核心用法
scholar-search 是一个统一封装 arXiv 和 Semantic Scholar 两大学术数据库的命令行检索工具，通过 Python 脚本实现跨平台论文搜索、详情拉取、引用网络扩展与作者轨迹分析。
主要功能模式：
- 主题检索：支持关键词、作者、学科分类、时间范围等多维度组合查询
- 精确拉取：通过 arXiv ID、DOI、Paper ID 快速获取单篇或多篇完整元数据
- 引用扩展：沿引用链向前（参考文献）或向后（被引用）扩展研究脉络
- 作者追踪：获取特定作者的全部论文列表及影响力指标
双引擎设计：
- arXiv 引擎：专注预印本，支持
cat:学科分类前缀、submittedDate时间过滤，适合追踪最新研究成果 - Semantic Scholar 引擎：提供引用计数、影响力引用、开放获取状态、TL;DR 摘要等增值字段，支持更精细的学术影响力分析
显著优点
1. 统一接口：单一脚本封装两大权威数据库，降低多平台学习成本
2. 结构化输出：强制标准化字段（标题、摘要、作者、引用数、PDF 链接等），便于后续分析
3. 智能工作流内置：文档详细规定了相关性分层、质量检查、继续检索/停止条件，减少人工筛选负担
4. 字段真实性校验：输出前强制验证关键字段，杜绝 hallucination
5. 灵活过滤：支持年份、会议、引用数阈值、研究领域等多重硬过滤
潜在缺点与局限性
1. 依赖外部 API 稳定性：arXiv 限流严格（每 3 秒 1 请求），Semantic Scholar 需 API Key 且存在配额限制
2. 无本地缓存机制：重复查询会重复消耗 API 配额
3. 中文支持有限：论文元数据以英文为主，中文论文覆盖不全
4. 复杂查询语法门槛：arXiv 的 search_query 需掌握 ti:, au:, cat: 等前缀语法
5. 输出格式刚性：强制markdown结构虽规范，但难以自定义格式适配其他工具链
适合人群
- 科研人员：系统性文献综述、前沿方向追踪
- 研究生：开题调研、相关工作整理
- 技术分析师：AI/ML 领域技术趋势监测
- 学术写作辅助：快速获取标准引用格式与论文元数据
常规风险
- API 配额耗尽：Semantic Scholar 免费 tier 有请求上限，高频使用可能触发 429 错误
- 数据时效性：arXiv 预印本未经同行评审，质量参差不齐；Semantic Scholar 数据更新存在延迟
- 引用数延迟：新发表论文的引用计数可能未及时收录
- PDF 链接失效：开放获取状态动态变化，历史链接可能 404