Zotero-arXiv-Daily:智能学术推荐系统使用指南
一、核心价值:解决学术追踪痛点
如何在信息爆炸时代高效获取领域前沿论文?Zotero-arXiv-Daily提供自动化解决方案:基于Zotero图书馆内容,每日智能筛选相关arXiv论文并推送至邮箱。该系统采用GitHub Actions实现零成本自动化,无需本地部署,配置完成后即可享受个性化学术推送服务,帮助研究者节省文献筛选时间,聚焦核心研究工作。
二、功能原理:智能推荐的工作机制
系统通过三阶流程实现学术推荐:首先从Zotero图书馆提取文献特征,构建用户研究兴趣画像;接着基于预配置的arXiv分类(如cs.AI+stat.ML)检索最新论文;最后通过相似度算法匹配用户兴趣,生成个性化推荐列表。工作流采用定时触发机制,每日自动执行检索-匹配-推送全流程,全程无需人工干预。
三、环境准备:快速部署前置条件
3.1 代码仓库获取
git clone https://gitcode.com/GitHub_Trending/zo/zotero-arxiv-daily
3.2 核心依赖说明
- Zotero账户:需启用API访问权限
- 邮件服务:支持SMTP协议的邮箱账户(推荐Gmail/Outlook)
- GitHub账户:用于运行Actions工作流
四、配置部署:从环境变量到工作流触发
4.1 关键参数配置
进入项目仓库的"Settings > Secrets"页面,添加以下环境变量:
核心配置项说明:
ZOTERO_ID:Zotero个人ID(在账户设置中获取)ZOTERO_KEY:创建具有"读取库"权限的API密钥ARXIV_QUERY:研究领域分类(如"cs.CV+cs.LG"表示计算机视觉与机器学习)MAX_PAPER_NUM:每日推荐上限(建议值:5-10篇)SMTP_SERVER:邮件服务器地址(如smtp.gmail.com)
4.2 工作流触发
在仓库"Actions"页面选择"Send emails daily"工作流,点击"Run workflow"手动触发首次执行:
五、场景拓展:多样化应用案例
5.1 研究团队协作场景
团队管理员配置共享Zotero库,设置多接收邮箱(用逗号分隔),实现团队成员同步获取领域动态,适合实验室群体学习。
5.2 跨学科研究支持
通过配置多个arXiv分类(如"physics.comp-ph+cs.NA"),帮助交叉学科研究者同时追踪不同领域进展。
5.3 文献计量分析
结合导出的邮件历史记录,分析领域热点变化趋势,为研究选题提供数据支持。
六、常见问题:故障排除指南
Q1:工作流执行失败,提示"Zotero API error"
A:检查ZOTERO_KEY权限是否包含"读取库"权限,或尝试重新生成API密钥。
Q2:收到的推荐论文相关性低
A:建议:1)优化Zotero库质量,移除无关文献;2)调整ARXIV_QUERY分类,使用更具体的子领域标签。
Q3:邮件未送达
A:确认SMTP配置正确性:端口(通常587)、加密方式(TLS)及邮箱授权码(非登录密码)是否正确。
Q4:如何停止每日推送
A:在GitHub Actions设置中禁用"Send emails daily"工作流,或删除相关环境变量。
七、效果展示:推荐邮件样例
系统生成的邮件包含论文标题、作者、相关度评分及TLDR摘要,支持一键访问PDF和代码链接:
通过以上配置,研究者可构建个人化学术雷达,实现前沿文献的自动化追踪与精准推送。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07


