核心用法
ArXiv Paper Processor 是一套面向学术研究场景的人工驱动论文处理工具，定位于模型深度理解而非脚本自动化。其核心工作流分为三步：首先通过 Python 脚本下载论文源码（LaTeX）或 PDF 作为阅读素材，随后由模型人工通读全文内容，最后按固定格式撰写 summary.md 摘要文档。
该工具提供单篇与批量两种模式。批量模式支持并发下载（--max-workers）、速率限制（--min-interval-sec）和断点续传（本地状态文件 .runtime/arxiv_download_state.json），可安全处理数十至上百篇论文的素材获取。语言参数（--language）贯穿始终，最终摘要需严格以指定语言输出。
显著优点
- 人工深度理解优先：明确禁止脚本片段提取、正则收割或模板自动填充，强制要求模型逐字阅读后综合撰写，避免学术内容的形式化空泛
- 双轨素材获取：优先获取 LaTeX 源码以获得完整结构信息，源码不可得时回退至 PDF，兼顾完整性与兼容性
- 工程化批量能力：内置 429 防护、幂等下载（跳过已存在文件）、可恢复进度，适合大规模文献调研场景
- 结构化输出规范：
summary.md采用固定 10 节格式，关键字段（如ArXiv ID、Reading basis）严格限定键名，便于下游自动化处理 - 质量门控设计：提供中英文示例文档作为 detail-level benchmark，要求章节 4/5/10 必须包含方法细节与实验设定，模糊处需显式标注不确定性
潜在缺点与局限性
- 人工处理瓶颈：模型阅读与撰写速度远低于脚本自动化，单篇耗时显著，不适合毫秒级响应场景
- 依赖外部稳定性：arXiv 源站速率限制、LaTeX 编译复杂度、PDF 解析质量均可能影响素材可用性
- 无实时检索能力：需前置
arxiv-search-collector提供论文目录与元数据，本 skill 不直接对接 arXiv API 进行主题检索 - 输出一致性风险：不同模型或同一模型多次运行对同一论文的摘要可能存在表述差异，需人工审核关键结论
适合人群
- 需要撰写系统性文献综述（literature review）的科研人员与研究生
- 构建领域知识库、需结构化摘要支持下游 NLP 任务（如语义检索、知识图谱构建）的技术团队
- 对学术内容准确性要求高、愿以时间成本换取理解深度的研究助理与智库分析师
常规风险
- 版权合规：arXiv 预印本虽开放获取，但批量下载需遵守其 robots.txt 与速率政策，商业用途需关注各论文的授权条款
- 模型幻觉：尽管要求人工阅读，长文本摘要仍可能出现事实扭曲或引用错误，建议关键结论与原文片段交叉核验
- 存储与隐私：批量下载产生大量本地文件（源码、PDF、日志），敏感研究领域需注意本地数据隔离与访问控制
- 供应链风险：依赖 Python 3 与特定脚本，环境版本漂移或依赖库漏洞可能中断处理流程