学术效率提升：Zotero-arXiv智能推送系统使用指南

一、智能推送如何解决学术追踪痛点

每位研究者都曾面临这样的困境：每天花费数小时浏览arXiv寻找相关论文，却仍可能错过关键研究。Zotero-arXiv-Daily作为一款开源智能推送工具，通过三大核心优势重构学术追踪流程：

零成本自动化机制
无需本地部署服务器，借助GitHub Actions这一"自动化管家"，实现每日定时运行，从论文检索到邮件推送全程无人值守。这相当于为研究者配备了一位24小时工作的学术助理，彻底解放人工筛选的时间成本。

个性化推荐引擎
区别于通用学术聚合平台，系统深度分析你的Zotero图书馆内容，通过语义匹配算法生成高度相关的论文推荐。就像学术领域的"今日头条"，只推送与你研究方向真正相关的内容。

跨平台邮件推送
打破设备限制，将精选论文直接发送至你的邮箱。无论是在实验室电脑前还是移动设备上，都能随时获取最新研究动态，实现碎片化时间的高效利用。

📌要点总结：

1. 完全基于GitHub生态，零服务器成本实现自动化运行
2. 以Zotero图书馆为基础的个性化推荐算法
3. 跨设备邮件推送，确保重要研究不错过

二、从准备到运行的完整实施路径

2.1 准备阶段：搭建你的学术追踪基础设施

在开始配置前，你需要完成两项核心准备工作：

获取必要凭证
首先登录Zotero官网创建API密钥（需勾选"读取库"权限），同时记录下你的Zotero用户ID（可在个人设置页面找到）。这组凭证就像你学术图书馆的"智能钥匙"，允许系统安全访问你的文献收藏。

项目部署
将项目克隆到你的代码仓库：

git clone https://gitcode.com/GitHub_Trending/zo/zotero-arxiv-daily

这个操作相当于在GitHub的"云服务器"上为你搭建了专属的学术处理中心。

📌要点总结：

1. 提前准备Zotero API密钥和用户ID
2. 通过git clone完成项目的云端部署
3. 确保GitHub账户有Actions功能使用权限

2.2 核心配置：打造专属推送规则

进入项目仓库的"Settings"页面，在"Secrets and variables"栏目中配置关键参数。这一步就像给你的学术助理设定工作指南，决定了推荐内容的质量和推送方式。

图1：在GitHub仓库设置中配置环境变量的界面，箭头指示关键操作位置

必选参数配置（基础运行必备）：

• ZOTERO_ID：你的Zotero账户标识（格式为数字）
• ZOTERO_KEY：具有库读取权限的API密钥
• ARXIV_QUERY： arXiv分类筛选条件（如"cs.CV+stat.ML"表示计算机视觉和机器学习）
• SMTP_SERVER：邮件发送服务器地址（如"smtp.gmail.com"）
• SMTP_PORT：邮件服务器端口（推荐使用465 SSL加密端口）
• SENDER：发送邮箱地址
• SENDER_PASSWORD：发送邮箱密码或应用专用密码
• RECEIVER：接收推荐邮件的邮箱地址

💡 配置提示：SMTP服务器信息需查阅你邮箱提供商的帮助文档，Gmail用户需开启"Less secure app access"或使用应用专用密码，企业邮箱用户可能需要联系IT部门获取SMTP权限。

进阶参数配置（优化推送体验）：

• MAX_PAPER_NUM：单次推送最大论文数量（建议设为5-10篇）
• SEND_EMPTY：无新论文时是否发送通知（设为"false"可减少打扰）
• USE_LLM_API：是否启用AI摘要功能（设为"true"需额外配置LLM参数）

📌要点总结：

1. 必选参数确保系统基础运行，进阶参数优化使用体验
2. SMTP配置需注意邮箱服务商的安全策略
3. arXiv分类查询支持多领域组合，用"+"号连接

2.3 验证测试：确保推送系统正常工作

配置完成后，需要进行一次完整测试以验证系统功能。这个过程就像新车试驾，确保所有组件协同工作。

图2：GitHub Actions工作流手动触发按钮位置，用于测试配置有效性

测试步骤：

1. 进入项目仓库的"Actions"页面
2. 选择"Send emails daily"工作流
3. 点击"Run workflow"按钮，在弹出框中确认分支后再次点击运行
4. 等待工作流执行完成（通常需要1-3分钟）
5. 检查接收邮箱是否收到测试推送

💡 测试提示：首次运行若失败，可在Actions日志中查看具体错误信息。常见问题包括SMTP配置错误或Zotero API权限不足。

📌要点总结：

1. 通过手动触发工作流验证配置正确性
2. 工作流执行日志是排查问题的重要依据
3. 成功接收测试邮件表示系统已准备就绪

三、场景化应用指南与最佳实践

3.1 不同研究场景的配置示例

计算机视觉研究者配置
对于专注于深度学习和计算机视觉的研究者，推荐如下配置：

• ARXIV_QUERY：cs.CV+cs.LG（计算机视觉+机器学习）
• MAX_PAPER_NUM：8（每日推送8篇精选论文）
• USE_LLM_API：true（启用AI生成技术摘要）

这种配置将聚焦于arXiv的计算机视觉和机器学习领域，每天提供8篇最相关的新论文，并附带AI生成的技术摘要，帮助快速判断论文价值。

多领域交叉研究者配置
对于从事计算生物学等交叉学科研究的用户：

• ARXIV_QUERY：q-bio.BM+cs.AI+stat.ML（生物信息学+人工智能+统计机器学习）
• SEND_EMPTY：true（即使无新论文也发送通知，确保不错过跨领域研究）

这种配置覆盖多个相关领域，适合需要跟踪跨学科进展的研究者。

3.2 常见故障排查与解决方案

邮件接收失败

• 检查SMTP_SERVER和SMTP_PORT是否匹配邮箱服务商要求
• 验证SENDER_PASSWORD是否正确，特别是使用两步验证的邮箱需使用应用专用密码
• 查看垃圾邮件文件夹，部分邮箱会将自动发送的邮件归类为垃圾邮件

推荐相关性低

• 检查Zotero图书馆是否有足够的相关文献（建议至少10篇以上核心文献）
• 调整ARXIV_QUERY分类，增加更具体的子领域关键词
• 考虑启用LLM增强功能（设置USE_LLM_API=true）提升推荐精准度

工作流执行超时

• 减少MAX_PAPER_NUM数值，降低单次处理的论文数量
• 检查网络连接，GitHub Actions运行环境偶尔会出现网络波动

📌要点总结：

1. 不同研究领域需针对性调整ARXIV_QUERY参数
2. 邮箱配置问题是最常见故障点，需仔细核对SMTP信息
3. Zotero图书馆质量直接影响推荐相关性

四、系统扩展与生态建设方向

4.1 核心功能扩展路径

多源学术数据整合
基于现有架构，可扩展集成IEEE Xplore、ACM Digital Library等学术数据库。技术实现思路：开发新的Retriever模块，适配不同数据库的API接口，统一数据格式后接入现有推荐引擎。

本地LLM部署方案
为保护研究隐私，可实现本地大语言模型部署。技术实现思路：通过Docker容器化部署Llama等开源模型，修改reranker/local.py实现本地API调用，替代云端LLM服务。

Zotero直连功能
实现推荐论文一键保存至Zotero。技术实现思路：利用Zotero Write API，在邮件中添加"保存至Zotero"按钮，通过前端JS调用API完成文献入库。

4.2 学术协作场景拓展

研究团队共享推荐池
通过配置共享Zotero库，实现团队级别的论文推荐。每位成员可以看到团队其他成员标记的相关论文，促进学术交流。

论文精读协作笔记
扩展邮件推送内容，增加协作笔记功能。团队成员可对推荐论文添加批注，形成集体智慧结晶，加速文献筛选过程。

📌要点总结：

1. 系统架构支持多源数据整合和本地LLM部署
2. 团队协作功能可显著提升研究效率
3. 扩展开发需重点关注API兼容性和数据格式统一

五、结语：重新定义学术前沿追踪方式

Zotero-arXiv-Daily通过将Zotero的文献管理能力、GitHub Actions的自动化能力和AI的智能分析能力相结合，构建了一个零成本、个性化的学术追踪系统。从根本上改变了研究者获取学术信息的方式，将被动浏览转变为主动推送，让研究人员能更专注于实质性的创新工作。

随着系统的不断完善和生态的扩展，我们期待看到更多研究者从中受益，将更多时间投入到真正推动学科发展的研究工作中，而不是在信息的海洋中艰难跋涉。

图3：系统发送的论文推荐邮件示例，包含论文标题、作者、相关性评分和技术摘要