“AND”（与）运算符：它起着缩小检索范围的作用。当我们使用 “AND” 连接多个检索词时，意味着最终检索出的文献必须同时涵盖这些由 “AND” 相连的所有词汇所代表的内容。例如，若研究主题是 “区块链技术在金融领域的应用”，检索式写成 “区块链 AND 金融”，那么只有既深入探讨区块链技术，又聚焦金融领域应用的文献才会出现在结果里，精准定位到高度契合主题的资料，避免无关信息的干扰。

“OR”（或）运算符：其功能是扩大检索范围。当用 “OR” 连接不同检索词时，只要文献涉及到 “OR” 所连接的任意一个检索词，就会被检索出来。比如在探索人工智能相关前沿知识时，检索 “人工智能 OR 机器学习 OR 深度学习”，无论是专注于人工智能本身，还是侧重于机器学习、深度学习等细分领域，亦或是对这些概念均有涉及的文献，统统都会呈现，以防因术语表达差异而遗漏重要文献。

“NOT”（非）运算符：主要用于排除特定内容，以精炼检索结果。例如，若已经对云计算的通用知识有一定了解，当下重点关注公有云方向，检索式写成 “云计算 NOT 私有云”，系统就会把包含云计算但专门论述私有云的文献剔除，让检索结果紧紧围绕公有云相关研究，使获取的资料更贴合研究需求。

截词检索：这是应对计算机领域术语多变的有效手段。通常分为前截词、后截词和中间截词。比如，后截词使用广泛，若想查找所有与 “compute” 相关的词汇，像 “compute*”，就能检索出 “computer”“computing”“computation” 等一系列以 “compute” 开头的单词变化形式的文献，避免因单词单复数、时态等形式不同而遗漏资料，大大拓宽了检索广度。

字段检索：可以指定在文献的特定字段中进行检索，如标题、作者、关键词、摘要、出版年份等。假设你对某一知名计算机科学家在近五年内发表的关于图像处理的论文感兴趣，就可以在作者字段输入该科学家姓名，在关键词字段输入 “图像处理”，并限定出版年份为近五年，这样检索出的文献精准度极高，能直接定位到符合多项特定要求的资料。

短语检索：当需要查找一个固定短语表述的概念时，使用短语检索至关重要。用引号将短语括起来，如检索 “artificial intelligence ethics”（人工智能伦理），系统就只会返回包含这个完整短语，而非单个单词随意组合的文献，确保检索结果紧密围绕特定核心概念，提升准确性。

引文检索：依据文献之间的引用关系来挖掘更多有用资源。通过查找一篇经典论文被哪些后续文献引用，能追踪到该研究方向的最新进展；或者查看引用了多篇重要文献的论文，极有可能发现整合多方观点、具有创新性的研究成果，这对全面深入了解一个研究领域的发展脉络帮助极大。