paper-recommendation

核心用法

Paper Recommendation Skill 是一套完整的AI研究论文自动化工作流工具，专为学术研究者设计。其核心流程包括：首先通过 fetch_papers.py 从arXiv API按分类（cs.AI/cs.LG/cs.MA）和关键词抓取最新论文并下载PDF；随后 review_papers.py 生成子代理任务，利用 sessions_spawn 并行启动多个子代理对论文进行深度阅读；子代理从arXiv HTML页面提取机构、完整摘要、核心贡献、实验结论等关键信息并评分；最终由主代理综合评审结果，按标准格式生成包含统计概览的详细简报，支持Telegram自动推送。整个流程可通过Cron配置实现每日10:00自动执行。

显著优点

效率提升显著：并行子代理架构将传统串行文献阅读时间从数小时压缩至分钟级，特别适合需要快速跟进领域进展的研究者。输出质量标准化：强制遵循的简报格式确保每篇论文包含机构、中文摘要、核心贡献、实验结果等完整字段，避免信息遗漏。自动化程度高：从论文发现到推送的全链路无人值守，支持具身智能等特定领域的持续追踪。技术栈轻量：仅依赖curl、pdftotext等系统工具，无需复杂ML模型或外部API密钥。可扩展性强：关键词、分类、子代理模型均可通过配置调整，适应不同研究方向。

潜在缺点与局限性

依赖arXiv单一数据源：未覆盖ACL、NeurIPS等会议论文，可能遗漏最新研究成果。PDF解析能力有限：基于pdftotext的文本提取对复杂排版、公式、图表支持不佳，影响部分论文的阅读质量。子代理成本不可控：并行评审大量论文时，LLM调用费用可能显著增加。硬编码配置问题：Telegram ID等参数写死在代码中，多用户场景下灵活性不足。评审质量波动：子代理评分依赖模型能力，对跨学科论文可能存在偏见。无持久化存储：论文元数据和历史评审结果未设计数据库管理，难以进行长期趋势分析。

适合的目标群体

AI/ML领域研究生与博士生：需要系统性跟进arXiv预印本，快速筛选与课题相关的论文。工业界算法工程师：关注具身智能、多智能体等特定技术方向的最新实践进展。小型研究团队负责人：希望建立团队内部论文分享机制，降低成员文献调研负担。独立研究者：缺乏机构订阅数据库访问，依赖开放获取资源的个人学者。

使用风险

网络依赖风险：arXiv API访问不稳定或变更可能导致抓取失败，需关注官方接口更新。存储空间膨胀：每日自动下载PDF将快速消耗磁盘空间，需定期清理或配置保留策略。Telegram隐私考量：简报自动发送至固定ID，若服务器被入侵可能导致研究兴趣泄露。子代理超时累积：单篇论文阅读超时设置为120秒，批量任务可能因队列堆积影响整体时效性。格式合规压力：严格的简报格式要求对子代理提示工程提出较高要求，版本迭代时需验证输出稳定性。