paperflow-fetch

name	paperflow-fetch
description	论文抓取（推荐流水线的第 1 步）。抓取 arXiv + HuggingFace 最新论文，打分筛选，富化信息， 输出到 /tmp/daily_papers_enriched.json 供后续 skill 使用。 触发词："论文抓取"、"跑一下论文抓取" 支持多天模式："过去3天论文推荐"、"过去一周论文推荐"、"过去一周的论文"、"抓 3 天的论文"、"最近5天"

开始前: 先说一声 "开始抓取论文 🐕" 并告知今天日期。如果是多天模式，告知抓取范围。

论文抓取 (Fetch + Score + Enrich)

你是 用户的论文抓取系统（推荐流水线的第 1 步）。抓取最新论文 → 打分筛选 → 富化信息 → 保存到临时文件。

Step 0: 读取共享配置

先读取 ../_shared/user-config.json，如果 ../_shared/user-config.local.json 存在，再用它覆盖默认值。

显式生成并在后续统一使用这些变量：

• VAULT_PATH
• DAILY_PAPERS_PATH
• KEYWORDS
• NEGATIVE_KEYWORDS
• DOMAIN_BOOST_KEYWORDS
• ARXIV_CATEGORIES
• MIN_SCORE
• TOP_N

其中：

• DAILY_PAPERS_PATH = {VAULT_PATH}/{daily_papers_folder}
• 所有关键词、分类、阈值都以共享配置为准

后续统一以共享配置和上面的变量为准。

解析天数

从用户输入中解析 --days N 参数。匹配规则：

• "过去一周"、"最近7天"、"一周的论文" → --days 7
• "过去3天"、"最近三天"、"抓3天" → --days 3
• "过去两周" → --days 14
• 无特殊指定 / "跑一下论文抓取" → 不加 --days（默认当天）

将解析出的天数存为变量 DAYS_ARG，在后续脚本调用中使用。

配置来源

• 默认配置在 ../_shared/user-config.json
• 个人覆盖配置放在 ../_shared/user-config.local.json
• 如果两者都存在，以 local 为准

工作流程

Phase 1+2: 抓取 + 打分 + 合并去重（纯 Python 脚本）

用 fetch_and_score.py 一步完成 HF + arXiv 抓取、打分、合并去重、历史去重、选 Top 30。零 token 消耗。

# 默认：当天
python3 ../paperflow-daily/fetch_and_score.py > /tmp/daily_papers_top30.json

# 多天模式（将 N 替换为解析出的天数）
python3 ../paperflow-daily/fetch_and_score.py --days N > /tmp/daily_papers_top30.json

根据前面解析的 DAYS_ARG，如果用户指定了天数就加 --days N，否则不加。

脚本自动完成：

• 并行抓取 HuggingFace Daily + Trending API 和 arXiv API
• 关键词打分（正向/负向/领域加分/trending 加分）
• 按 arXiv ID 合并去重
• 读取 .history.json 跨天去重（含周末模式放宽规则）
• 不足 20 篇时从历史回填
• 按 score 降序取 Top 30

进度日志输出到 stderr，JSON 结果输出到 stdout。

检查输出：确认 /tmp/daily_papers_top30.json 存在且包含有效 JSON 数组。如果为空数组或文件不存在，检查 stderr 诊断问题。

Phase 3: 批量富化（enrich_papers.py 脚本）

用 enrich_papers.py 脚本一次性富化所有论文。脚本使用 asyncio + curl 子进程并发请求，纯 regex 解析 HTML，无需 WebFetch。

先把 Phase 2 的 Top 30 结果保存到临时文件，然后运行：

cat /tmp/daily_papers_top30.json | python3 ../paperflow-daily/enrich_papers.py /tmp/daily_papers_enriched.json

注意：使用文件路径参数（而非 stdout 重定向），避免 sandbox 环境下 stdout/stderr 混淆。

脚本自动完成以下工作（Semaphore(10) 限制并发，单篇超时 30 秒）：

• 并行抓取 HTML 页面 + PDF 页面
• 从 HTML 提取：figure_url、authors、affiliations、section_headers、captions、has_real_world、method_names、method_summary
• 从 PDF 提取：affiliations（通过 pdftotext | extract_affiliations.py）
• 如果 HTML authors 为空，fallback 到 abs 页面 <meta> 标签提取 authors/affiliations
• 合并优先级（脚本内部处理）：
  • figure_url: HTML curl
  • affiliations: PDF > HTML > abs fallback > Phase 1 data
  • authors: HTML > abs fallback > Phase 1 data
  • 其他字段: HTML regex 提取

输出格式：与输入相同的 JSON 数组，每篇论文增加以下字段：

• figure_url (string): 首图 URL
• affiliations (string): 机构列表，逗号分隔
• authors (string): 作者列表（可能被更完整的来源覆盖）
• section_headers (array): 章节标题
• captions (array): 图表标题
• has_real_world (bool): 是否包含真实实验
• method_names (array): 方法名列表
• method_summary (string): 方法描述（300-500 字）

输出

完成后检查 /tmp/daily_papers_enriched.json 存在且包含有效 JSON 数组。告知用户：

• 抓取了多少篇论文
• 富化成功多少篇
• 提示运行下一步：跑一下论文点评

注意事项

• Phase 1+2 使用 fetch_and_score.py 脚本，由当前 Claude Code 会话直接执行，零 token 消耗
• Phase 3 使用 enrich_papers.py 脚本，同样由当前 Claude Code 会话直接执行
• 如果脚本执行失败，检查 stderr 输出诊断问题
• 如果 arXiv API 抓取失败，脚本自动 fallback 到仅 HuggingFace 源
• 如果总论文数不足 20 篇，有多少处理多少
• 周末策略：arXiv 周末不更新，HF daily 周末基本为空，但 HF trending 持续更新。周末主要依赖 trending 来源
• 不做 git 操作，不生成推荐文件，只输出临时 JSON