Agentic Paper Digest Skill

核心用法

Agentic Paper Digest 是一个自动化的学术论文聚合与摘要系统，主要面向研究人员和AI从业者。其核心工作流包括：

1. 多源抓取：从 arXiv（支持多类别如 cs.CL、cs.AI 等）和 Hugging Face 平台获取最新论文
2. 智能筛选：通过 LLM 进行相关性评分，基于用户定义的 topics.json 主题配置进行分类
3. 摘要生成：对筛选后的论文生成结构化摘要，可选启用 PDF 首页文本提取增强摘要质量
4. 输出交付：支持 CLI JSON 输出或本地 API 服务（端口8000），数据持久化存储于 SQLite

运行模式

• CLI 模式：单次运行，适合定时任务集成
• API 模式：持续服务，支持轮询式工作流，提供 /api/run、/api/papers、/api/topics 等端点

显著优点

• 高度可配置：通过环境变量或 .env 文件灵活控制模型选择、温度参数、抓取窗口、分类主题等
• 双模型策略：支持分别为相关性判断和摘要生成配置不同强度的模型，优化成本与质量平衡
• 机构加权：affiliations.json 允许对特定研究机构进行加权提升，优先展示权威来源
• 多源整合：同时覆盖 arXiv 和 Hugging Face 两大核心学术平台
• 主题去重：max_per_topic 机制防止单一主题过度占据结果

潜在缺点与局限性

• 依赖外部 LLM：必须配置 OpenAI API Key 或兼容的 LiteLLM 代理，存在服务中断和成本风险
• Python 环境依赖：需要 Python 3 及可选的 PyMuPDF，对非技术用户有一定门槛
• 端口冲突风险：API 模式固定使用 8000 端口，需手动处理占用情况
• 配置复杂度：topics.json 要求主题互斥且 ID 精确匹配，配置不当会导致分类失效
• PDF 解析限制：PDF 文本提取仅首页，且依赖额外依赖安装
• 无内置持久化调度：CLI 模式需配合外部 cron/systemd 实现定时运行

适合人群

• AI/ML 研究人员需跟踪最新论文动态
• 技术团队构建内部论文推荐系统
• 自动化工作流开发者（可与 n8n、Make 等集成）
• 对 arXiv 特定类别（如 cs.CL、cs.CR）有持续监控需求的从业者

常规风险

• API 密钥泄露：.env 文件或环境变量管理不当可能导致密钥暴露
• 成本失控：高频调度配合大模型可能产生意外费用，建议设置预算告警
• 数据隐私：论文元数据和摘要流经第三方 LLM API，敏感研究需注意合规
• 服务可用性：arXiv/Hugging Face API 变更或 LLM 服务中断会影响功能
• SQLite 并发：API 模式下多进程访问 SQLite 可能存在锁竞争，高并发场景建议迁移至 PostgreSQL

核心用法

Agentic Paper Digest 是一个面向学术研究者的自动化论文追踪工具，支持从 arXiv 和 Hugging Face 实时获取最新论文，并通过 LLM 进行智能相关性分类与摘要生成。该 Skill 提供 CLI 和 REST API 两种运行模式：CLI 模式适合一次性获取指定时间窗口内的论文摘要并输出 JSON；API 模式则启动本地服务器（默认 8000 端口），支持定时轮询、状态查询和主题管理等高级工作流。

配置层面，用户通过环境变量（.env 文件或导出）设置 API 密钥与模型参数，支持 OpenAI 官方 API 或任意 LiteLLM 兼容的 OpenAI 格式代理。核心配置包括：论文获取范围（WINDOW_HOURS、ARXIV_CATEGORIES）、模型选择（LITELLM_MODEL_RELEVANCE/SUMMARY）、主题定义（config/topics.json）以及可选的 PDF 首页文本提取（ENABLE_PDF_TEXT=1）。主题系统允许用户定义研究兴趣领域，LLM 将每篇论文分类至最匹配的主题，支持按主题数量上限过滤结果。

显著优点

1. 智能工作流自动化：将论文抓取、相关性过滤、主题分类、摘要生成整合为端到端管道，显著节省研究者手动筛选文献的时间。
2. 高度可配置：支持自定义主题、模型、温度参数、来源类别、时间窗口，适配不同研究领域对质量和速度的平衡需求。
3. 双模式架构：CLI 快速获取结果，API 支持长期运行的轮询服务，可集成至个人知识管理工具或团队协作流程。
4. 多源聚合：同时覆盖 arXiv 预印本和 Hugging Face 模型/论文，兼顾理论研究与工程实践动态。

潜在缺点与局限性

• 外部 API 强依赖：核心功能（相关性判断、摘要生成）完全依赖 OpenAI 或兼容 LLM API，无网络或密钥失效时无法工作，暂无离线/本地模型支持。
• T3 来源风险：代码由个人开发者维护，通过 bootstrap 脚本动态从 GitHub 下载执行，存在供应链攻击面。
• 动态依赖安装：运行时通过 pip 安装依赖，未锁定版本，可能因依赖更新引入兼容性问题或漏洞。
• 主题定义门槛：主题质量直接影响分类效果，需用户具备领域知识以设计互斥、聚焦的主题描述。
• 英文内容为主：arXiv 和 Hugging Face 以英文论文为主，对中文或其他语言研究覆盖有限。

适合人群

• AI/ML 领域研究者需每日追踪 arXiv cs.CL/cs.AI/cs.LG 等类别更新
• 工程团队关注 Hugging Face 新模型发布与实现
• 技术负责人建立团队内部论文分享与知识库自动化流程
• 对 LLM 辅助信息筛选有基本了解，能配置 API 密钥和环境变量的技术用户

常规风险

| 风险类别 | 说明 | 缓释建议 |

|---------|------|---------|

| 供应链安全 | bootstrap.sh 从 GitHub 动态下载代码执行 | 手动克隆仓库后使用本地代码，或验证下载文件哈希 |

| API 密钥泄露 | OPENAI_API_KEY 等需配置在环境或 .env 文件 | 使用专用 API 密钥，限制额度，避免提交至版本控制 |

| 隐私合规 | 论文标题、摘要发送至外部 LLM API | 确认机构数据政策，敏感研究内容考虑脱敏或禁用 |

| 服务可用性 | 依赖 arXiv/Hugging Face/OpenAI 服务在线 | 设置合理的超时与重试，准备手动备选方案 |

| 进程管理 | stop_api.sh 使用 pkill 可能误杀进程 | 检查无其他匹配进程后再执行停止命令 |