一个轻量级的本地 AI 论文知识管理 Web 应用。基于 Flask + FAISS + LLM， 为学术研究者提供浏览、搜索、RAG 对话、深度调研四合一的私有知识库。
- 卡片式列表 展示所有论文，标题、一句话介绍、关键词、来源一目了然
- 日期导航 按年月折叠侧边栏，快速定位某个月的论文
- 多维过滤：来源（arXiv / TMC / ACL 等）× 研究领域（10 个预设类别）× 阅读状态
- 全文搜索 支持标题、关键词、核心主题的即时过滤
- Markdown 渲染 点击论文标题弹出完整的三段式介绍（动机 / 方法 / 实验）
- 跨论文自然语言提问（"哪些论文用了自蒸馏做持续学习？"）
- OpenAI Embedding 向量化 + FAISS 语义检索
- Qwen-Plus 生成带引用的中文回答
- 多轮对话 支持追问，对话历史自动传递上下文
- 引用可点击 直接查看原文片段
基于 OpenResearcher 思路，实现多轮 ReAct 深度调研：
- 自主推理循环：LLM 像研究者一样反复"思考 → 检索 → 阅读 → 反思"
- 实时推理轨迹：前端通过 SSE 流式展示每一步思考（💭）、工具调用（🔧）、观察结果（👁）
- 4 种调研工具：
search_kb— 语义检索本地知识库read_paper— 深入阅读某篇论文全文search_arxiv— 可选，检索 arXiv 论文（拓展视野）web_search— 可选，通过 Serper 搜索公网（需额外配置）
- 可调参数：最大轮数 1-16（默认 4），arXiv / Web 可独立开关
- 结构化报告：按子问题分组、带论文引用、附研究空白分析
- ⭐ 星标 标记重要论文
- 阅读状态 📌 To Read → 📖 Reading → ✅ Read 循环切换
- 按状态过滤（仅看已加星 / 仅看待读）
- 所有标注持久化到本地
annotations.json
基于 FAISS 向量空间，一键找到语义相似的论文。原理：对目标论文的所有段落向量取平均作为"论文向量"，在索引中检索最近邻。
- 扫描最近 7 天新增 / 修改的论文
- Qwen 自动按研究方向分组，生成 500 字内的中文研究动态
- 支持一键推送到飞书群聊（可选）
输入 arXiv ID 或 URL，自动完成：
- 从 arXiv API 拉取元数据
- 下载 PDF 到论文目录
- PyMuPDF 提取正文前 6 页
- Qwen 生成三段式中文介绍（动机 / 方法 / 实验）
- 自动保存为
intro.md并刷新索引
| 快捷键 | 作用 |
|---|---|
Ctrl+K 或 / |
聚焦搜索框 |
Ctrl+J |
打开/关闭对话面板 |
Esc |
关闭弹窗或对话面板 |
Enter（聊天框内） |
发送问题 |
深度参考 Claude.ai 的浅色暖白设计系统：
- 陶土橙（
#C8553A）强调色 - 奶油白（
#FAF9F6）主背景 - 清晰的层级与留白
- 平滑的过渡动画
- Python 3.9+
- Windows / macOS / Linux（已在 Windows 11 测试通过）
pip install flask openai faiss-cpu numpy PyMuPDF本项目使用两个 LLM 服务：
| 用途 | 服务 | 环境变量 |
|---|---|---|
| Embedding | OpenAI / OpenRouter | OPENAI_API_KEY |
| 对话 & 摘要 & Deep Research | Qwen (DashScope) | DASHSCOPE_API_KEY |
| 飞书推送（可选） | Feishu Webhook | FEISHU_WEBHOOK |
| Web 搜索（可选） | Serper | SERPER_API_KEY |
推荐方式：在 app/ 目录下创建 .env.local 文件（已在 .gitignore 中排除）：
OPENAI_API_KEY=sk-...
OPENAI_BASE_URL=https://openrouter.ai/api/v1
DASHSCOPE_API_KEY=sk-...
FEISHU_WEBHOOK=https://open.feishu.cn/... # 可选
SERPER_API_KEY=... # 可选，Deep Research Web 搜索用或通过环境变量（Bash / Zsh）：
export OPENAI_API_KEY="sk-..."
export DASHSCOPE_API_KEY="sk-..."申请渠道：
- OpenAI: https://platform.openai.com/api-keys
- OpenRouter（OpenAI 兼容，支持多模型）: https://openrouter.ai/
- Qwen / DashScope: https://dashscope.console.aliyun.com/
- Serper（Google 搜索 API）: https://serper.dev/
把你的论文介绍 .md 文件放到项目根目录（与 app/ 同级）下。
命名约定（决定日期和来源的自动推断）：
| 格式 | 示例 | 推断结果 |
|---|---|---|
| arXiv 编号前缀 | 2604.04949_LRAT.md |
日期: 2026-04，来源: arXiv |
| 日期前缀 | 20260411_SomeWork.md |
日期: 2026-04-11，来源: arXiv |
子目录 + intro.md |
TMC_AutoRAN/intro.md |
来源: TMC 2026 |
| 会议前缀 | ACL2025_XXX.md |
来源: ACL |
建议的 intro.md 三段式结构：
**关键词**: 关键词1, 关键词2, 关键词3
📚arXiv: 2604.04949
✏️标题: Learning to Retrieve from Agent Trajectories
🏷️中文标题：基于智能体轨迹的检索模型训练
📄一句话介绍：利用搜索智能体的交互轨迹作为监督信号训练检索模型
🎯动机
（研究背景、发展脉络、研究空白）
💡方法与创新
（核心方法、创新点、技术亮点）
📊实验设计
（基准、主要结果、消融结论）扫描器会自动提取这些字段用于展示。
cd app
python server.py首次启动会自动扫描论文目录生成 papers.json。
- 点击右下角的 💬 对话气泡打开对话面板
- 点击 Build Index 按钮（首次需等 1-3 分钟，取决于论文数量）
- 构建完成后即可开始提问和使用 Deep Research
┌──────────────────┬──────────────────────────────────────────────────────────┐
│ Sidebar │ Top Bar (Search + arXiv + Deep Research + Digest + ...)│
│ ├──────────────────────────────────────────────────────────┤
│ 📚 Paper KB │ [All] [arXiv] [TMC] ... ← 来源过滤 │
│ 低空新青年 │ [All] [⭐ Starred] [📌 To Read] ← 状态过滤 │
│ │ │
│ 📊 Stats │ Research Topics: │
│ 228 / 4 │ [🔄 自进化] [🎮 智能体RL] [🛩️ 低空经济] ← 领域过滤 │
│ │ │
│ 📅 Date Nav │ ┌──────────────────────────────────────┐ │
│ ▼ 2026 (180) │ │ 1. 论文标题 ☆ [状态] │ │
│ 4月 15 │ │ English Title │ │
│ 3月 43 │ │ 一句话介绍 │ │
│ 2月 62 │ │ [arXiv] [2026-04] [标签] │ │
│ 1月 55 │ │ ✨ Similar ↗ │ │
│ ▼ 2025 (48) │ └──────────────────────────────────────┘ │
│ 12月 9 │ ... │
│ ... │ 💬 │
└──────────────────┴──────────────────────────────────────────────────────────┘
- Search — 全文搜索（快捷键
Ctrl+K或/） - + arXiv — 从 arXiv ID/URL 一键导入新论文
- 🔬 Deep Research — 打开深度调研面板，多轮 ReAct 推理生成研究报告
- 📰 Digest — 查看本周研究简报
- Rescan — 重新扫描论文目录（新增
.md后点这个）
- 标题 点击查看完整介绍弹窗
- ☆ / ★ 点击切换星标
- 状态按钮 点击循环切换阅读状态
- ✨ Similar 点击查找相似论文
- Open file ↗ 打开本地原文件
- 输入问题 → Enter 发送
- + 按钮开始新对话（清空历史）
- 回答下方显示引用来源，可点击查看原文
- 索引状态显示（
● Index ready (N chunks)）
- 点击顶栏 🔬 Deep Research
- 输入研究问题（如"综述近期低空经济中信道估计的主流方法与对比"）
- 调整最大轮数（默认 4），按需开启 arXiv / Web 搜索
- 点击 开始调研 → 实时观看推理轨迹
- 调研完成后查看结构化研究报告
Paper_Intro/
├── app/
│ ├── server.py # Flask 服务器（端口 5100）
│ ├── scan.py # 扫描器：生成 papers.json
│ ├── rag.py # RAG 核心：索引构建 + 检索 + 问答
│ ├── researcher.py # Deep Research：ReAct 循环 + 工具调用（v3.0）
│ ├── annotations.py # 个人标注持久化
│ ├── arxiv_import.py # arXiv 自动抓取
│ ├── weekly_digest.py # 每周简报生成
│ ├── templates/
│ │ └── index.html # 主页面
│ ├── static/
│ │ ├── style.css # Claude 风格设计系统
│ │ └── app.js # 前端逻辑
│ ├── .env.local # API 密钥（需自建，已 gitignore）
│ ├── papers.json # 论文元数据（自动生成）
│ ├── annotations.json # 个人标注（自动生成）
│ └── rag_index/ # FAISS 索引持久化
│ ├── index.faiss
│ └── meta.json
│
├── 2604.xxxxx_PaperName.md # 论文介绍（单文件）
├── TMC_SomeTitle/ # 或子目录形式
│ ├── intro.md
│ └── paper.pdf # PDF 可选
├── ...
├── .env.example # API 密钥模板
├── README.md
└── .gitignore
┌──────────────┐
│ Browser UI │
└──────┬───────┘
│ HTTP / SSE
┌──────▼───────┐
│ Flask 5100 │
└──┬───┬───┬───┘
┌──────────┤ │ ├──────────┐
▼ ▼ │ ▼ ▼
scan.py rag.py │ researcher.py weekly_digest.py
│ │ │
▼ │ ▼ ReAct Loop
FAISS │ search_kb ──► rag.retrieve()
Index │ read_paper ─► papers.json
│ search_arxiv► arXiv API
│ web_search ─► Serper API
▼
┌──────────────┐ ┌───────────────┐
│ OpenRouter │ │ DashScope │
│ Embedding │ │ Qwen-Plus │
└──────────────┘ └───────────────┘
| 版本 | 主要功能 |
|---|---|
| v1.0 | 论文浏览、日期导航、来源过滤、Claude 风格 UI |
| v2.0 | RAG 对话（FAISS + Qwen-Plus）、语义检索 |
| v2.1 | 多轮对话、相似论文、个人标注、arXiv 导入、键盘快捷键、飞书推送 |
| v3.0 | Deep Research — ReAct 多轮深度调研、实时推理轨迹、结构化报告 |
方式 A：手动添加
- 把
.md文件按命名约定放到根目录 - 点击页面顶部的 Rescan
- 如需加入对话，在对话面板点 Build Index
方式 B：arXiv 自动录入
- 点击顶部 + arXiv 按钮
- 粘贴 arXiv ID（如
2604.04949）或完整 URL - 等待 30-60 秒自动下载 + 生成介绍
- 对话面板点 Build Index 加入索引
- 点击 🔬 Deep Research
- 输入问题（如"低空经济中 UAV 信道建模方法综述"）
- 调整轮数（研究越深入可增大，最多 16 轮）
- 按需勾选 arXiv 搜索（扩展视野）
- 查看推理过程，最终获得带引用的研究报告
- 多轮追问：对答案不满意时直接追问 "能更具体展开这个方法吗？"
- 加 Context：提问时明确范围 "在低空经济类论文中，..."
- 定期更新索引：新增论文后重新 Build Index
所有数据都是纯文本 / JSON，可以直接备份：
# 备份标注
cp app/annotations.json backup/
# 备份向量索引（可选，可重建）
cp -r app/rag_index backup/- 本地优先 — 所有数据留在本地，不依赖云服务
- 零配置上手 — 两个 API key 就能运行，无需 Docker / 数据库
- 增量索引 — 新论文只需重建 FAISS 索引，不影响现有数据
- 三段式结构 — 强制论文介绍遵循"动机 / 方法 / 实验"格式，方便检索和对比
- 视觉简洁 — 克制的配色和留白，减少阅读疲劳
- 透明推理 — Deep Research 完整展示 LLM 的调研过程，可审查、可理解
欢迎提 Issue 和 PR。一些待做方向：
- 按章节智能分块（动机/方法/实验独立切块）
- Reranker 重排序提升 RAG 精度
- 按研究领域限定对话范围
- 引用高亮原文段落
- 暗色模式切换
- Docker Compose 一键部署
- Deep Research 历史记录保存
MIT License — 自由使用和修改。
- OpenResearcher (TIGER-AI-Lab) — Deep Research 灵感来源
- Claude.ai — 视觉设计灵感
- FAISS — Facebook AI 高效向量检索
- Qwen — 阿里通义千问大模型
- Flask — 简洁的 Python Web 框架
Built with ☕ by tianjiang · 低空新青年 · Powered by Claude Code