent—he discovered a striking reality: out of 55 unique research papers retrieved, only a single paper appeared across all three tools!
Each search engine has its own unique strengths and built-in biases:
– OpenAlex acts like an archivist who loves deep archives. It successfully found foundational NASA, DTIC, and AIAA reports from the 1960s to 1980s. However, because it matches exact phrases, it occasionally got distracted and included off-topic papers about turbines and engines, achieving a 72% on-topic rate.
– Consensus (API & Pro Agent) acts like a modern tech researcher. It achieved outstanding topic precision (96% to 100% on-topic), but heavily favored recent publications. Its API results had a median publication year of 2021, and its Pro agent focused heavily on papers from 2020 onward. Even when specifically prompted to cover historical studies from the 1950s–1990s, the Pro agent cited recent review papers written in 2011–2018 rather than original historical research.
A Simple Example
Imagine you want to research the history and culinary science of baking sourdough bread:
– Tool A (like OpenAlex) gives you original 1960s bakery manuals. However, because it looks for exact words like “dough”, it accidentally includes a couple of 1970s articles about play-dough.
– Tool B (like Consensus) gives you sleek, highly accurate sourdough recipes from 2024 food journals. When you ask Tool B for the 1950s history, it gives you a 2024 article summarizing what people did in the 1950s, rather than the actual 1950s source text.
This is why Danny Walther does not rely on a single click. Danny uses a blended multi-run strategy: he runs keyword and semantic queries across OpenAlex, Semantic Scholar, and web connectors, and then uses custom AI “skills” (automated workflows) to compare, filter, and synthesize all the results into a complete picture.
How to Run These Searches: API vs. MCP
To combine these tools efficiently, researchers connect to them using two technical bridges: APIs and MCP.
1. Searching via API (Application Programming Interface)
– What it is in simple terms: An API is like placing an order directly through a digital menu without using a visual web browser. Your script sends exact parameters straight to the search engine’s database and gets back clean structured data.
– How to use it: You write a small script (e.g., in Python) defining specific filters. For example, because Consensus’s default algorithm buries older studies, Alfred used the API to add a strict publication year parameter (year_max = 1990). By enforcing this date boundary via the API, Consensus instantly returned 25 classic historical reports from 1961–1988 that were previously completely hidden.
2. Searching via MCP (Model Context Protocol)
– What it is in simple terms: MCP is a plug-in protocol that connects an AI assistant (like Claude) directly to external tools and databases.
– How to use it: Instead of manually running scripts or copying and pasting papers, you configure an MCP server in your AI client. When you ask the AI a question in plain natural language, the AI automatically uses its MCP connection to send queries behind the scenes, pull abstracts or full text, analyze citations, and present a fully formatted answer directly in your chat window.
Key Takeaway for Academic Research
Relying on a single AI search tool gives an illusion of completeness. By combining OpenAlex’s broad historical coverage with Consensus’s precise modern synthesis—and linking them together using APIs, MCP, and custom AI skills—we can ensure our research at UE-Varna remains both historically grounded and cutting-edge.
 		Можем ли да разчитаме само на един инструмент за търсене с ИИ, за да направим преглед на литературата?
Неотдавнашни тестове (бенчмаркове) показват защо разчитането само на един инструмент или стандартен интерфейс за търсене оставя огромни „бели петна“ в научните изследвания.
Защо Алфред и Дани използват комбиниран подход при търсенето
Когато Алфред тества сложен изследователски въпрос през три конфигурации за търсене — семантично търсене в OpenAlex, Consensus API и Consensus Pro agent — той открива поразителна реалност: от 55 уникални научни публикации, извлечени от инструментите, само един-единствен доклад се появява и в трите!
Всяка търсачка има свои специфични силни страни и вградини предпочитания:
– OpenAlex действа като архивар, който обича дълбоките архиви. Той успешно открива фундаментални доклади на NASA, DTIC и AIAA от 1960-те до 1980-те години. Тъй като търси по съвпадение на точни фрази обаче, той понякога се отклонява и включва статии извън темата (за турбини и двигатели), постигайки 72% точност по темата.
– Consensus (API & Pro Agent) действа като модерен технологичен изследовател. Постига изключителна точност по темата (от 96% до 100%), но е силно ориентиран към съвременни публикации. Резултатите от неговото API имат медианна година на публикуване 2021 г., а Pro agent-ът се фокусира предимно върху статии от 2020 г. нататък. Дори когато е изрично подканен да покрие исторически изследвания от 1950-те до 1990-те години, Pro agent-ът цитира съвременни обзорни статии, написани през 2011–2018 г., вместо първични исторически източници.
Един обикновен пример
Представете си, че искате да проучите историята и кулинарната наука зад месенето на хляб с квас:
– Инструмент A (като OpenAlex) ви дава оригинални наръчници за пекарство от 1960-те години. Тъй като обаче търси точни думи като “тесто”, той погрешно включва и няколко статии от 1970-те за пластилин (play-dough).
– Инструмент B (като Consensus) ви дава елегантни, изключително точни рецепти за хляб с квас от кулинарни списания от 2024 г.. Когато поискате от Инструмент B историята от 1950-те години, той ви дава статия от 2024 г., която обобщава какво са правили хората през 1950-те, вместо самия оригинален текст от онова време.
Ето защо Дани Валтер не разчита на едно единично кликване. Дани използва комбинирана стратегия с множество серии от търсения: той изпълнява ключови и семантични търсения през OpenAlex, Semantic Scholar и уеб конектори, след което използва персонализирани ИИ „умения“ (автоматизирани работни процеси), за да сравни, филтрира и синтезира всички резултати в пълна картина.
Как да изпълним тези търсения: API спрямо MCP
За да свържат тези инструменти ефективно, изследователите използват два технически моста: API и MCP.
1. Търсене чрез API (Application Programming Interface)
– Какво представлява на прост език: API е като да направите поръчка директно през цифрово меню, без да използвате визуален уеб браузър. Вашият скрипт изпраща точни параметри директно към базата данни на търсачката и получава обратно чисти, структурирани данни.
– Как да го използвате: Пишете кратък скрипт (напр. на Python), задаващ конкретни филтри. Тъй като алгоритъмът по подразбиране на Consensus скрива по-старите изследвания, Алфред използва API, за да добави строг параметър за година на публикуване (year_max = 1990). Чрез прилагането на тази граница по дата през API, Consensus незабавно връща 25 класически исторически доклада от периода 1961–1988 г., които преди са били напълно скрити.
2. Търсене чрез MCP (Model Context Protocol)
– Какво представлява на прост език: MCP е протокол за свързване (плъгин), който свързва асистент с ИИ (като Claude) директно с външни инструменти и бази данни.
– Как да го използвате: Вместо ръчно да изпълнявате скриптове или да копирате и поставяте статии, конфигурирате MCP сървър във вашия ИИ клиент. Когато зададете въпрос на ИИ на обикновен естествен език, той автоматично използва своята MCP връзка, за да изпраща заявки зад кулисите, да извлича резюмета или пълни текстове, да анализира цитирания и да представи напълно форматиран отговор директно във вашия прозорец за чат.
Основен извод за академичните изследвания
Разчитането на един-единствен инструмент за търсене с ИИ създава илюзия за пълнота. Чрез комбинирането на широкото историческо покритие на OpenAlex с прецизния съвременен синтез на Consensus — и свързването им чрез API, MCP и персонализирани ИИ умения — можем да гарантираме, че нашите изследвания в ИУ–Варна остават както исторически обосновани, така и иновативни.