基于arXiv的AI论文自动发现与深度分析工具，支持子代理并行阅读、结构化简报生成，适合科研人员高效追踪前沿动态
说明：
## 核心用法
Paper Recommendation Skill 是一套完整的AI论文研究自动化工作流工具，主要服务于需要追踪学术前沿的科研人员和技术团队。
**标准工作流程**：
1. **论文获取**：通过 `fetch_papers.py` 从arXiv API按关键词抓取最新论文，支持PDF批量下载
2. **并行评审**：`review_papers.py` 生成子代理任务，利用多代理并发阅读多篇论文
3. **深度分析**：子代理通过arXiv HTML页面提取完整信息（机构、摘要、贡献、实验、结论）
4. **智能筛选**：基于评分（1-5分）和推荐标志综合决策
5. **简报生成**：按强制格式输出结构化Markdown简报，含完整中文翻译
6. **自动推送**：支持Telegram定时投递，可配置Cron每日10:00自动执行
**技术亮点**：采用”主代理决策+子代理执行”的分层架构，将论文阅读这一耗时任务并行化；标准简报格式强制要求包含实验结果和机构信息，避免信息缺失。
## 显著优点
– **全流程自动化**：从发现到简报生成无需人工干预，支持Cron定时任务
– **结构化输出**：强制标准格式确保信息完整性，特别适合团队知识沉淀
– **并行加速**：子代理并发阅读突破单线程瓶颈，适合批量处理
– **领域聚焦**：预配置具身智能、多智能体等热门方向关键词
– **零第三方依赖**：仅使用Python标准库，供应链风险极低
## 潜在局限
– **来源单一**：仅支持arXiv，未覆盖NeurIPS/ICML等会议论文或PubMed等其他领域
– **PDF解析依赖**：需系统预装pdftotext（Poppler），Windows环境配置较复杂
– **硬编码配置**：Telegram用户ID、本地网关地址硬编码，缺乏多用户支持
– **评分主观性**：子代理评分依赖模型判断，缺乏领域专家校准机制
– **中文翻译质量**：摘要翻译质量取决于子代理能力，专业术语可能不准确
## 适合人群
– AI/ML研究人员：需要每日追踪arXiv最新成果的博士生、博士后、研究科学家
– 技术团队Leader：希望为团队自动化收集技术情报的工程经理
– 学术自媒体：需要稳定内容源的科技博主、 Newsletter 运营者
– 企业技术战略部：关注具身智能、多智能体等前沿方向的产业研究岗位
## 常规风险
– **硬编码敏感信息**：Telegram ID硬编码存在轻微隐私泄露风险，建议迁移至环境变量
– **subprocess调用**：多处使用curl/pdftotext外部命令，虽无注入风险但增加环境依赖
– **代码缺陷**：read_pdf.py存在未导入re模块的bug，可能导致运行时错误
– **网络依赖**：完全依赖arXiv服务可用性，无本地缓存降级机制
– **Cron任务管理**：自动任务失败时依赖Telegram反馈，若推送失败可能静默丢失
会员专属
