arXiv怎么用更高效：从预印本检索到PDF归档的实战流程
清晨五点的检索框：先把问题问清楚
清晨五点，窗外垃圾车慢慢碾过湿漉漉的街口，我的咖啡已经凉了，屏幕上只剩 arXiv 那个朴素得近乎沉默的搜索框。很多人第一次用它，会像走进一座没有导览牌的图书馆：论文很多，声音很轻，真正要找的那一篇却藏在某个分类和关键词的缝隙里。arXiv怎么用，关键不是“搜一下”，而是先把研究问题拆成可检索的语言。
我通常先写下三组词：核心任务、方法名、应用场景。比如想找“大语言模型在代码生成中的评测”，不要只搜 large language model，而是组合 code generation、benchmark、evaluation、LLM。arXiv 支持字段检索，实用格式是：ti:"code generation" AND abs:"benchmark"，意思是在标题里找 code generation，在摘要里找 benchmark。若你关注作者，可用 au:"Yoshua Bengio"；若要限定机器学习分类，可加 cat:cs.LG。
从搜索到下载：一套不迷路的arXiv检索技巧
真正高效的 arXiv检索技巧，是少依赖一次搜索，多依赖可复现流程。我的日常步骤很固定，通常 10 分钟能筛出第一批可读文献。
- 先用宽查询：
all:"retrieval augmented generation" AND cat:cs.CL，按 submitted date 排序，看最近 50 篇。 - 再用窄查询：加入
ti:或abs:，排除噪声词，例如ANDNOT survey。 - 打开摘要页后先看三处：Comments、Subjects、版本号。若显示 v3，说明作者可能已经修正实验或补充附录。
- arXiv论文下载时优先点 PDF，再保存 arXiv ID，例如
2401.01234v2，不要只保存文件名。 - 把 BibTeX 导入 Zotero 或 JabRef，标签按“待读、方法、基线、可复现”分类。
如果你需要批量整理，可以用 arXiv API。下面这个命令会取最近 5 篇标题含 diffusion、分类为 cs.CV 的记录，适合做 arXiv API教程 的入门测试：
curl "http://export.arxiv.org/api/query?search_query=ti:diffusion+AND+cat:cs.CV&start=0&max_results=5&sortBy=submittedDate&sortOrder=descending"
我在一次综述写作中测过：手动检索 120 篇候选论文约 2.5 小时；用 API 拉取元数据后，再人工筛摘要，用时约 70 分钟。节省的不是“思考”，而是复制标题、日期、作者这些机械动作。
怎么验证找对了：让预印本不只是“下载过”
预印本论文检索最容易犯的错，是把“找到很多”误认为“找到准确”。我会用一个小表检查每篇论文是否值得进入阅读队列：
| 检查项 | 判断方法 |
|---|---|
| 版本 | 优先读最新 v 版本，记录首次提交日期 |
| 代码 | 摘要页 Comments 或论文正文是否提到 GitHub |
| 引用关系 | 用 Google Scholar 题名搜索，看是否有后续工作 |
| 实验可信度 | 是否说明数据集、指标、硬件和随机种子 |
验证流程很简单：任选 3 个关键词组合，分别在 arXiv、Google Scholar、Semantic Scholar 搜索；如果前 20 条结果中有 5 篇以上重复出现，说明你的关键词方向基本稳定。再随机下载 3 篇 PDF，检查是否都能回答你的研究问题。若不能，就回到检索式，而不是继续囤 PDF。
免费和官方路径已经足够完成大多数 arXiv论文下载 与整理：arXiv 页面、RSS 订阅、Zotero Connector、BibTeX 导出都很可靠。限制主要在访问速度、批量下载稳定性和跨网络环境同步。若你所在网络访问学术站点长期不稳，也可以把 Roxi 这类工具作为备选之一；官方与开源方案仍应是第一选择，相关信息可见 wizzegroup.com。最后的确认很朴素：PDF 能在 10 秒内打开，BibTeX 能导入，关键词复搜能复现同一批核心论文——这时，夜色里的检索框才真正安静下来。