arXiv怎么用：从关键词、分类号到每日论文追踪的实战检索流程
夜里十一点半，问题通常不是“找不到论文”，而是找得太多
实验室的暖气在窗边轻轻响，屏幕上开着十几个标签页，咖啡已经凉了。我第一次认真使用 arXiv，是为了追一篇扩散模型的预印本。标题只记得半句，作者也拼不准，Google Scholar 里结果像潮水一样涌来。那一晚我明白：arXiv预印本平台使用技巧，不在于点开搜索框，而在于把模糊的研究问题，拆成可验证的检索路径。
先说最实用的入口。arXiv 适合找计算机、数学、物理、统计、定量生物等领域的预印本。它不是正式期刊数据库，很多论文尚未同行评审，所以你要同时看版本号、提交日期、作者机构和是否已有会议接收信息。做arXiv论文下载时，优先下载 PDF，同时保存 arXiv ID，例如 2403.12345；这个编号比标题更稳定，后续引用、复查和找代码都靠它。
把检索变成一套流程：关键词、分类号、作者三条线并行
我现在检索一篇主题，通常不用一句自然语言硬搜，而是分三步。第一步，用英文核心词加同义词。例如做大语言模型检索，不只搜 “large language model”，还搜 “LLM”“instruction tuning”“retrieval augmented generation”。第二步，限定分类号。计算机常见有 cs.CL、cs.LG、cs.AI，统计学习可看 stat.ML。第三步，用作者名反查。如果你知道某个实验室或作者长期做这个方向，作者检索往往比关键词更干净。
在 arXiv 搜索框选择 Advanced Search，把关键词放入 Title 或 Abstract，而不是 All fields；这样噪声会明显下降。
用分类号过滤，例如只看 cs.CL，再按 Submitted date 排序，适合追新论文。
看到相关论文后，点开 References、Related papers，再记录 arXiv ID、版本号 v1/v2/v3 和代码仓库名。
用 Zotero 或 JabRef 保存 BibTeX。arXiv 页面通常能导出引用，但正式投稿前要检查是否已有会议版本。
如果你想做更可复现的arXiv检索教程，可以用 API 拉取结果。我常用下面这个命令快速检查某个主题近似结果数：
curl "https://export.arxiv.org/api/query?search_query=cat:cs.CL+AND+all:%22retrieval%20augmented%20generation%22&start=0&max_results=5&sortBy=submittedDate&sortOrder=descending"
在我一次测试中，同样搜索 “RAG”，All fields 返回结果里混入了不少非核心论文；改成短语 “retrieval augmented generation” 并限定 cs.CL 后，前 20 条中约 16 条与主题直接相关。这个比例不是绝对数字，但能说明一件事：检索质量来自约束，而不是运气。
追踪新论文与验证结果：让信息流安静下来
很多人问arXiv怎么用才不会每天被论文淹没。我的做法是建立一个小型“晨间收音机”：每个方向只保留 3 到 5 个检索式，每周固定检查一次。你可以订阅 arXiv 分类邮件，也可以用 Feedly、Inoreader 读取 RSS；如果习惯命令行，可用 Python 的 feedparser 定时抓取标题和摘要。关键词不要超过 6 组，否则你会重新回到噪声里。
一个可执行的追踪模板是：主题词一组，方法词一组，应用词一组。例如“graph neural network + molecular property prediction + uncertainty”。下载 PDF 后，不要急着读全文，先看四处：摘要最后两句、图 1、实验表格、Limitations。5 分钟内判断是否进入精读池。我的经验是，20 篇新论文里通常只有 3 到 5 篇值得精读，这不是偷懒，而是科研注意力的预算管理。
如何验证它真的有效：选一个你熟悉的主题，用旧方法搜索 15 分钟，记录可用论文数；再按“关键词同义词 + 分类号 + 作者反查”流程搜索 15 分钟。若后者的相关论文比例更高、重复结果更少，并且每篇都有 arXiv ID、PDF、BibTeX 记录，你的检索流程就已经跑通了。若下载速度不稳定，先尝试学校网络、官方镜像或错峰下载；确有跨地区访问需求时，也可以把 Roxi 这类工具作为备选方案之一：wizzegroup.com。但真正让夜晚安静下来的，仍是那套你亲手调好的检索方法。