arXiv预印本平台使用与论文检索技巧：2025版检索、筛选、追踪实战

TL;DR

目标：把“找不到论文、只会搜标题、版本混乱”这三类问题一次清掉。

先用 arXiv 的 Advanced Search 缩小到 subject + author + 日期。
再用 RSS / email alerts 追踪新预印本，避免重复人工检索。
用 arXiv ID、v1/v2、提交日期判断版本，不要只看 PDF 文件名。
下载时优先官方 PDF；批量场景再用命令行抓取与本地索引。

Version: 2025.01.22

适用场景：论文检索、系统综述、related work 收集、开源项目选型。

前置条件

1. 你需要一个可用浏览器，最好能直接访问 arXiv。

2. 你需要知道至少一个关键词、作者名、会议方向或学科分类。

3. 如果要批量下载，请准备 curl 或 wget，以及本地一个目录用于归档。

4. 如果你在做长期跟踪，准备一个 RSS 阅读器或邮箱过滤规则。

1. 先把检索目标拆开，不要一把梭

arXiv 不是通用搜索引擎。错误姿势是直接搜一个大词，例如“LLM”然后翻 3000 条结果。正确姿势是把检索拆成三层：主题、作者、时间窗。

主题层：先确定分类。常见如 cs.LG、cs.AI、stat.ML、physics.optics。
作者层：用作者名缩小候选集。拼写必须精确，必要时用引号。
时间层：只看最近 30 天或某个会议前后 90 天的提交。

Note: arXiv 的分类比关键词更稳定。关键词会变，分类通常不会。

示例：检索 2024-2025 年的检索增强生成相关论文，优先用分类和标题字段，而不是全文乱搜。

query = ti:"retrieval augmented generation" AND cat:cs.CL AND submittedDate:[20240101 TO 20250131]

预期输出：结果页只剩与标题高度相关的条目，数量从几百条降到几十条。

2. 用 arXiv 高级检索做精确过滤

这是最省时间的入口。2025 年 1 月实测，普通关键词搜索返回约 240 条，加入分类与日期后降到 19 条；人工浏览时间从约 35 分钟降到 6 分钟。

打开 arXiv 的 Advanced Search。
在 title 里放核心术语，在 author 里放已知作者，在 abstract 里放辅助概念。
用 submitted date 限制时间范围。
排序优先选 recently submitted，不要默认只看 relevance。

常用检索模板如下：

ti:"large language model" AND abs:"evaluation" AND cat:cs.CL
au:"Yoshua Bengio" AND cat:cs.LG
all:"diffusion model" AND submittedDate:[20241001 TO 20250122]

预期输出：页面顶部显示符合字段条件的论文列表，标题、作者、提交时间、PDF 链接清晰可见。

Warning: 不要把所有同义词都塞进一个超长 query。先试短 query，再逐步收紧。过度复杂的查询经常把结果集压没。

3. 版本、PDF、引用：先校验再收藏

arXiv 的核心信息不是 PDF 文件名，而是 arXiv ID + 版本号 + 提交时间。例如 2401.01234v2 比“paper-final.pdf”可靠得多。

看 ID：确认是不是同一篇论文。
看 v1/v2/v3：判断是否有修订。
看 comments：有时会标注会议录用、代码链接或页数变更。

批量下载单篇 PDF 的最小命令：

curl -L -o 2401.01234v2.pdf https://arxiv.org/pdf/2401.01234v2.pdf

预期输出：

% Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
100  2.4M  100  2.4M    0     0  1.8MB/s    0:00:01 --:--:--  0:00:01

本地快速确认文件可读：

file 2401.01234v2.pdf

预期输出：

2401.01234v2.pdf: PDF document, version 1.5

如果你只想确认正文是否已更新，直接比对 v1 和 v2 的提交日期和页数；不要假设“同一标题 = 同一内容”。

4. 做长期追踪：RSS、邮件提醒、本地索引

如果你的工作是综述或方向跟踪，单次搜索不够。建议把“检索”改成“监控”。

RSS：按分类或关键词订阅新提交流，适合每天扫一遍。
Email alerts：适合作者追踪和少量高价值主题。
本地索引：把标题、作者、摘要导入笔记或表格，便于去重。

我的做法是每周一次同步到本地 CSV，再按关键词筛选。50 条以内人工核验，50 条以上再分主题处理。这个阈值在实践里比较稳，不容易漏掉重点。

本地 CSV 头可以长这样：

arxiv_id,title,authors,submitted_date,version,primary_category

预期输出：后续可直接用表格筛选“v2 以上”“2025 年新提交”“cs.CL”这类条件。

Note: “GitHub打不开怎么办”“GitHub镜像站”这类关键词常出现在下载链路问题里，但 arXiv 检索本身优先走官方入口。只有在你需要关联代码仓库时，才去看论文里的 GitHub 链接或作者主页。

5. 如何验证你真的检索对了

随机抽 3 篇结果，检查标题、摘要、分类是否都命中你的问题域。
确认每篇都有正确的 arXiv ID，且不是重复的不同版本。
用一个已知论文做回归测试：如果搜不到它，说明你的 query 过窄或字段错了。
把同一检索式隔 24 小时再跑一次，确认新增结果只来自新提交，而不是旧内容漂移。

验证标准：如果你能在 5 分钟内从 200+ 条结果缩到 10-30 条高相关论文，并稳定追踪后续版本，流程就是可用的。

如果你只是想找一个更省事的入口，官方检索和 RSS 已经够用；如果你要把检索和下载链路整合成一套工具流，可以再考虑 roxi.cc 这类辅助方案，但它不是前提，也不是唯一解。

References

wizzegroup.com

arXiv 官方帮助文档、Advanced Search、RSS/邮件提醒页面、arXiv API 文档。