核心功能
Document Workflow 是一套面向学术研究者的自动化论文处理流水线，实现从文献检索到知识沉淀的端到端闭环。该工具基于 Semantic Scholar API 构建四层核心能力：
1. 智能检索层：支持关键词搜索、年份过滤（--year_from/--year_to）、引用量排序，返回包含 PDF 直链的结构化元数据。
2. 稳定下载层：管道化设计支持搜索输出直连下载模块，内置 120 秒超时重试机制，自动按主题归档并生成 metadata.json。
3. 分块提取层：针对大篇幅论文（50+页）设计的分页提取策略，通过 --start/--end 参数将内容切割为 5-10 页区块，规避上下文窗口溢出风险，输出可复用的 JSON 格式。
4. 结构化总结层：强制按预定义 Schema 输出，涵盖任务定义（领域、问题陈述、核心贡献）、实验设计（数据集、基线方法、评估指标）及关键发现，确保知识提取的标准化与可比较性。
显著优势
- 工程化完备：支持 stdin 管道、环境变量配置、Cron 定时任务（
world_model_paper_daily），可无缝接入 Telegram 推送 - 防御性设计：分块提取机制主动规避大模型上下文限制；超时参数与编码处理（UTF-8/chcp 65001）覆盖常见故障场景
- 数据可追溯：搜索记录、原始 PDF、提取片段、元数据四层隔离存储，支持结果复用与审计
局限性与风险
- 数据源依赖：核心检索能力绑定 Semantic Scholar，API 稳定性与配额限制直接影响可用性
- 版权合规：自动下载 PDF 可能触及出版商服务条款，需用户自行确认授权范围
- 提取质量波动：PDF 解析依赖底层库，扫描版论文或复杂排版可能导致乱码或结构丢失
- 总结深度受限：Schema 驱动的结构化输出虽保证一致性，但可能遗漏论文中的非标准化创新点
适用人群
科研人员、技术调研工程师、AI 领域从业者及需要系统性追踪特定研究方向的团队，尤其适合需批量处理最新文献（2024+）的场景。
常规风险
- API 密钥泄露：内置默认 key 存在共享风险，生产环境应替换为私有密钥
- 存储膨胀：自动归档策略需配合定期清理，避免磁盘空间无限制增长
- 自动化依赖：定时任务推送可能引入信息过载，需人工筛选机制配套