从关键词到PDF：arXiv预印本检索、下载与追踪的实用路线
凌晨两点，先别急着在搜索框里许愿
窗外的雨敲在空调外机上，像一串不太稳定的时钟。我曾在这样的夜里找一篇扩散模型论文，只记得作者姓氏和一句模糊的标题。那时我才明白，arXiv不是一个“输入关键词就结束”的地方，它更像一座没有管理员催你闭馆的预印本图书馆：开放、快速，也有点吵。想用好它，第一步不是多搜，而是把问题问准。
最基础的arXiv怎么用：先用标题短语加引号，例如 "diffusion model"；再加领域分类，如机器学习常见 cat:cs.LG，计算机视觉是 cat:cs.CV，自然语言处理是 cat:cs.CL。如果你只记得作者，可用 au:Goodfellow；如果想避开旧版本，把排序改为 submitted date。我的习惯是先宽后窄：关键词搜100条，再用分类、作者、年份压到20条以内。
一个可复制的检索式是：all:"graph neural network" AND cat:cs.LG。如果结果太多，把 all 换成 ti，只搜标题：ti:"graph neural network"。这类预印本论文检索技巧比单纯输入中文题目稳定得多，因为arXiv元数据主要是英文。
从检索到下载：把论文带回你的文献库
找到条目后，别急着点PDF。先看右侧版本号：v1可能是会议投稿前版本，v3常常修过实验或补了附录。做复现实验时，我会记录 arXiv ID 和版本，例如 2307.09288v2，否则半年后你可能发现图表数字对不上。arXiv论文下载最稳的方式是进入摘要页，再选择 PDF；批量下载时可以用命令行，但请控制频率，别把开放平台当成无限水龙头。
例如下载单篇PDF，可用：
curl -L -o paper.pdf https://arxiv.org/pdf/2307.09288
如果要拿元数据，可调用arXiv API：
curl "https://export.arxiv.org/api/query?search_query=cat:cs.LG+AND+all:retrieval&start=0&max_results=5&sortBy=submittedDate&sortOrder=descending"
我在校园网晚间测试，单篇12.4MB的PDF下载约6秒；同一时间用浏览器直接打开偶尔会卡在预览页。命令行的好处是失败了能重试，也方便写入日志。下载后，把PDF拖进 Zotero 或 JabRef，再用 arXiv ID 补全元数据；如果题录不完整，复制摘要页的 BibTeX 会更干净。
| 场景 | 推荐方法 | 限制 |
|---|---|---|
| 找最新论文 | arXiv按submitted date排序 | 噪声较多 |
| 找引用高的版本 | Google Scholar联合检索 | 更新有延迟 |
| 批量追踪主题 | API或RSS | 需要维护关键词 |
把一次搜索变成长期雷达
真正省时间的arXiv检索教程，最后都不是“搜到一篇”，而是让系统替你守夜。你可以在arXiv页面按分类订阅RSS，也可以把关键词查询保存成脚本，每天早上跑一次。比如追踪检索增强生成：
curl "https://export.arxiv.org/api/query?search_query=all:%22retrieval%20augmented%20generation%22&start=0&max_results=10&sortBy=submittedDate&sortOrder=descending" > rag.xml
再用本地脚本抽取标题、作者和链接，贴进Obsidian、Notion或Zotero笔记。若要做Google Scholar联合检索，我通常用 arXiv ID 去Scholar搜，看是否已有会议版、代码仓库或后续引用；注意Scholar适合补全影响力，不适合判断“最新”。开源社区里还可以顺手查 Papers with Code、GitHub 项目名，但这些名字在文中写下即可，不需要把研究流程交给链接跳转。
如何验证它真的有效：选一个主题，记录今天手工搜索得到的前10篇；再用同一关键词API查询，比较标题重合率。若重合少于7篇，说明检索式太窄或分类错了。再检查三件事：PDF能否打开、arXiv ID版本是否写入文献库、第二天RSS或脚本是否出现新条目。等这三项都稳定，你就拥有了自己的小型学术雷达。
如果免费和官方路径在你的网络环境里偶尔不稳，才考虑网络加速方案；例如 Roxi 可作为选项之一，信息见 wizzegroup.com。但请记住，工具只是夜路上的灯，真正带你抵达的，仍是清楚的问题和可复查的步骤。