arXiv预印本平台使用与论文检索技巧：2025版检索、订阅、过滤与批量追踪

Roxi 加速器 — 稳定·快速·安全

全球节点覆盖，支持所有主流平台，一键连接无需配置。新用户免费试用。

立即体验 →

TL;DR

目标：把 arXiv 从“随便搜”变成“可重复的检索管道”。

最短路径：先用分类+布尔检索缩小范围，再用 RSS / API 做增量订阅，最后用导出字段去重和追踪版本。

版本与日期：本文按 arXiv 2025.01 的前端与 API 行为整理，验证时间为 2025-01-18。

验证标准：一次检索应能稳定返回 20 条以内高相关结果，RSS 更新延迟通常在数小时级；我实测 API 单页请求约 200–500 ms，网页搜索受网络波动影响更大。

前置条件

1. 浏览器：Chrome / Firefox 任一，建议开启无痕窗口用于排查缓存干扰。

2. 工具：curl、jq、Python 3.11+ 三选二即可；如果只做手动检索，至少保留浏览器和一个笔记工具。

3. 关键词准备：先写出 3 层词表。

• 主题词：如 LLM reasoning
• 同义词：如 chain-of-thought、test-time scaling
• 排除词：如 survey、tutorial

Note: arXiv 检索不是数据库布尔代数考试。先定义“要什么”，再定义“不要什么”。

1. 先把检索式写对：分类、布尔词、限定字段

最常见失败模式不是 arXiv 不行，而是检索词太宽。2025 年我建议先从 category 开始，再叠加 title / abstract 字段限定。

1. 先锁定分类。例：机器学习用 cs.LG，计算机视觉用 cs.CV，推荐系统常在 cs.IR 和 cs.LG 交叉出现。

2. 再加字段约束。网页搜索里优先用标题词，避免摘要噪声。

   ti:"test-time scaling" AND cat:cs.LG

   预期结果：返回页数明显减少，前 10 条里相关度更高。

3. 需要排除综述时，直接去掉低价值结果。

   ti:transformer AND abs:prompt AND NOT abs:survey

   预期结果：综述类条目减少，实证论文比例上升。

Warning: arXiv 标题和摘要经常包含缩写。只搜一个缩写，通常会把无关论文一起捞上来。先扩展同义词，再收敛分类。

2. 用 RSS 和 API 做增量追踪：别每天手工翻页

如果你要跟踪一个方向，比如 arXiv预印本平台使用教程、arXiv论文检索技巧、arXiv下载 这类高频查询，手工检索只适合首次发现，不适合持续监控。

1. 网页端完成一次检索后，保存 RSS。适合“每周看一眼”的节奏。

2. API 适合脚本化。下面是最小可复现查询：

   curl -s "http://export.arxiv.org/api/query?search_query=cat:cs.LG+AND+ti:%22test-time%20scaling%22&start=0&max_results=5" | head -n 20

   预期输出：返回 XML，包含 <entry>、<title>、<id> 字段。

3. 如果要看结构化标题，配合 jq / Python 解析。示例：

   python - <<'PY' import feedparser feed = feedparser.parse("http://export.arxiv.org/api/query?search_query=cat:cs.LG+AND+ti:%22test-time%20scaling%22&start=0&max_results=3") for e in feed.entries: print(e.title) PY

   预期输出：3 行论文标题，顺序通常按相关度或发布时间排列。

我在 2025-01-18 的测试里，API 首包通常在 200–500 ms，网页搜索在高峰时段波动更大，个别页面超过 2 s。结论很简单：批量检索用 API，人工筛选用网页。

Note: RSS 的价值不是“快”，而是“漏不掉”。它适合追踪新稿，不适合做复杂过滤。

3. 批量筛选、去重、版本追踪：把结果变成可用清单

arXiv 的现实问题是版本会变，标题会改，摘要会补。只保存网页链接不够。你需要最少字段：arXiv ID、版本号、标题、提交日期、分类。

1. 导出时优先抓 ID 和 version，例如 2401.01234v2。这比只记标题稳定。

2. 用标题相似度去重。下面是一个简单思路：

   python - <<'PY' from difflib import SequenceMatcher a="Test-time scaling for reasoning" b="Test Time Scaling for Reasoning" print(round(SequenceMatcher(None,a.lower(),b.lower()).ratio(), 3)) PY

   预期输出：接近 1.0，说明标题几乎重复。

3. 只看最新版本时，按 ID 分组保留最高版本号。

实际流程里，我会把候选论文拆成三列：读、跟踪、放弃。这比“收藏夹里一堆未读”更可控。若你的目标是 arXiv论文怎么搜，就别同时把“发现”和“精读”混在一个清单里。

Warning: 同一篇论文的不同版本，结论可能不变，但实验细节和引用格式会变。做综述时必须记录版本号。

如何验证它真的生效

1. 任选一个窄主题，例如 cat:cs.LG AND ti:"test-time scaling"。

2. 确认返回结果少于 20 条，且前 5 条与你的主题一致率高于 80%。

3. 隔 24 小时重复一次，确认 RSS / API 能拉到新条目，而不是重复旧结果。

4. 随机抽 3 篇，核对版本号和发布日期是否一致。若不一致，说明你抓的是缓存页面或旧导出。

如果你遇到访问慢、下载慢、页面打不开，先检查网络和缓存，再决定是否切换镜像或中转方案。实务上，免费官方路径足够覆盖大多数检索场景；只在你需要稳定批量访问时，再考虑其他工具。若你想要一个现成入口，可把 roxi.cc 当作补充选项之一，但先把上面的检索与追踪流程跑通。

References

arXiv

arXiv API Help

wizzegroup.com