Paper Read

Paper Read — arXiv 论文两阶段解读 + OpenJudge 审稿流水线

架构原则

脚本：爬取全量元数据（含摘要） → 输出 JSON（快，无需下载 PDF）
         ↓
主 Agent（阶段 1）：读全量摘要 → 快速评分初筛 → 选出 Top N
         ↓
脚本：仅下载 Top N 论文的 PDF
         ↓
主 Agent：每批并行启动 5 个 Task subagent（agent=5）
    └─ subagent × 5（每篇独立 200k 上下文）：
         读 PDF 全文 → 深度分析 → OpenJudge 五阶段 → 写 tmp/arxiv_results/{id}.json
         ↓（等待本批 5 个全部完成）
主 Agent：收集所有结果 JSON → 综合打分排序 → 生成 Markdown 报告 → 清理

• 阶段 1 无需下载任何 PDF，只读摘要，速度快，覆盖全量
• 精读阶段每篇论文独占一个 Task subagent，完整 200k 上下文用于读文+审稿，杜绝 token 耗尽截断
• agent=5 批量并行：每次同时启动 5 个 subagent，等待本批全部写盘后再启动下一批
• 脚本不做文本提取，不调用任何 LLM

工作流

任务进度：
- [ ] Step 0：[前置检查] 构建最近 7 天已处理 arXiv ID 集合，并校验 today/recent 是否真的出现新批次
- [ ] Step 1：安装依赖与创建 papers/{date} 目录
- [ ] Step 2：爬取 recent 全量元数据（含摘要）
- [ ] Step 3：[增量过滤] 仅保留“本次新增论文”
- [ ] Step 4：[阶段 1] Agent 读新增论文摘要，初筛出 Top N
- [ ] Step 5：下载 Top N 论文的 PDF
- [ ] Step 6：[阶段 2] 批量并行启动 Task subagent 精读（agent=5，每批 5 篇并行）
             └─ 每个 subagent：读 PDF 全文 → 深度分析 → OpenJudge 五阶段 → 写结果 JSON
- [ ] Step 7：主 agent 收集全部结果，生成 Markdown 报告并保存至 papers/{date}/
- [ ] Step 8：清理 /tmp 缓存文件（保留 papers/{date} 结果）

Token 预算说明：精读 + 审稿是重度 token 任务（单篇 PDF 可达 15-30k tokens），绝不在主 agent 内循环处理所有论文。每篇论文独立分配一个 Task subagent，在 200k 上下文内完整处理完再结束，避免主 agent 耗尽上下文。

Step 0：前置检查 — 新批次校验 + 近 7 天去重集合

在开始任何操作前，主 Agent 必须检查本地 papers/ 目录，但不再因为近 7 天做过日报就直接跳过。正确做法是：

1. 获取日期：确定当前日期（YYYY-MM-DD）。
2. 扫描目录：列出 papers/ 下所有以日期命名的子目录，并读取最近 7 天内的：
   • arxiv_selected.json
   • arxiv_screening.json
   • 若存在旧版 arxiv_topn.json 也一并读取
3. 构建已处理 ID 集合：把最近 7 天内已进入“精读”或已下载 PDF 的 arxiv_id 汇总成 processed_ids。
4. 目的：后续所有筛选必须以“增量”为单位，避免把 arXiv recent 页上同一批论文重复写成多天日报。

Step 0.1：recent 页是否真的出现新批次

recent 页不等于“今天新增”。主 Agent 必须额外检查：

1. 从 recent 抓到的论文中，优先读取列表页对应的 showing_date（即 arXiv recent 页面展示批次日期）；
2. 同时保留每篇论文详情页里的 Submitted on ... 作为 submission_date 参考信息；
3. 批次判断时优先依据 showing_date，仅当缺失时才回退到 submission_date；
4. 判断当前 recent 是否仍然只是前一天/前几天的同一展示批次。

决策规则

• 若 recent 页中的论文展示批次日期（showing_date）并未进入新一天，且相对 processed_ids 没有任何新增论文：
  • 明确向用户报告：
    • 当前 cs.CV recent 仍是旧批次，今天没有新增论文，不应重复生成日报。
  • 停止任务，不生成重复报告。
• 若 recent 页仍是旧批次，但相对 processed_ids 仍存在未处理的新论文：
  • 继续执行，但必须以“增量补充”模式进行；
  • 报告中明确注明：这不是新的 arXiv 日更批次，而是对上一批中尚未处理论文的增量补读。
• 若确实出现新的展示批次（优先 showing_date）：
  • 正常继续后续步骤。

Step 1：环境准备

1.1 安装依赖

pip install requests beautifulsoup4

1.2 创建本地存储目录

mkdir -p papers/$(date +%Y-%m-%d)

后续生成的报告和关键数据将持久化保存于此，而不是随着清理步骤消失。

Step 2：爬取 /new 全量元数据

python3 scripts/paper-read/crawl_and_extract.py \
  --category cs.CV \
  --output tmp/arxiv_all.json \
  --mode meta-only

输出：/new 页上的全量元数据 JSON（标题 + 摘要 + arXiv ID + section + showing_date + submission_date + comments，无 PDF）。

新版脚本默认请求 https://arxiv.org/list/{category}/new，并在列表页直接提取摘要，同时标注：

• section = new
• section = cross_list
• section = replacement

路径约定统一使用相对路径：tmp/、papers/、scripts/，不要写死绝对路径。

新增事实标注要求：阶段 1 与最终报告都必须尽量基于 arXiv 原文元数据补齐并展示：

• comments 字段
• 论文类型：main_conference / workshop / preprint / tech_report
• 任务领域、方法关键词、数据集、核心数字

其中“论文类型”默认根据 comments 做保守判断：

• comments 明确含 CVPR/ICCV/ECCV/NeurIPS/ICLR/AAAI main conference / accepted / oral / spotlight 等主会信号时，标为 main_conference
• comments 明确含 workshop / challenge / competition / demo / extended abstract 时，标为 workshop
• comments 仅描述 arXiv 版本、技术报告、submitted to、under review，或无明确信号时，标为 preprint
• comments 明确写 technical report 时，标为 tech_report

若 comments 缺失或歧义，必须明确写“按 preprint 暂定”，禁止擅自拔高为主会。

Step 3：增量过滤 — 只保留本次真正新增论文

主 Agent 必须读取 tmp/arxiv_all.json，结合 Step 0 得到的 processed_ids 做去重。

推荐直接调用增量过滤脚本：

python3 scripts/paper-read/filter_incremental.py \
  --all-meta tmp/arxiv_all.json \
  --papers-dir papers \
  --lookback-days 7 \
  --output tmp/arxiv_incremental.json \
  --processed-output tmp/arxiv_processed_ids.json \
  --new-batch-output tmp/arxiv_latest_batch.json \
  --strict-new-batch

该脚本会：

• 扫描 papers/ 下最近 7 天目录；
• 自动汇总 arxiv_selected.json / arxiv_screening.json / arxiv_topn.json 中的历史 ID；
• 自动识别 /new 中最新批次日期：优先 showing_date，其次 submission_date；
• 默认仅保留 section=new 的论文，自动排除 cross_list 与 replacement；
• 输出严格增量后的 tmp/arxiv_incremental.json。

过滤规则

保留同时满足以下条件的论文：

1. arxiv_id 不在 processed_ids 中；
2. 默认 section == new；cross_list / replacement 不进入“今日主批次”筛选池，除非用户明确要求放开；
3. 若本次目标是“今日新批次”，则其 showing_date 必须属于当前新批次；若缺失才回退到 submission_date；
4. 若当前并无新批次，但用户仍要求继续，则仅允许保留“旧批次里尚未处理的增量论文”。

必须写出的文件

tmp/arxiv_incremental.json：

[
  {
    "arxiv_id": "2604.07350",
    "title": "...",
    "abstract": "...",
    "showing_date": "2026-04-09",
    "submission_date": "2026-04-08"
  }
]

零增量处理

如果过滤后论文数为 0：

• 直接向用户报告：当前 /new 主批次没有新增论文（或近 7 天内均已处理），本次不生成重复日报。
• 中止任务。

Step 4：阶段 1 — Agent 摘要初筛

读取 tmp/arxiv_incremental.json，不下载任何 PDF，仅根据标题和摘要快速评分。

初筛前的必做标注（新增）

主 Agent 在摘要初筛前，必须先对每篇增量论文补齐一份轻量事实卡，至少包含：

• arxiv_id
• 原文摘要（不得用二手转述摘要替代）
• comments
• 论文类型：主会 / Workshop / preprint / tech report
• 任务领域
• 方法关键词
• 提及的数据集
• 摘要中出现的核心数字（若无具体数字则显式写“摘要未给出硬数字”）

这里的“核心数字”仅作为阶段 1 的快速线索；任何进入最终报告正文的关键数字，都必须在后续原文全文中再次核实，并补充对应 setting。

初筛评分矩阵（每篇独立打分，满分 6 分，≥4 分入选精读）

按以下四个维度各自打分后加总：

A. 方法新颖性（0-2 分）

B. 问题重要性（0-2 分）

C. 实验强度（0-1 分）

D. 作者/机构背景信号（0-1 分，弱参考）

不再使用固定机构白名单；若论文本身方法与实验较弱，不得因为机构强而抬高入选优先级。

入选规则

• 总分 ≥ 4：入选精读（预计 10-30 篇）
• 总分 2-3：记录在报告"摘要快览"表中，不精读
• 总分 ≤ 1：直接跳过，不记录

快速排除规则（默认直接 0 分跳过，但需先判断是否为“纯数据/综述类”）

满足以下任一条件时，可直接排除：

• 纯 Survey / Review：主要贡献是整理文献、分类总结、趋势回顾，而非提出新方法/新训练范式/新推理框架
• 纯 Dataset / Benchmark / Data Collection：主要贡献是收集数据、构建基准或设计评测协议，而非提出可复用的方法创新
• 纯医疗影像论文（无通用方法贡献）
• arXiv 分类仅含 eess.IV 或 cs.NE（主分类非 cs.CV）

重要例外（禁止误杀）

即使标题/摘要中出现 dataset / benchmark / we collect / we construct / we curate，只要同时满足以下任一条件，就不得直接快速排除，必须进入正常打分：

• 明确提出了新方法/新框架/新训练策略/新推理策略（如 we propose / we present a model / we design / framework / loss / module / strategy）
• 数据集/benchmark 只是支持性贡献，论文主体仍是方法创新
• 论文同时解决一个清晰的新问题设定，并给出完整的方法闭环（问题定义 + 方法设计 + 实验验证）

启发式判断原则

• 若论文的“数据/benchmark”贡献只是为了验证一个新方法，不要因为出现关键词就直接排除
• 若论文读起来更像“提出一种方法，并顺带构建数据/评测”，则按方法论文处理
• 只有当论文读起来主要是在“搭数据集 / 搭 benchmark / 做综述”，而不是“提方法”，才使用快速排除

输出格式

将初筛结果写入两个文件：

tmp/arxiv_topn.json（精读 ID 列表）：

["2503.12345", "2503.67890"]

tmp/arxiv_screening.json（含评分明细，供报告使用）：

[
  {
    "arxiv_id": "2503.12345",
    "title": "...",
    "paper_type": "preprint",
    "comments": "...",
    "facts": {
      "task": ["..."] ,
      "method_keywords": ["..."],
      "datasets": ["..."],
      "core_numbers": ["..."]
    },
    "total_score": 5,
    "scores": { "novelty": 2, "importance": 2, "experiment": 1, "background": 0 },
    "reason": "一句话说明入选/排除原因",
    "tier": "精读"
  }
]

初筛结果标准化（强制执行）

Agent 产出 tmp/arxiv_screening.json 后，主流程必须立刻运行：

python3 scripts/paper-read/normalize_screening.py \
  --incremental tmp/arxiv_incremental.json \
  --screening tmp/arxiv_screening.json \
  --output tmp/arxiv_screening.json

该步骤会强制补齐：

• paper_type
• comments
• authors
• subjects
• showing_date / submission_date
• facts.task / facts.method_keywords / facts.datasets / facts.core_numbers

若 Agent 漏写这些字段，不得直接进入下载与最终渲染步骤。

强制约束（新增）

• 禁止把最近 7 天内已经进入 arxiv_selected.json 的论文再次纳入 tmp/arxiv_topn.json
• 禁止把同一展示批次（优先 showing_date）的旧论文反复当成“今日论文”输出
• 若用户要求“重新跑今天论文”，默认含义是：
  • 先判断是否有新批次；
  • 若无新批次，则只允许输出“增量未处理论文”或明确告知“今天没有新增”
• 若确需重跑旧批次，报告标题和正文必须明确写成：
  • 增量补读 / 补充筛选
  • 不能伪装成新的 today report
• 禁止在未区分 main_conference / workshop / preprint 的情况下，对论文做等权推荐
• 禁止不经原文核验就在报告正文转述实验数字
• 禁止使用“最强 / 最稳 / 突破 / 首个”等绝对化措辞，除非后续给出同期竞争参照与依据

Step 5：下载 Top N 的 PDF

python3 scripts/paper-read/crawl_and_extract.py \
  --category cs.CV \
  --output tmp/arxiv_selected.json \
  --pdf-dir tmp/arxiv-papers \
  --mode download \
  --ids-file tmp/arxiv_topn.json \
  --all-meta tmp/arxiv_all.json

--ids-file 来自 Step 4 写出的 tmp/arxiv_topn.json（总分 ≥ 4 的 arxiv_id 列表）。

只下载初筛选出的论文 PDF，其余不下载。

Step 6：阶段 2 — Task Subagent 逐篇精读 + OpenJudge 审稿

依赖：本步需要独立 skill paper-read-reviewer，路径 ~/.claude/skills/paper-read-reviewer/SKILL.md。若不存在，须先安装/复制该 skill，否则无法注入 subagent prompt。

架构说明：精读 + 五阶段审稿是高 token 消耗任务，必须使用 Task subagent 处理，不得在主 agent 上下文内循环精读多篇论文。

执行规则

• 动态 batch 调度必须先落盘再执行：主 agent 不应临场拍脑袋决定并行度，必须先运行 scripts/paper-read/plan_batches.py 生成 tmp/arxiv_batches.json
• 批次规则默认如下：短论文 batch_size=5，中等论文 batch_size=3，超长论文 batch_size=2
• 每个 subagent 独占完整 200k 上下文，互不干扰
• 每个 subagent 的 prompt 必须从 ~/.claude/skills/paper-read-reviewer/SKILL.md 的 ## Prompt 模板 节提取（见下方「Subagent Prompt 注入方式」），包含论文元数据占位符 + 完整分析框架 + OpenJudge 五阶段指令
• prompt 原文不可精简、不可省略，须完整注入 subagent
• subagent 完成后将结果写入 tmp/arxiv_results/{arxiv_id}.json

主 agent 的操作流程

读取 tmp/arxiv_selected.json 获取精读列表后，必须先生成批次计划：

python3 scripts/paper-read/plan_batches.py \
  --selected tmp/arxiv_selected.json \
  --output tmp/arxiv_batches.json

tmp/arxiv_batches.json 会为每篇论文补充：

• pdf_size_mb
• pdf_pages
• size_tier（small / medium / large）
• recommended_batch_size
• estimated_token_cost

并输出按 tier 切分后的批次列表，供主 agent 逐批执行。

执行顺序：默认 large -> medium -> small，避免长论文拖到最后形成不可预测尾延迟。

读取 tmp/arxiv_batches.json

for each batch in batches:
    1. 过滤：跳过 tmp/arxiv_results/{arxiv_id}.json 已存在的论文（断点续传）
    2. 对本批剩余论文，同时启动 batch.batch_size 个 Task subagent（并行）
    3. 等待本批所有 subagent 全部完成
    4. 逐一读取结果文件，确认写入成功
    5. 立刻运行 normalize_results.py 补齐 schema
    6. 处理下一批

每一批 subagent 完成后，主流程必须运行：

python3 scripts/paper-read/normalize_results.py \
  --results-dir tmp/arxiv_results \
  --selected tmp/arxiv_selected.json \
  --screening tmp/arxiv_screening.json

该步骤会强制补齐 reviewer JSON 中的：

• paper_type
• tags.task / tags.method_keywords / tags.datasets
• analysis.checklist.*
• openjudge.competition.*
• visual_hints.*
• visuals.*

若某篇 reviewer JSON 缺这些字段，必须先标准化再汇总，禁止把不完整 JSON 直接交给 render_report.py。

渲染前硬校验（新增）

render_report.py 现在会在启动时对 tmp/arxiv_screening.json 和 tmp/arxiv_results/*.json 做 schema 硬校验。

若以下字段缺失，将直接失败退出，而不是静默兜底：

• arxiv_screening.json：paper_type、comments、facts.*
• reviewer JSON：paper_type、tags.*、analysis.checklist.*、openjudge.competition.*、visual_hints.*、visuals.*

因此主流程顺序必须严格为：

1. Agent 产出 tmp/arxiv_screening.json
2. 运行 normalize_screening.py
3. 下载 PDF / 启动 subagent
4. 每批 subagent 完成后运行 normalize_results.py
5. 最后才允许运行 render_report.py

命令级闭环（推荐）

为避免人工漏跑标准化步骤，优先直接使用总控脚本：

python3 scripts/paper-read/finalize_report.py \
  --date $(date +%Y-%m-%d) \
  --category cs.CV \
  --incremental tmp/arxiv_incremental.json \
  --screening tmp/arxiv_screening.json \
  --selected tmp/arxiv_selected.json \
  --batches tmp/arxiv_batches.json \
  --results-dir tmp/arxiv_results \
  --style human \
  --output papers/$(date +%Y-%m-%d)/arxiv-cs.CV-$(date +%Y-%m-%d)-report.md \
  --sync-dir papers/$(date +%Y-%m-%d)

该脚本会按固定顺序自动执行：

1. normalize_screening.py
2. normalize_results.py
3. render_report.py
4. 可选把 incremental/screening/selected/batches/results/report 同步归档到 papers/{date}/

除非在调试单步脚本，否则推荐统一走 finalize_report.py，不要手工拼接最后几步。### plan_batches.py 的默认分档规则

• small：pdf_pages < 12 且 pdf_size_mb < 2.0 → batch_size = 5
• medium：pdf_pages <= 25 且 pdf_size_mb <= 6.0 → batch_size = 3
• large：其余情况 → batch_size = 2
• 若页数不可得，则回退到 PDF 大小判断；若大小也不可得，则保守归为 medium

Subagent Prompt 注入方式

⚠️ subagent 的完整 prompt 存放在独立 skill 文件中，主 agent 必须按以下步骤操作，不得自行编写或改写 prompt。

注入步骤（每篇论文启动 subagent 前必须执行）：

1. 使用 Read 工具读取 ~/.claude/skills/paper-read-reviewer/SKILL.md 全文
2. 从该文件的 ## Prompt 模板 节中提取 ```text 代码块内的全部内容（原文，不做任何改动）
3. 将以下六个占位符替换为当前论文的实际值：
   • {arxiv_id} → 论文 arXiv ID
   • {title} → 论文标题
   • {authors} → 作者列表
   • {pdf_path} → 本地 PDF 路径（来自 arxiv_selected.json 的 pdf_path 字段）
   • {submission_date} → arXiv 提交日期（格式 YYYY-MM-DD，来自元数据）
   • {abstract} → 论文摘要
   • {abs_url} → ArXiv 详情页链接（来自 arxiv_selected.json 的 abs_url 字段）
4. 将替换后的字符串作为 Task subagent 的完整 prompt 传入

禁止事项：

• 禁止不读取 skill 文件直接凭记忆编写 prompt
• 禁止对 skill 文件内容做任何精简、改写、摘要或省略
• 禁止跳过 Read 步骤

OpenJudge 五阶段细则：已迁至 paper-read-reviewer/SKILL.md 的 ## Prompt 模板 代码块；本 skill 不再重复粘贴，避免与 subagent 注入内容双轨漂移。

Step 7：主 Agent 汇总报告

执行时机：等待所有 subagent 完成（tmp/arxiv_results/ 下的 JSON 数量 = 精读论文数）后，由主 agent 执行本步骤。读取全部 {arxiv_id}.json，汇总评分、排序、生成最终 Markdown 报告。

存储路径

• Markdown 报告: papers/{date}/arxiv-{category}-{date}-report.md
• 结果 JSON: 将 tmp/arxiv_results/ 下的所有文件复制或移动到 papers/{date}/results/
• 元数据: 复制 tmp/arxiv_screening.json、tmp/arxiv_selected.json、tmp/arxiv_incremental.json、tmp/arxiv_batches.json 到 papers/{date}/

推荐渲染方式（优先）

优先使用统一渲染脚本生成 Markdown，避免主 agent 手写字符串导致字段漂移：

python3 scripts/paper-read/render_report.py \
  --date $(date +%Y-%m-%d) \
  --category cs.CV \
  --incremental tmp/arxiv_incremental.json \
  --screening tmp/arxiv_screening.json \
  --selected tmp/arxiv_selected.json \
  --batches tmp/arxiv_batches.json \
  --results-dir tmp/arxiv_results \
  --style human \
  --daily-conclusion-file tmp/daily_conclusion.md \
  --output papers/$(date +%Y-%m-%d)/arxiv-cs.CV-$(date +%Y-%m-%d)-report.md

其中：

• --style human：默认推荐，生成更适合人读的日报风格；会优先输出统一的 ## 今日关注 段落，先给总判断，再按主题展开，并在该部分把重点论文写成 简称（[arxiv_id](link) · score） 的格式。
• --style template：保留完整字段化模板，更适合调试、验收和结构化检查；同样使用统一的 ## 今日关注 段落，而不是把“今日结论”和“今天值得关注什么”拆成两个重复 section。
• tmp/daily_conclusion.md 为可选输入；若存在，渲染脚本会将其作为 ## 今日关注 中的补充说明插入，而不是单独再生成一个重复总结段。

若使用脚本失败，主 agent 才可回退到手工拼接 Markdown，但必须遵守下文的字段对齐规则。

新增：横向竞争定位与价值判断（必须执行）

在生成最终报告前，主 Agent 必须为每篇精读论文补做一轮横向定位，默认窗口为提交日期前后 ±90 天。可使用 Semantic Scholar、arXiv search API 或其他可复现的论文检索源。

对每篇精读论文至少完成以下工作：

1. 搜索同期同任务方向论文，优先匹配：
   • 任务领域
   • 方法关键词
   • 目标数据集 / benchmark
2. 给出竞争定位标签之一：
   • 首提
   • 同期并行
   • 跟进
   • 跟进但系统化更强
   • 工程整合型优化
3. 明确比较轴是否一致：
   • 是否同数据集 / split / metric
   • 是否同 backbone / model size
   • 是否使用额外数据 / 额外教师模型
   • 是否使用更多 test-time compute / search / reranking
4. 若比较轴不一致，必须显式写“不可直接横比”，禁止硬下结论

同时，对每篇精读论文都要回答以下 checklist：

• □ 问题意识是否系统级：是在解决 pipeline 级依赖 / 评测设定 / 训练-推理闭环瓶颈，还是仅改局部组件
• □ 方法新颖性是否在竞争参照下仍成立，不能孤立评价
• □ 关键实验数字是否已从原文全文核实，并注明对应 setting（dataset / metric / baseline / inference budget）
• □ 性能提升主要来自方法，还是来自更多数据 / 更大模型 / 更高推理预算
• □ 推理代价与部署成本是否被论文诚实讨论

这些结论应写回最终报告；若无法完成竞争搜索，必须写明证据不足，不能把主观印象写成定论。

最终综合评分逻辑

OpenJudge 五阶段输出综合为最终评级：

最终分 = review_score（含以上调整，最低 1 分）

注意：unverifiable 条目纯粹反映 PDF 提取质量，不得计入引用质量判断，不影响任何评分。

报告生成字段对齐规则

主 agent 在生成最终报告前，必须逐篇读取 reviewer JSON，并按以下字段映射统一取值：

缺失字段与降级规则

• 若 visuals.architecture_img 为空：
  • 主 agent 先尝试依据 visual_hints + 本地 PDF 裁图；
  • 若仍失败，则在报告中写 未提取到合适图片，不得留空 broken link。
• visuals.benchmark_img 不再作为最终报告默认必需项：
  • 默认只把 benchmark 结果转写成文字和数字解读；
  • 仅当用户明确要求时，才在报告中嵌 benchmark 图片。
• 若 openjudge.bibcheck.executed = false：
  • 报告中显示 参考文献校验：已跳过（原因：...）；
  • 不得伪造 0 条检查结果冒充“已完成检查”。
• 若 score_adjustments 为空数组：
  • 报告中写 无额外调整。
• 若 questions / major_issues / minor_issues / false_positives 为空：
  • 报告中写 无，保持结构稳定。
• 若单篇 reviewer JSON 缺关键字段：
  • 主 agent 必须在汇总时显式标记 字段缺失，并继续处理其他论文，避免整份报告失败。

批次统计字段对齐

生成报告统计概览时，除论文内容外，还必须从 tmp/arxiv_batches.json 读取：

• summary.total_papers
• summary.batch_count
• summary.tier_counts.small
• summary.tier_counts.medium
• summary.tier_counts.large
• summary.missing_pdf_count

并在统计概览中展示动态调度情况，便于回溯执行成本。

输出分层规则（新增）

最终日报必须显式分为三层，而不是把所有精读论文等量展开：

1. 优先读（≤3 篇）
   • 给出：为什么值得优先读、阅读时该盯什么、实验应该怎么看
   • 优先分配给：问题意识更系统、竞争定位更清楚、数字核验更完整、并且具有较强外溢价值的论文
2. 选读（≤3 篇）
   • 给出：一句话定位 + 方向标签
   • 适用于：方向重要但贡献更偏跟进、或受众面较窄的论文
3. 快评（其余）
   • 给出：一句话总结 + 受益读者标签
   • 禁止只写“不值一读”；若论文较窄，必须明确“推荐给哪些方向的人”

若论文是 Workshop 或明显领域专项工作，可进入“选读/快评”，但不得与主会主线论文等权排序，除非其方法贡献和竞争定位有非常充分的证据支撑。

报告模板

实际执行时，优先生成 --style human 的版本 作为最终面向用户的日报；以下模板主要描述 template 风格下的字段对齐要求。若需要更像人写的报告，正文应优先采用“今日关注（总判断 + 主线展开） / 为什么值得看 / 一句话结论 / 实验亮点 / 我会怎么评价它”的顺序，而不是在正文里直接堆叠全部 OpenJudge 字段。

新增排版经验（2026-04-20）

• 报告流程图、预筛选总表 这类流程/验收/调试信息，默认放在正文最后，不要顶在开头打断阅读。
• 每篇论文若有 一句话评价，默认放在 **预筛选分**：**X/6** 的正下方，不要单独拖到文末再写一个小节。
• 方法流程图 部分默认只保留一份图：优先保留从 arXiv source 提取的原始方法图；若已放原图，就不要再并排保留 Mermaid 复写版。
• 图下方默认不写“论文 source 方法图（从 arXiv source 提取）”“source: ...”这类实现说明；除非用户明确要求保留 provenance，报告里只放图本身。

# arXiv {category} 论文解读 — {YYYY-MM-DD}

## 今日关注

先说结论：今天最值得关注的主线是……最值得优先读的论文是……

> `今日关注` / 总结段里的重点论文，推荐统一写成：
> - `HY-World 2.0（[2604.14268](https://arxiv.org/abs/2604.14268) · 5/6）`
> - `Sketch-to-Multi-View（[2604.14302](https://arxiv.org/abs/2604.14302) · 5/6）`
> - `DharmaOCR（[2604.14314](https://arxiv.org/abs/2604.14314) · 4/6）`
>
> 也就是：**论文简称 + 全角括号 + arXiv 链接 + 分数**。

具体看：
- 主线 A：... 重点论文写作 `论文简称（[arxiv_id](link) · score）`
- 主线 B：... 重点论文写作 `论文简称（[arxiv_id](link) · score）`

> 写结论时必须遵守：
> - 结论优先建立在“同期竞争参照 + 原文数字核验”上
> - 若仅是 Workshop / preprint，需显式标注，不得混写成“今日最强”
> - 若比较轴不一致，使用“值得关注 / 值得跟踪”，不要写成绝对领先

## 统计概览

| 指标 | 数值 |
|------|------|
| `/new` 主批次数量 | XXX |
| 增量论文数 | XX |
| 摘要初筛入选 | XX |
| 全文精读数 | XX |
| 动态批次数 | XX |
| large / medium / small | X / X / X |
| 缺失 PDF 数 | X |
| 平均 OpenJudge 分 | X.X / 6 |
| 安全异常论文数 | X |

---

## 优先读（≤3 篇）

### 1. [标题](abs_url) — X/6（Accept）

**原文链接**: [abs_url](abs_url)

**作者**: ... | **分类**: ... | **类型**: main_conference / workshop / preprint / tech_report | **背景信号**: ...

**任务/方法标签**: ...

**竞争定位**: 首提 / 同期并行 / 跟进 / 跟进但系统化更强 / 工程整合型优化

**比较轴说明**: 同数据集/metric/backbone/推理预算？若不可直接横比需明确写出

**调度信息**: `tier={size_tier}` | `pages={pdf_pages}` | `pdf={pdf_size_mb}MB` | `batch_size={recommended_batch_size}`

**架构图（从 PDF 页面裁整块 Figure）**

![架构图]({architecture_img})

> 若未裁图成功：写 `未提取到合适图片`；若仅有线索，可追加 `候选线索：{visual_hints.architecture_candidates}`

#### 核心贡献
...

#### 实验指标
...

> 所有关键数字必须写成“数字 + setting”，例如：`在 XXX dataset 的 YYY metric 上，相比 ZZZ baseline，从 A 提升到 B；是否使用额外数据/更大模型/更多 test-time compute：...`。

#### 消融实验
...

#### 价值判断 checklist
- 系统级问题意识：...
- 新颖性竞争参照：...
- 原文核实数字：...
- 方法贡献 vs 资源贡献：...
- 推理/部署成本讨论：...

#### 为什么优先读 / 盯什么 / 怎么看实验
- 为什么：...
- 盯什么：...
- 怎么看实验：...

---

#### OpenJudge 审稿报告

**[阶段 1] 安全检查**
- 越狱检测：✅ safe / ⚠️ abuse
- 格式违规：X 项 — `[具体违规描述]`

**[阶段 2] 正确性评分**
- 分数：X/3（无显著错误 / 次要错误 / 重大缺陷）
- 推理过程：...
- 关键问题：
  - [问题1] ...

**[阶段 3] 学术评审**
- 评审分：X/6（等级标签）
- 优点：...
- 不足：...
- 关键问题（审稿人提问）：...

**[阶段 4] 严重性验证**
- Major Issues（已核实）：...
- Minor Issues（已核实）：...
- 误报（已排除）：...

**[阶段 5] 参考文献校验**
- 若 `bibcheck.executed = true`：
  - 检查：XX 条 | ✅ verified: XX | ⚠️ suspect: XX | ❓ unverifiable: XX（PDF提取质量） | ❌ error: XX
  - 可疑引用：...
  - 确认错误：...
- 若 `bibcheck.executed = false`：
  - 参考文献校验：已跳过（原因：`skip_reason`）

**最终综合评分：X/6**（调整说明：若 `score_adjustments` 为空则写 `无额外调整`）

---

## 选读（≤3 篇）

- `[arXiv ID] 标题`：一句话定位。**方向标签**：... | **类型**：main_conference / workshop / preprint / tech_report
- ...

## 快评（其余）

- `[arXiv ID] 标题`：一句话。**推荐给**：...方向读者 | **类型**：main_conference / workshop / preprint / tech_report
- ...

## 摘要快览（总分 2-3 分，未精读）

| # | arXiv ID | 标题 | 类型 | 新颖 | 重要 | 实验 | 背景 | 总分 | 备注 |
|---|----------|------|------|------|------|------|------|------|------|
...

## 全量汇总表

| # | arXiv ID | 标题 | 阶段 | tier | pages | batch | 最终分 |
|---|----------|------|------|------|-------|-------|--------|
...

视觉材料提取实践（新增经验）

生成最终 Markdown 报告时，不要只给图片路径，也不要只抽 PDF 内嵌 raster image。应遵循以下规则：

0. 默认 source-first，而不是 PDF-only

   • 对 arXiv 论文，优先尝试 https://arxiv.org/e-print/{arxiv_id} 获取 source
   • 若 source 中存在单独完整 figure 文件，优先直接使用 source 资产
   • 若 source 中对应 figure 为 TikZ / \\input{...} / 多 panel 组合图，则禁止只取其中一个 panel 充当整图
   • 此时应回退到 PDF caption block 裁图

1. 报告中直接嵌图

   • 在 Markdown 中直接使用 ![](...) 展示图片。
   • 不要仅写“图片路径：...”，否则报告可读性很差。

2. 最终报告默认只保留流程图 / 架构图

   • 每篇精读论文默认最多展示一张：
     • architecture_img：模型架构 / 方法流程 / overview / pipeline
   • benchmark_img 不再默认嵌入最终报告；benchmark 信息优先转写成正文里的数字与 setting 解读。
   • 过滤无关图：定性样例拼贴、作者照片、数据样例、装饰性插图、零散子图。

3. 优先裁完整 Figure/Table block，而不是只抽 embedded image

   • 更具体地说：
     • 先 source：能拿到完整原图就直接导出
     • 再 PDF：当 source 无法可靠恢复整图时，再做 caption/block 裁图
     • 最后 fallback：固定坐标裁图只能是最后保底，不应成为默认流程
   • 许多论文中的“架构图”实际上是整块 figure 区域，包含：箭头、文字、公式、子图布局。
   • pdfimages 只能抽底图，往往会丢失关键标注，因此不应作为最终展示图的唯一来源。
   • 正确做法：根据 Figure N / Fig. N / Table N caption 的位置，从 PDF 页面裁出完整 figure/table 区域。

4. 推荐选择策略

   • 架构图优先级：
     • Figure 1
     • 若 Figure 1 不是方法图，则选择 caption 含 architecture / framework / overview / pipeline / method / training pipeline 的 figure
   • benchmark 图仅在用户明确要求时才考虑：
     • 优先 Table 1
     • 若 Table 1 不是主结果，则选择 caption 含 benchmark / comparison / evaluation / results / performance 的 table 或 figure

5. 裁剪启发式

   • 对 figure：截取 caption 上方对应的整块视觉区域，并保留 caption
   • 对 table：从 caption 开始向下裁到下一张 Figure/Table caption 之前
   • 若同页存在多个 figure/table，必须用“当前 caption 到下一 caption”的边界裁切，避免把相邻内容混进来

6. 保存位置建议

   • 报告默认相关图片统一保存到：
     • papers/{date}/assets/selected/{arxiv_id}-arch.png
   • 若用户明确要求 benchmark 图，才额外保存：
     • papers/{date}/assets/selected/{arxiv_id}-result.png
   • 在 Markdown 中默认只嵌入：
     • ![...](assets/selected/{arxiv_id}-arch.png)

7. 与 reviewer skill 的关系

   • paper-read-reviewer 不再负责访问 HTML、下载图片或裁图；它只输出 visual_hints（如 Figure 1 / Table 1 / caption 关键词）或保留空的 visuals 占位；
   • 最终报告阶段统一由主 agent 做“图像筛选 + 裁剪 + 嵌入”，但实现顺序更新为：
     1. 先尝试 arXiv source 提取完整 figure
     2. source 不可靠时，回退到本地 PDF 的 caption/block 裁图
   • 默认只嵌流程图，benchmark 图不作为最终报告标准配置。

8. 当前项目中的推荐脚本

   • 优先使用：
     • scripts/paper-read/extract_report_figures.py
   • 该脚本默认执行：
     • source-first 提取
     • 单文件 figure 直接导出
     • 组合/TikZ figure 自动回退到 PDF 裁图
     • 输出到 papers/{date}/assets/selected/{arxiv_id}-arch.png
   • 新增经验（2026-04-20）：source-first 虽然是默认策略，但启发式仍可能挑到 teaser / qualitative figure，而不是真正的方法图。遇到这种情况时：
     1. 先检查 source 中的 main.tex / chapter-03-method.tex / sec/3_method.tex 等方法章节；
     2. 优先选 Figure 1 或 caption 含 overview / framework / pipeline / procedure / method 的单文件图；
     3. 若自动选择仍不对，允许通过脚本 override 指定 source 资产，但最终报告仍只保留一张图。

Step 8：清理缓存

# 仅清理 tmp/ 下的中间过程文件和 PDF
python3 scripts/paper-read/cleanup.py --pdf-dir tmp/arxiv-papers
rm -rf tmp/arxiv_results/
rm -f tmp/arxiv_all.json tmp/arxiv_topn.json tmp/arxiv_screening.json tmp/arxiv_selected.json tmp/arxiv_incremental.json tmp/arxiv_processed_ids.json tmp/arxiv_latest_batch.json tmp/arxiv_batches.json

[!TIP] 经过此步后，tmp/ 将被清空，但 papers/{date}/ 中的报告和核心 JSON 将被永久保留。

快速参考