配置说明
这个仓库的每日更新由 GitHub Actions 调用 python update_papers.py 完成。脚本会抓取论文、生成 Markdown 页面、生成 API JSON、构建 MkDocs 静态站点，并在有配置邮件参数时发送通知。
默认抓取范围
| 配置项 | 默认值 | 说明 |
|---|---|---|
PAPER_LIMIT / --limit |
10 |
每个来源最多抓取 10 篇，因此默认上限是 arXiv 10 篇、bioRxiv 10 篇、medRxiv 10 篇。 |
PAPER_DATE / --date |
昨天 | 默认抓取脚本运行当天的前一天。GitHub Actions 已设置 TZ=Asia/Shanghai，因此定时任务按北京时间计算昨天。 |
ARXIV_QUERY / --query |
见下方 | 只作用于 arXiv。 |
ARXIV_LOOKBACK_DAYS / --arxiv-lookback-days |
5 |
arXiv 目标日期没有论文时，向前最多回看 5 天，避免周末或无发布日返回空列表。 |
ARXIV_PAGE_SIZE |
50 |
arXiv API 每次请求的分页大小。调小可以降低单次请求压力。 |
ARXIV_DELAY_SECONDS |
8.0 |
arXiv API 分页请求之间的等待秒数。遇到 429 时可调大。 |
ARXIV_NUM_RETRIES |
8 |
arXiv 客户端请求失败时的重试次数。 |
RXIV_KEYWORDS / --rxiv-keywords |
空 | 可选，按标题和摘要过滤 bioRxiv / medRxiv，多个关键词用逗号、分号或换行分隔。 |
RXIV_EXCLUDE_KEYWORDS / --rxiv-exclude-keywords |
空 | 可选，排除 bioRxiv / medRxiv 中命中的标题和摘要关键词。 |
API_INDEX_PAGE_SIZE |
100 |
API 索引分页大小，用于避免生成过大的 JSON 文件。 |
默认 arXiv 查询条件：
cat:cs.NE OR cat:cs.MA OR cat:cs.LG OR cat:cs.CV OR cat:cs.CL OR cat:cs.AI OR cat:stat.ML OR cat:q-bio.BM OR cat:q-bio.CB OR cat:q-bio.GN OR cat:q-bio.MN OR all:"large language model" OR all:"large language models" OR all:LLM OR all:LLMs OR all:"foundation model" OR all:"foundation models" OR all:"generative AI" OR all:"mixture of experts" OR all:"retrieval augmented generation" OR all:"LLM agent" OR all:"LLM agents" OR all:"reasoning model" OR all:"post training" OR ((cat:cs.DC OR cat:cs.PF OR cat:cs.AR OR cat:cs.OS OR cat:cs.NI) AND (all:"machine learning" OR all:"deep learning" OR all:"neural network" OR all:"large language model" OR all:LLM OR all:"model serving" OR all:"LLM serving" OR all:"inference serving" OR all:"distributed training" OR all:"training system" OR all:"inference optimization" OR all:"KV cache" OR all:"speculative decoding" OR all:"GPU cluster" OR all:GPU OR all:accelerator))
默认查询现在覆盖四类关注方向：
| 方向 | 覆盖方式 |
|---|---|
| LLM 算法 | cs.CL、cs.LG、cs.AI、stat.ML，以及 large language model、LLM、foundation model、mixture of experts、retrieval augmented generation、reasoning model 等关键词。 |
| ML Sys | cs.DC、cs.PF、cs.AR、cs.OS、cs.NI 中同时命中 machine learning、deep learning、neural network 等关键词的论文。 |
| AI Infra | 同上，额外关注 model serving、LLM serving、inference serving、distributed training、KV cache、speculative decoding、GPU、accelerator 等基础设施关键词。 |
| 既有方向 | 保留原有机器学习、计算机视觉、自然语言处理、人工智能和部分计算生物学分类。 |
arXiv API 分类检索使用 cat: 前缀。系统和基础设施分类被关键词约束，是为了避免把普通分布式系统、操作系统或网络论文大量混入每日结果。bioRxiv 和 medRxiv 当前按日期从对应来源抓取，再按 RXIV_KEYWORDS / RXIV_EXCLUDE_KEYWORDS 过滤，最后按 PAPER_LIMIT 截断。
GitHub Actions 里可以用仓库级 Variables 调整非敏感配置：
| Variable | 示例 |
|---|---|
PAPER_DATE |
2026-05-02 |
PAPER_LIMIT |
20 |
ARXIV_QUERY |
cat:cs.LG OR cat:cs.CL OR all:"large language model" |
ARXIV_LOOKBACK_DAYS |
5 |
ARXIV_DELAY_SECONDS |
12 |
ARXIV_NUM_RETRIES |
10 |
RXIV_KEYWORDS |
machine learning, single cell, genomics |
RXIV_EXCLUDE_KEYWORDS |
case report |
PAPER_DATE 适合临时手动补跑；如果长期保留这个变量，定时任务会一直抓同一天，因此日常定时任务建议留空。
GitHub Actions Secrets
| Secret | 是否必需 | 用途 |
|---|---|---|
DEEPSEEK_API_KEY |
可选 | 有值时用于翻译标题和摘要；没有值时保留原文。 |
SMTP_USERNAME |
可选 | 发件邮箱账号。 |
SMTP_PASSWORD |
可选 | 邮箱 SMTP 授权码。 |
EMAIL_RECIPIENT |
可选 | 接收更新通知的邮箱。 |
SMTP 服务默认值在代码中配置为：
SMTP_SERVER=smtp.163.com
SMTP_PORT=25
workflow 已经预留了 SMTP_SERVER 和 SMTP_PORT 两个可选 secret。没有配置时会继续使用 163 邮箱的默认 SMTP 地址；如果使用其他邮箱服务，可以在 GitHub Secrets 里添加这两个值。
常用手动命令
只重建索引和 API，不重新抓取：
python update_papers.py --rebuild-index-only
抓取指定日期，每个来源最多 20 篇：
python update_papers.py --date 2026-01-06 --limit 20
覆盖 arXiv 查询条件：
python update_papers.py --query "cat:cs.LG OR cat:cs.AI OR cat:cs.CL"
只看 LLM 算法、ML Sys 和 AI Infra 的示例：
python update_papers.py --query "cat:cs.LG OR cat:cs.CL OR cat:stat.ML OR all:\"large language model\" OR all:LLM OR all:\"foundation model\" OR all:\"mixture of experts\" OR all:\"retrieval augmented generation\" OR ((cat:cs.DC OR cat:cs.PF OR cat:cs.AR OR cat:cs.OS OR cat:cs.NI) AND (all:\"model serving\" OR all:\"LLM serving\" OR all:\"inference serving\" OR all:\"distributed training\" OR all:\"KV cache\" OR all:\"speculative decoding\" OR all:GPU OR all:accelerator))"
在 GitHub Actions 的 Schedule Papers Update 页面也可以手动触发 workflow_dispatch，直接填写日期、每个来源数量、arXiv 查询和 bioRxiv/medRxiv 关键词。留空时会使用仓库 Variables 或脚本默认值。
不发送邮件：
python update_papers.py --skip-email
arXiv 返回 0 篇时的处理
arXiv 不是每天都有新论文发布。脚本默认先查 PAPER_DATE 指定日期；如果当天没有结果，会在 ARXIV_LOOKBACK_DAYS 范围内向前查找最近可用论文，并在 API 和页面中保留每篇论文的 published_date，避免把补取日期和实际发布日期混淆。
来源临时失败时的处理
如果某个来源临时失败，例如 arXiv API 返回 429，脚本会先按 ARXIV_DELAY_SECONDS 和 ARXIV_NUM_RETRIES 的设置进行重试。仍然失败时，只要其他来源成功，任务会继续生成当天页面，并在失败来源的独立页面中写入“抓取失败”提示，避免 bioRxiv / medRxiv 等已抓到的结果被整次丢弃。只有所有来源都失败时，脚本才会让 GitHub Actions 失败。