每天早晨打开电脑先刷一遍 arxiv-sanity 已经成了我过去三年雷打不动的习惯。在没遇见它之前我追自己研究领域论文的方式特别原始——早上打开 arXiv 官网按照自己的几个关键词搜索然后一篇篇点开标题扫摘要碰到相关度高的再下载 PDF。这个方法听着还行但实际操作下来每天新挂在网上的论文越来越多标题里全是缩写术语光靠搜索词匹配很容易漏掉那些“题目没踩中关键词但内容很相关”的工作。直到我开始用 arxiv-sanity 这个工具才真正把“追论文”这件事变成了一个可持续的、可复盘的流程。这篇文章就专门聊聊 arxiv-sanity 的实际用法从注册、建立 Feed、形成浏览习惯到用它的相似论文推荐扩展知识边界再到一些我自己踩过的坑和总结出来的细节技巧。不管你是刚入门的硕博新生还是已经带学生的老手只要你还得看论文、追领域进展这套思路都能直接抄作业。1. arxiv-sanity 到底是干嘛的先捋清楚1.1 追论文这件事的痛点从来没有变过我身边很多朋友都抱怨过同一个问题arXiv 上的论文数量涨得太快快到自己根本没法靠“刷标题”跟上动态。以我所在的方向为例每个月几十篇高度相关的新文章很正常如果只盯顶尖组的工作和导师推荐又会错过一些有意思的小组和交叉研究。手动搜索关键词的根本问题是——它只会匹配字面意思没法判断这篇论文到底跟你的研究脉络有没有关系。比如你搜“image generation”得到的是一堆风格差异巨大的论文既有做扩散模型的也有做 GAN 的还有做非自回归生成的全混在一起靠标题根本筛不出来。而 arxiv-sanity 从设计上就不太一样。它不追求给你一个“全宇宙最全的论文库”而是帮你把海量论文折叠成几条时间线再配合一套基于收藏偏好的推荐机制让你每天只需要花少量时间就能完成一次“粗筛”。可以这么理解它做的不是搜索引擎是带排序的论文雷达。1.2 它的核心逻辑抓元数据排序再把你的偏好变成推荐arxiv-sanity 是 Andrej Karpathy 在多年前开源的一个项目核心思路其实不复杂。它首先通过 arXiv 的官方 API 批量抓取论文的标题、摘要、作者、标签这些元数据存到本地数据库里。之后网页前端会按时间线展示这些论文同时每篇论文有自己的一组标签tag。用户做的事情只有两件把感兴趣的论文收藏进自己的 Library以及给论文打标签、建立 Feed。系统会根据你收藏的论文组成一个兴趣画像用文本相似度算法去计算其他论文和你兴趣集之间的距离最终在页面上给出一个推荐度排序。这套逻辑最聪明的地方在于它不要求用户解释“我为什么喜欢这篇论文”只需要你点一下收藏。所有隐式反馈——你收藏了哪些摘要、你给哪些论文加了标签——都会被用来重建你的兴趣分布。时间越久种子论文越多推荐越准。这不是玄学本质上是把“基于内容的协同过滤”应用到了论文粒度上。对于想持续跟进一个具体领域的科研人员来说这个机制比单纯的关键词订阅要科学得多。我试用过不少同类工具有的侧重引用图有的侧重语义相似推荐但 arxiv-sanity 把“时间线 推荐 手动收藏”这三件事整合得最顺手。当然它也有自己的短板后面我会专门说。但作为日常第一道筛选器它足够用了。2. 注册与初始设置别急着收藏先搭好框架2.1 在线版注册账号8 个字符是硬门槛使用 arxiv-sanity 的第一步是注册账号。这里有个特点它要求用户名必须是 8 个字符的字母数字组合而且不能在用户名里用空格或特殊符号。我第一次注册时填了“cxh”三个字母直接被拒绝后来改成“chenxiangui”长度刚好是 10 位这才通过。说白了它不是在收集你的个人信息而是为了生成一个可以公开访问的个人主页 URL方便你把自己收藏的论文分享给别人。注册完成后页面会自动给你分配一个 Slug这个 Slug 就是你个人主页的 URL 后缀。比如我的主页就长这样arxiv-sanity.com/user/chenxiangui。这个页面会展示我所有收藏的论文以及我建立的 Feed 列表。如果你不想让论文库被陌生人看也可以只把主页当作自己的后台不做任何公开分享。登录之后的第一件事我强烈建议先把页面上方的几个模块都点一遍Search搜索、Rank排名、Recommend推荐、Feed订阅、Library收藏。熟悉一下每个模块的入口后面操作起来会顺畅很多。尤其是 Search 和 Feed 这两个是整个工具的灵魂。2.2 本地部署是备选项但要有心理准备很多人搜到 arxiv-sanity 会看到 GitHub 仓库第一反应是“要不要在自己服务器上部署一套”。我试过也成功跑起来过但对绝大多数只想跟论文的人来说我不建议一上来就折腾本地部署。原因是这个项目本身依赖不少需要 Python 环境、需要从 arXiv API 拉全量元数据、还需要训练文本相似度模型所需的语料和权重。第一次同步数据可能要跑非常久而且后续要定期更新数据库这对个人的网络和主机都是负担。如果你只是单纯想看论文、跟进领域动态在线版 arxiv-sanity.com 提供的核心体验已经足够。本地部署更适合那些想做二次开发、想调整推荐算法、或者想在断网环境下维护内部论文库的人。我自己的做法是在线版为主本地版只用来跑一些我额外抓取的论文元数据的实验。代码库本身是个很好的学习资源尤其是里面文本向量化和相似度计算的实现读一遍能对这套推荐系统有更深的理解但这个不属于日常使用的范畴就不展开说了。2.3 用关键词搜索先试试水温在正式建立 Feed 之前我建议你先用 Search 模块做几个简单的搜索感受一下论文密度。比如你输入“3D reconstruction”会得到一堆时间倒序排列的论文左边是标题右边是标签和摘要。这时候不要急着把所有结果都收藏先浏览一下标题风格和摘要长度判断一下这个关键词下的论文量有多庞大。这个“试水温”的过程很重要因为它会影响你之后怎么设计 Feed。我自己常用的搜索词一般是把领域里两个核心概念拼在一起比如“diffusion model”加“medical imaging”。这样搜索出来的结果范围更集中后续建立的 Feed 也更贴近我的实际研究方向而不是整个大领域。记住一个原则Feed 是用来做日常追踪的不是用来做完整综述的。范围和密度一定要控制住否则每天推送几十上百篇照样是信息过载。3. 建立自己的论文追踪体系Feed、Library 与 Rank 的配合3.1 用 Feed 圈定研究领域关键词设计是关键Feeds 是 arxiv-sanity 最基础、也最有用的功能之一。它的作用简单说就是你设定一组关键词系统把这些关键词下匹配到的最新论文汇总到一个时间线页面上之后你只需要关注这一个页面就够了。我第一次建立 Feed 的时候犯过一个典型错误想一口气覆盖所有感兴趣的方向结果一个 Feed 里塞了大几十个关键词。不夸张地说那段时间每天早上刷页面几乎全是无关论文因为不同关键词之间交集很少反倒把真正相关的论文稀释掉了。后来我把 Feed 拆成三个一个是核心方法类比如 diffusion model、score matching一个是应用类比如 medical image synthesis、super resolution还有一个是交叉方向类比如 3D generation、neural rendering。每个 Feed 的关键词控制在 5 到 8 个量级一下子舒服了。具体操作时在 Search 模块里输入关键词后页面右侧会有一个“add to feed”的入口点击后可以新建一个 Feed 或加入已有 Feed。不同版本的位置可能略有差异但基本都在搜索结果页的显眼位置。喂进去的关键词不是一次定死的后续随时可以增删所以不用太纠结初始设置大胆先建一个跑起来后面慢慢调优就行。3.2 Library 是推荐系统的种子库别只点不养把论文收藏进 Library 的操作很简单每篇论文的摘要下方都有收藏按钮点击后论文会进入你的个人库。但我发现很多新手没有意识到 Library 的真正价值——它不仅是收藏夹更是推荐算法的训练数据。arxiv-sanity 的 Recommend 模块会根据你 Library 里的论文集合计算其他论文和这个集合的相似度然后返回一个“你可能也感兴趣”的列表。收藏的论文越多越杂这个列表就越有参考价值。我自己定了一个小目标每次浏览 Feed 时只要看到标题和摘要都让我心头一动的论文就立刻收藏。不要犹豫不要想着“等会再整理”因为浏览论文是一个高频动作如果你不把收藏变成习惯Library 就永远停留在几篇种子论文的状态推荐效果自然很一般。我还有一些更细的使用习惯给已读过的论文、比较经典的论文、导师或师兄推荐给我的论文分别做不同的标签这样在 Library 页面能按标签快速筛选。标签本身也会用于构建兴趣画像丰富的标签比单纯的一键收藏能提供更多信息。这套玩法的上限很高完全看你怎么用。3.3 Rank 页面时间窗口和推荐得分的组合拳如果你每天只有 10 分钟时间那就直接进 Rank 页面。这个页面会把你 Feed 里的论文汇合在一起默认按“最近”时间窗口展示同时每篇论文都有一个推荐得分。推荐得分的计算方式大致综合了文本相似度和你收藏行为的权重得分越高表示系统认为这篇论文和你的兴趣越匹配。我的固定流程通常是这样早上花两三分钟浏览一遍“today”窗口的标题晚上如果有空就看“week”窗口里得分靠前的十几篇。每周日我会专门点开“month”窗口把所有高得分的论文再扫一遍挑出其中两三篇精读。这套节奏听起来简单但真正坚持下来信息获取的效率远高于漫无目的地刷搜索引擎。Rank 页面的一个隐藏好处是它能帮你发现那些你没想到要看一眼的论文。有些论文标题里没有我 Feed 里的关键词但因为文本相似度高被推荐出来点开一看往往刚好是和自己工作互补或同一方法思路下的变体。这种“意外发现”的价值是关键词搜索永远给不了你的。4. 把推荐系统用到极致相似论文与 Feed 订阅扩展4.1 相似论文是读论文的隐藏地图在 arxiv-sanity 上点进任意一篇论文的详情页页面下方会出现一个“similar papers”的区域列出的都是和当前论文文本相似度最高的其他论文。这个功能我自己用得比推荐模块还勤因为它解决了一个很实际的场景当你在组会上听到一个新方向或新名词与其去搜索引擎里手动补课不如直接找到那篇最相关的起点论文然后顺着它的相似论文列表一次看十几篇很快就能把这个小方向的大致脉络拼接出来。这个方法在做文献综述的初期尤其实用。比如我们实验室有同学想调研“3D Gaussian Splatting”方向他先在 arxiv-sanity 里搜“3D Gaussian Splatting”找到引用最多的那篇文章点开相似论文列表发现里面既有渲染加速的变体也有做动态场景的还有和 NeRF 对比的。顺着这条路他在两三天内就把这个方向的代表性工作理得差不多了。这就是相似论文推荐的地图价值。需要注意一点文本相似度不等于研究主题的绝对相近摘要写法、术语习惯都会影响结果。所以相似论文列表偶尔也会出现“看着像但其实是两个完全不同的东西”的尴尬情况。这时候不用太在意把它当成一个补充阅读的入口就好真正的筛选逻辑还是要靠自己的判断。4.2 建完 Feed 后用 RSS 挂到自己的阅读器arxiv-sanity 的每个 Feed 都支持生成一个订阅地址能挂到常规的 RSS 阅读器里。这个功能特别适合那些不想每天打开新页面只想把论文信息和其他资讯一起处理的人。我在早期尝试过把 Feed 挂到 Reeder 里这样每天早上所有信息在一个 App 里看体验确实流畅。不过后来我还是更习惯直接用 arxiv-sanity 的网页端原因是网页端能看到推荐得分和摘要排版信息密度比 RSS 阅读器高出一截。个人建议是如果你本来就有 RSS 使用习惯可以挂一个低优先级的 Feed 作为备份如果不是直接用网页端就够了没必要多绕一道。4.3 结合其他工具把文献追踪做成流水线要我说arxiv-sanity 并不是唯一一个值得用的论文追踪工具关键是把它放在一个合理的工作流里。我自己目前的组合是这样的arxiv-sanity 负责每天的新论文粗筛和相似论文扩展Google Scholar 的邮件提醒负责跟踪某个具体作者或某些具体关键词的新引用Connected Papers 这类图工具则是在做综述时用来梳理大的研究脉络。三个工具各有分工互相之间不重复。有人可能会问直接用 Semantic Scholar 或 OpenAlex 的推荐不够吗它们的推荐质量其实也不错但我个人的体验是 arxiv-sanity 的 Feed 机制更贴合“每天快速浏览”这个习惯。它没有那么多复杂的过滤选项所有交互都围绕收藏、标签、时间线来展开学习成本低返回的结果也很直接。这就够了。5. 常见问题与避坑实录5.1 为什么推荐的论文看着都不对劲我见过不少朋友第一次用 Recommend 模块时兴致勃勃结果看到推荐列表后大失所望觉得推荐完全不相关。出现这种情况十有八九是 Library 里的种子论文太少或太杂。推荐算法是基于你收藏的文本内容来计算的如果只收藏了三四篇风格差异很大的论文算法根本没法形成稳定画像。解决方法是耐心“养”一阵子 Library。连续一两周每天把 Feed 里感兴趣的文章都点收藏等种子论文积累到三五十篇以上推荐的准确度就会有明显提升。另外关键词太宽的 Feed 也会拉低推荐质量建议把一个宽泛 Feed 拆成多个细粒度 Feed让算法能在更小的主题空间里发挥作用。另一个常见误操作是把读过的、决定要引用的论文一股脑全收藏不区分“和我的研究直接相关”和“我觉得写得不错但无关”。前者能够强化兴趣画像后者会干扰推荐方向。我建议只对“和当前研究方向有直接或潜在关联”的论文点击收藏其他满意的论文放到另存的书签工具里。5.2 页面很慢、Feed 更新不及时怎么办arxiv-sanity 是一个学术公益项目服务器资源和开发迭代都有限。高峰期页面加载慢、响应不及时是正常现象尤其在美国工作时间段。遇到这种情况我的经验是换个时间再刷或者直接使用之前生成的 RSS 地址在本地阅读器里看更新绕开网页端的性能瓶颈。关于更新延迟arxiv-sanity 不是实时同步 arXiv 的它收集新论文的频率有一定周期。所以你偶尔会发现某篇论文在 arXiv 上已经挂了几天但 arxiv-sanity 上还没出现。这不是 bug也不是论文被遗漏了只是数据同步存在时间差。如果你正在赶工、需要第一时间获取某篇刚上线的论文我建议还是直接去 arXiv 官方页面搜等到系统同步完成后再回到 arxiv-sanity 做沉淀管理。5.3 收藏了很多论文但根本没时间读怎么办这可能是使用这类工具最常见的心理负担。我自己也经历过一阵子“收藏 100 篇精读 0 篇”的状态后来慢慢调整了策略。现在我的原则是收藏不等于已读已读不等于理解。收藏只是为未来的搜索和推荐建立锚点真正的精读每周只需要两到三篇就足够了。为了避免“收藏太多欠账”我会每周日做一个简单的整理把上一周收藏的论文过一遍分成三档——必须精读、值得速读、暂时不读。必须精读的放进专门的文献管理软件比如 Zotero值得速读的只在 arxiv-sanity 里保留暂时不读的直接取消收藏不给系统添乱。这样做之后Library 一直是精简的、有活力的推荐系统也更准确形成了一个正循环。5.4 表格速查常见现象与应对建议现象可能原因我的建议推荐结果不相关Library 种子太少或太杂连续一两周主动收藏 30 篇以上相关论文Feed 里无关论文太多单个 Feed 关键词太宽拆分成多个细粒度 Feed关键词控制在 5 到 8 个页面慢或打不开在线版负载高换时段访问或用 RSS 地址离线阅读论文没有及时同步arXiv 数据抓取有延迟去 arXiv 官网搜最新文章稍后再回 arxiv-sanity 管理推荐总出现老论文没有区分时间窗口在 Rank 页面切换到近期或一周时间段Library 爆满但不想读缺少每周整理机制每周日做三档分流取消弱相关收藏6. 我自己的信息筛选习惯分享给你参考看到这里你应该已经清楚了 arxiv-sanity 的基本用法。但工具始终是工具真正决定信息效率的还是你的使用习惯和筛选逻辑。最后分享几点我在实际操作中沉淀下来的小经验。第一每天的信息浏览要控制节奏。我一般早上给自己留 10 到 15 分钟只做一件事打开 Rank 页面把“today”窗口里推荐得分高的十几篇论文扫一遍看到好的就收藏看到一般的直接过。不要试图在早晨这个时段精读任何论文那是给自己制造焦虑。第二每周固定留出一个“精读窗口”我会在周日晚上或周一下午把上一周收藏的论文按重要程度排序精读其中两篇并且写一小段笔记。哪怕只是三五行总结它解决的问题、用的方法、和我的工作有什么关系都比单纯下载 PDF 有价值得多。第三善待自己的 Library。不要因为它能无限收藏就随便乱点只收藏那些你愿意在三个月后还能回头看的论文。我自己的习惯里还保留着一个比较“老派”的做法每周精读的论文我一定会把 PDF 下载到本地放进 Zotero 的对应文件夹里而不是只挂在 arxiv-sanity 上。因为在浏览器里看论文永远只是“浏览”只有把它放进自己的文献系统里它才算真正进入了你的知识库。arxiv-sanity 负责帮你完成从“海量信息”到“少量候选”的粗筛剩下的精读、消化、串联还是得靠你自己来做。最后再补一句如果你所在的研究所或团队还没有人用这套工具建议你可以先当一个布道者。把你建好的 Feed 分享给同门把每周浏览的节奏带起来一方面能帮助大家节省时间另一方面当你发现有人用同一个 Feed 每天和你讨论“今天这个摘要有点意思”的时候那种“一起追踪领域前沿”的感觉比一个人闷头刷论文要好太多。