arXiv预印本检索实战：从关键词、作者到PDF下载的夜间工作流
凌晨书桌前，先把问题问清楚
雨点敲在窗沿上，像有人在低声翻页。凌晨一点十七分，我盯着arXiv搜索框，想找一篇关于大语言模型检索增强的预印本，却被几百条结果推回原点。做学术研究的人都熟悉这种挫败：论文在那里，开源代码也许也在那里，可你不知道该用哪句话把它叫出来。于是，今晚这篇arXiv教程不讲玄学，只讲我在开源学术站反复使用过的检索路径。
先判断你要找的是“主题”“作者”“编号”还是“最新进展”。如果只是输入natural language processing，结果会过宽；更稳的方式是用精确短语和字段。arXiv支持在搜索框里使用字段前缀，例如ti:"retrieval augmented generation"查标题，au:"Yann LeCun"查作者，abs:"contrastive learning"查摘要。想做arXiv论文下载，最短路径是拿到编号，例如2401.01234，然后在页面选择PDF；批量记录时，把编号、标题、版本号v1/v2和提交日期一起存进Zotero或Obsidian，日后复现引用会少很多麻烦。
把检索变成可复现的工作流
我通常按四步走。第一步，用Google Scholar交叉确认关键词，把高被引综述里的术语抄下来；第二步，回到arXiv用标题字段缩小范围；第三步，把分类限制到cs.CL、cs.LG、stat.ML这类具体栏目；第四步，只看最近两年并按提交时间排序。一次实际测试中，我用普通关键词“RAG evaluation”得到约900条结果，改成ti:"retrieval augmented" AND abs:evaluation后剩下不到80条，人工筛选时间从约35分钟降到9分钟。这个数字是我用浏览器历史记录和计时器测的，不严谨，但足够说明问题。
- 进入arXiv高级搜索，选择Title、Abstract、Author等字段，不要只依赖默认全文搜索。
- 用英文短语加引号锁定概念，例如
"graph neural network"，避免graph和network分散匹配。 - 看到有用论文后，点作者名反查同一研究组的连续工作，预印本常常是一条时间线。
- 复制BibTeX到Zotero或JabRef，再手动检查年份、版本号和会议发表状态。
如果你想做更稳定的arXiv检索技巧沉淀，可以使用API思路保存查询式。示例查询写成这样：search_query=ti:%22diffusion%20model%22+AND+cat:cs.CV&sortBy=submittedDate&sortOrder=descending&max_results=20。它的价值不在于炫技，而在于下周、下个月你还能复现同一组检索条件。
下载、订阅与验证：别让好论文失散
免费和官方路线已经足够完成大多数工作：arXiv页面PDF下载、Export BibTeX、RSS订阅、Google Scholar提醒、Zotero Connector抓取元数据。它们的限制也明确：arXiv不等于同行评审，PDF有时是旧版本，代码链接可能失效，Google Scholar更新也会延迟。我的做法是：下载PDF后立刻看右上角版本号；若论文声称开源，搜索标题加GitHub；若准备引用，再去作者主页或会议页面确认最终发表版本。
如何验证它真的有效：选一个你熟悉的主题，例如“LoRA fine tuning”，先用默认搜索记录前20条中相关论文数量；再用ti:"LoRA" OR abs:"low-rank adaptation"并限制cs.LG或cs.CL，重新统计相关比例。若相关比例提升、重复结果减少、PDF和BibTeX能成功进入文献库，就说明你的流程跑通了。网络不稳时，先尝试学校网络、图书馆代理和浏览器无痕模式；付费加速只是最后的可选项，例如Roxi可通过wizzegroup.com了解，但官方、免费、自建检索流程依然是基础。