早上九点零三分我打开邮箱一封标题带着[arXiv Daily Report]前缀的邮件已经躺在最上方。这是 2026 年 9 月 29 日的论文日报——不是我临时去 arXiv 官网翻出来的而是我家里的定时任务自动抓取、筛选、生成并推送过来的。这个习惯我坚持了三个月今天想把整套做法完整写下来既讲清楚 arXiv 邮件订阅、RSS 订阅这些基础操作到底怎么配也把我搭建每日论文分析报告的全过程、以及运行过程中踩过的坑一并晒出来。如果你也是那种想跟进最新论文、却总是被几百条标题直接劝退的研究生、博后或一线工程师这篇东西应该能帮上忙。先说结论arXiv 的订阅方式很多但没有一种是配好就不用管的。真正好用的日报一定是订阅规则、筛选规则和阅读节奏三者配合出来的产物。下面我按自己的实际使用顺序把从订阅到产出报告这条链路完整拆开。1. 每天淹没在数百篇新论文里我为什么坚持做日报1.1 arXiv 的更新规模早就超出了人肉刷的极限很多人第一次用 arXiv是带着一个很朴素的想法我每天上去看看我关心的分类有没有新论文不就行了但只要你连续刷一周就会发现这个思路基本走不通。主要原因在于数量。arXiv 现在每天的更新量主流分类加在一起大致在 2000 到 3000 篇的量级。哪怕你只盯一个分类比如cs.CL或stat.ML单日新增也经常是 50 到 120 篇。这个数量是什么概念假设一篇论文你只看标题和摘要平均花 30 秒一百篇就是一个多小时。而实际上大多数论文你不可能只看摘要就完事看到感兴趣的还得点进去扫一眼实验图表这个时间直接翻倍。所以我很快就发现一个很残酷的现实不是我不够努力而是逐篇浏览这个模式本身已经不可持续。这时候常见的补救办法是什么关注几个大佬的 Twitter、看实验室群里的转发、听别人口口相传。这些渠道确实有用但它们有一个共同的缺陷别人的信息筛选标准不是你的。你关心的方向、你的项目痛点、你正在攻克的难点只有你自己最清楚。别人转发的论文很优秀但可能和你手头的事八竿子打不着。看多了之后我最大的感受是信息焦虑没有缓解反而变成了我知道很多厉害的东西但它们都不在我的知识树上。1.2 分析报告和浏览列表本质上是两种信息处理粒度后来我开始尝试做文摘把当天值得读的东西列成清单。最初这个清单长什么样呢其实就是复制标题、粘贴摘要、加上一句这篇看起来不错。跑了几天我就意识到这还是另一种形式的浏览列表只不过从官网换到了我的笔记软件里。它的核心问题是没有筛选标准没有优先级没有为什么值得读。真正的每日分析报告至少要做三件事第一用可复现的规则把几百篇压到几十篇第二对进入初筛的论文给出结构化的判断依据第三明确标注每篇论文的优先级让阅读本身变成执行动作而不是又一次无差别的刷信息流。换句话说日报的价值不在于把论文列表推送给你而在于帮你完成一遍初筛并告诉你接下来该把注意力投到哪里。这个转变听起来不起眼但实际用起来差别非常大。以前我打开 arXiv 的感觉是茫茫大海无从下手现在打开日报的感觉是今天有 6 篇值得优先处理其中 1 篇和我在做的推理优化直接相关。这两种心理状态之间的差距就是浏览列表和分析报告的差距。2. 开工第一步把 arXiv 订阅这件事彻底搞定2.1 官网邮件订阅的正确配置姿势既然要做每日报告第一步当然是确认新论文能不能稳定、及时地送到我手上。很多人不知道arXiv 官方其实自带邮件订阅功能入口在arxiv.org/help/subscribe只是入口藏得比较深。操作流程大致是这样的先注册一个 arXiv 账号并验证邮箱然后在订阅页面勾选你关心的分类。比如我关注的是cs.AI、cs.CL、cs.LG、stat.ML这几个就分别勾上。下一步会看到一个关键词过滤栏这里可以填你关心的短语比如 retrieval augmented generation、diffusion model、chain-of-thought 之类的。填完之后arXiv 会在每个分类每一天有新论文发布时给你发一封邮件列出该分类当天的标题和摘要并把你关键词命中的条目在列表里标记出来。这套官方邮件订阅最大的优点是稳定毕竟是官网自己的系统不太会出幺蛾子。但实际用起来我很快遇到了两个不舒服的地方一是邮件排版比较原始所有论文混在一起标题摘要一长串扫起来眼睛累二是它的关键词过滤是简单包含式匹配精度有限。比如我填了 attention它会把所有摘要里出现过 attention 这个词的论文都标出来哪怕那篇论文的核心是数据集构建只是顺带提了一嘴 attention 机制。所以我把官方邮件定位成兜底方案而不是主方案。它的意义在于就算我自己的定时任务挂了至少还有一封官方邮件告诉我今天有哪些新东西。2.2 RSS 订阅趁手的阅读器其实够用如果你不想像我这样折腾一整套自动化流程但又觉得官方邮件排版太丑那 RSS 可能是性价比最高的选项。arXiv 每个分类都提供了对应的 RSS 源以cs.CL为例地址就是https://arxiv.org/rss/cs.CL在 Reeder、Feedly、Inoreader 这类阅读器里把它添加进去以后该分类的新论文会自动出现在你的订阅列表里。RSS 的好处是更新及时、格式干净并且你可以把一个源看成一条信息流多个分类就加多个源互不干扰。但 RSS 也有一个老问题它本质上还是列表。源里每条目照样是标题加摘要几十条读下来你还是需要自己做筛选。我试过用 Feedly 的规则功能给特定关键词加标签但规则匹配同样存在误报和漏报。RSS 适合的人群是订阅分类少、每天愿意花 20 分钟自己刷一遍的人。如果你的情况和大多数人一样——分类多、方向杂、时间紧——那 RSS 只能算一个过渡方案真正好用的还是下面这种。2.3 分类加关键词组合订阅先划定边界再去谈效率我最终采用的订阅策略说穿了就一句话把分类和关键词组合成多个互不重叠的订阅块。比如我关注三个块订阅块分类关键词规则用途块一cs.CL cs.AI推理时扩展、测试时训练、搜索/规划大语言模型和推理方向重点盯块二cs.LG stat.ML表示学习、优化理论、非凸问题底层方法供后续迁移块三cs.CV视频生成、时空建模、长视频理解跨方向观察保持广度这样划分背后有一个逻辑每个块的边界足够清晰规则是显式的我可以随时根据项目需要调整关键词而不至于影响其他块的筛选。相比之下如果你把所有分类全部塞进一个订阅规则里关键词会被稀释误报率会高得离谱最后你根本不知道某篇论文是因为什么被推过来的。订阅这件事做完之后等于已经把水源接好了。但仅仅接水还不够因为官方邮件、RSS 都解决不了分析这一步。分析得靠我自己写代码搭流水线这就是下面要讲的正题。3. 从自动抓取到 AI 初筛我的每日流水线是这样搭的3.1 用 arXiv API 拉取当日论文清单订阅只是第一步。真正让我从看论文变成分析论文的是我在自己的服务器上搭的一套 Python 定时任务。它的第一个环节就是通过 arXiv 官方 API 把当天新增的论文信息拿回来。arXiv API 的入口是http://export.arxiv.org/api/query它可以支持很灵活的查询条件。我每天凌晨两点跑一次定时任务核心逻辑大概是这样的import requests import feedparser from datetime import datetime, timedelta # 以 stat.ML 分类为例拉取最近 24 小时新增论文 base_url http://export.arxiv.org/api/query def fetch_daily_papers(category: str, date_str: str): query ( fcat:{category} AND fsubmittedDate:[{date_str}000000 TO {date_str}235959] ) params { search_query: query, start: 0, max_results: 200, sortBy: submittedDate, sortOrder: descending, } resp requests.get(base_url, paramsparams, timeout30) feed feedparser.parse(resp.text) papers [] for entry in feed.entries: papers.append({ title: entry.title.replace(\n, ).strip(), authors: [a[name] for a in entry.authors], summary: entry.summary.replace(\n, ).strip(), link: entry.link, published: entry.published, category: category, comment: entry.get(arxiv_comment, ), subjects: entry.get(tags, []), }) return papers # 使用示例拿到 2026-09-29 当天 stat.ML 的论文 today 20260929 papers fetch_daily_papers(stat.ML, today) print(fstat.ML 当天共 {len(papers)} 篇)有几个细节值得说明。第一submittedDate的时间范围我写的是当日 00:00:00 到 23:59:59但这里有个坑我在后文踩坑章节里会细说。第二max_results200这个值要按分类调整像cs.CV这种高产分类可能需要设到 300 甚至更高否则会漏。第三返回结果是 Atom XML 格式用feedparser解析非常省事不需要自己折腾 XML 库。这一环跑通之后我每天就有了一个干净、结构化、可入库的论文元信息列表。接下来要解决的是最烦人的一步如何判断这 100 多篇里哪些值得读。3.2 让大模型担任第一轮摘要官最初我的做法是自己看摘要后来我发现一个问题人做重复性初筛的时候注意力会随疲劳线性下降。第一篇还认真看看到第三十篇就已经开始扫关键词了。所以我把初筛摘要这项工作交给了大模型。具体的方案是拿到上面抓取的论文列表之后我把它切成若干段按每篇论文的标题加摘要喂给大模型让它按照我的要求输出一个结构化的判断。我用的提示词大概是这样的你是一个熟悉机器学习、自然语言处理方向的研究助理。下面是今天 arXiv 上新提交的一批论文标题摘要请逐篇判断它们是否需要我深读。 判断标准 1. 与我关心的大模型推理效率、上下文压缩、稀疏注意力、推理时计算扩展是否高度相关 2. 如果相关程度高用 20 到 40 个字概括该论文的核心方法 3. 如果相关程度低直接输出低优先级。 输出格式每篇论文一行格式为 [序号] [高/中/低优先级] [核心概括] 论文列表 [这里粘贴标题摘要]这里有一个特别重要的原则不要试图让大模型替你读书。它只负责初筛和概括把 100 篇压到 10 篇。至于这 10 篇里面哪一篇真正值得两小时精读我会重新回到原始摘要自己判断。原因很简单大模型经常会在摘要层面看着靠谱、但一细读就会发现和我的项目完全不对路的情况。这个把关环节必须留给自己。跑一趟下来100 篇论文大概需要调用几十次模型接口成本不高但也不是零。如果你不想每次都花钱也可以只在周一到周五跑完整流程周末只抓摘要不筛选。这些细节可以根据你的预算灵活调。3.3 报告生成与推送渠道Markdown 是王道筛选完一批论文之后我的脚本会把结果渲染成一份 Markdown 格式的日报然后通过邮件推到我邮箱。为什么是 Markdown因为它不管是直接阅读、还是粘进 Notion、飞书文档、Tower 这类协作工具都能保持干净的结构。我生成报告的模板大致长这样# arXiv 每日论文分析报告2026-09-29 ## 今日必读优先级高 1. [论文标题 1](链接) 核心看点作者针对 XX 问题提出了 XX 方法和我们项目 A 的瓶颈高度相关。 2. [论文标题 2](链接) 核心看点虽然实验任务不同但方法本身有迁移价值。 ## 值得泛读优先级中 1. [论文标题 3](链接) 一句话概括…… ## 其他分类动态 - cs.CV 当日备注长视频生成方向提交量明显上升。邮件推送我用的是smtplib加邮箱授权码另外配了一个飞书群机器人接口这样不仅是邮箱里有报告团队的飞书群里也会被同步推送一条摘要版。这一步的复杂度不高但非常值得做——因为报告生成之后如果只躺在我硬盘里它就失去了推动行动的意义。推送渠道的稳定性某种意义上比筛选模型还要重要。4. 报告长什么样一份可执行的论文日报模板4.1 三层分级必读、泛读、仅记录日报里最重要的一环是分级。我这里用的是三级结构必读高优先级与当前项目直接相关或者方法上有明显可借鉴之处。原则是这个优先级每天不超过 5 篇否则就失去意义。值得泛读中优先级方向相关但关联度没那么强。泛读的意思不是不看而是只花 5 到 10 分钟浏览核心思路不深入推导。仅记录低优先级相关性弱但可能对一个月以后的某个问题有用。这类论文只保留标题和链接不做摘要真正的阅读排在后面再说。这三级的比例我长期跑下来大致是 5 / 15 / 40 左右。也就是说100 篇论文里真正需要我现在花时间认真处理的其实只有五分之一。剩下的五分之四我可以心安理得地跳过没有任何心理负担。4.2 报告模板的完整示例给你看一份我实际生成的日报样子字段不多但每个字段都是我筛选出来的# arXiv 每日论文分析报告 日期2026-09-29 统计cs.CL 新增 78 篇cs.LG 新增 105 篇stat.ML 新增 63 篇cs.CV 新增 129 篇。 ## 必读清单高优先级3 篇 ### 1. [论文标题] 链接https://arxiv.org/abs/xxxx.xxxxx 作者匹配与你关注的推理效率方向高度相关。 为什么必读摘要中提出了一个针对 KV Cache 压缩的新策略实验数据显示在长文本任务上压缩率翻倍的同时保持准确率。 行动建议今天精读并记录笔记周末组会分享。 ### 2. [论文标题] 链接https://arxiv.org/abs/xxxx.xxxxx 为什么必读将搜索算法引入推理时计算扩展方法和你正在调研的路径有交叉。 ## 泛读清单中优先级10 篇 - 论文标题与链接 - 论文标题与链接 每行一句话概括即可 ## 仅记录低优先级35 篇 - 论文标题与链接有一件事必须强调这份模板是我的模板你不能直接照搬。因为必读的标准因人而异。你要做的是先把提供给筛选模型的关键词换成你自己的研究选题把分级标准换算成你自己项目的时间线。模板只是骨架内容才是灵魂。4.3 15 分钟和 3 小时各干一遍日报做出来之后阅读节奏同样要设计好。我给自己定的是两个动作第一遍每天早上 15 分钟只做一件事扫必读清单的标题加上泛读清单的每条一句话概括。这一步的目的不是读懂而是把每篇论文标记为今天精读或本周细看并顺手把必读论文的 PDF 加入稍后读队列。第二遍当天下午或晚上固定抽 2 到 3 小时专心精读当日必读清单里的 3 篇。精读时我会打开论文原文配合 PDF 阅读器直接标注重点并在笔记里记录这篇论文解决了什么问题、用了什么方法、局限性在哪、和我项目的关联点在哪。这个节奏的核心设计是把看论文和读论文分开。看论文是刷信息流读论文才是进入知识体系。如果你只有 15 分钟那就做第一遍如果你一堆事要忙那就把精读推迟到周末。最忌讳的是每天花两个小时扫标题但没有一篇是认真读的。那样你只是应对了焦虑并没有积累知识。5. 运行三个月后我踩过的坑比想象中多5.1 时区陷阱我总在等今天的论文其实 arXiv 不是 24 点更新第一版脚本我写得很天真每天晚上 12 点去抓今天的论文用submittedDate直接查当天的。结果跑了两天就发现不对劲晚上 12 点去抓当天的更新总是偏少而早上 8 点再跑一次数量明显涨了一大截。查了一段时间才搞明白arXiv 的每日更新窗口并不是以北京时间的午夜为界限。它实际在一个固定的时间窗口内批量发布新论文这个窗口换算到北京时间大致在凌晨 4 点到 8 点之间。这就导致一个现象你晚上 12 点去抓当天的论文还没完全发布你早上 6 点去抓可能也只抓到一部分。最稳妥的做法是在发布窗口之后再跑一次也就是把定时任务设在每天上午 9 点到 10 点之间。这样能确保当天论文基本全部入库。如果你写代码用的是datetime.now().date()这类本地日期还要注意日期计算的一致性。我后来统一改成任务在上午运行时只抓发布日在今天的论文而用submittedDate做区间过滤时明确把时间范围写到当日 00:00:00 到 23:59:59避免落到 UTC 和北京时间的差值上。这一步在初版脚本里很容易被忽略但恰恰决定了你每天能不能收齐论文。5.2 重复推送同一个版本被多个分类重复收录第二个坑是重复。某个作者把论文同时提交到cs.LG和stat.ML两个分类或者同一条论文在我按submittedDate查询和按announced_date查询时各出现一次这类情况非常常见。如果不去重日报里就会出现一模一样的论文占两行看起来像是筛选系统出了问题信任度大打折扣。我的去重逻辑非常简单粗暴以论文标题做标准化去掉全部标点、空格、大小写差异之后取哈希值作为唯一 ID。每次抓完当天数据后拿这批 ID 和历史库比对已经存在的就跳过。跑了两周之后日报里的重复率从最初的一周好几次降到了接近零。这个办法不复杂但建议在脚本上线第一天就加进去不然后面看报告时很不舒服。5.3 大模型摘要幻觉它概括得很像回事但信息可能是错的这是所有问题里最要警惕的一个。使用大模型初筛的第二周有一篇论文模型给出的核心概括是提出了一种新的稀疏注意力机制声称在长文本推理任务上降低了 40% 延迟。我一看很兴奋直接把它放到必读清单里结果精读原文才发现摘要里那个实验是在某一个特定模型上做的而且所谓 40% 的收益是和带完整 KV Cache 的基线比不是和更合理的稀疏基线比。这个信息模型确实没骗人但它过于突出了正面数据把实验局限全都省略了。从那以后我立了一条规矩大模型输出的概括和判断我只能当作索引不能当作结论。它负责告诉我这篇可能有关值得看原始摘要至于这篇论文是否真的对我有价值必须由我自己打开原文摘要确认。宁可让初筛环节多留一些误报也不能让模型替你直接做最终决策。5.4 关键词漂移你的兴趣会变订阅规则却不会自己变最后一个坑有点隐蔽。刚搭好系统时我的关键词是LLM 推理加速、显存优化。跑了两个月项目方向逐渐转向检索增强生成、长文档理解但订阅规则里的关键词还停在原来的位置。结果就是日报推送的内容越来越偏真正相关的论文反而被筛掉了。这个问题的根源在于订阅规则是静态的而你的研究方向是动态的。我现在固定每两周做一次关键词复盘把这个周期里被误判遗漏的论文重新看一遍顺手把关键词更新到最新。这不是一个技术问题而是一个使用习惯问题。但它对你的日报质量影响极大——一个不维护规则的订阅系统最终一定会变成你的背景噪音。6. 从日报到知识网络让每天的碎片真正累积下来6.1 建立属于自己的论文追踪表日报跑到第三周时我意识到一个更大的问题每天的必读清单确实能帮我读论文但论文之间彼此孤立读过就散一个月后再也回忆不起来。所以我建了一个非常朴素的追踪表字段只有五个论文标题 | 链接 | 抓取日期 | 优先级 | 关联项目这个表的价值不在于复杂而在于它给每篇论文提供了一个锚点。当我开始写项目报告或者准备组会 PPT 时我可以直接按项目字段把这个月的论文全部拉出来快速组织成一个综述。如果你把它做得再细一点还可以加上引用关系字段用来追踪关键论文的作者后续发了什么这个追踪能力和单纯刷日报完全不是一回事。6.2 周度回顾让重要论文浮出水面每周五下午我会把这一周的日报重新翻开做一次 30 分钟的回顾。具体动作是把周一到周五的必读清单汇总看看哪些论文值得留下来精读、哪些论文已经不需要读、哪些论文之间其实互相引用了。这个动作看起来很轻但它真正做的是把每天的单点信息升级成每周的趋势判断。比如某一天你看到一篇关于长视频生成的论文可能只是觉得不错但如果一周内连续出现三篇相关论文你就应该意识到这个方向正在快速升温。这种趋势信号只有站在一周的时间尺度回看时才会浮现。日报本身是当天的事但日报的衍生品——周度趋势——才是对研究方向真正的指引。6.3 把报告发给合作者日报即沟通工具最后一个使用心得关于协作。我们组现在三个人合写一篇论文大家方向相近但各有侧重。以前进展同步主要靠不定期的组会聊天效果非常随机。后来我把日报的轻量版直接同步到飞书群每周再挑一篇最关键的论文写一段这篇为什么值得我们一起读的简评。这个改动意外地让合作效率提高不少。原因是当你把日报从一个私人工具变成一个共享工具时它的性质就变了。个人日报只需要服务自己的好奇心共享日报却必须给出清晰的取舍标准和推荐理由。为了写好那段简评我必须真正读懂那篇论文而不是扫一遍摘要就算完。这个过程反过来倒逼了我自己的阅读深度。如果你也是和人合作做研究我建议你试试把报告发出去哪怕每周只发一次。这套系统运行到今天我最真实的感受是订阅和自动化只是把获取论文这个环节从每天一小时压缩到了十分钟真正拉开差距的是你在日报之后是否真的花时间完成那 3 个小时的精读。工具解决的是信息过滤精读解决的才是知识增长。