阅读 arXiv 论文是算法工程师和研究生的日常功课，但真正让人头疼的往往不是“找不到论文”，而是“读不懂、记不住、想回顾时又要重读一遍”。英文 PDF 公式密集、章节跨度大，临时想起一个结论还得翻半天。这篇文章想分享一套完整的处理链路：从 arXiv 获取论文，用 DeMinds 这类 AI 文档工具做结构拆解与优化，再翻译成中文，最后构建一个带目录、搜索和公式渲染的中文交互网页并发布上线。
这套流程适合这几类读者：需要每天跟进前沿论文的研究生和工程师，想在内部团队建立论文共享知识库的技术负责人，以及想把论文笔记做成个人站点的独立开发者。读完本文，你可以掌握 arXiv API 的调用方式、论文结构优化的思路、中英文术语一致性维护方法，以及基于 MkDocs Material 的静态网页构建与自动发布流程。
1. 背景与核心概念
1.1 arXiv 是什么，为什么要处理它
arXiv 是全球最大的预印本论文平台，覆盖计算机科学、物理学、数学、统计学等多个学科。计算机视觉、自然语言处理、大模型方向的论文通常会在正式会议录用前就先放到 arXiv 上，因此它是获取最新研究成果的主要渠道。
但 arXiv 原生形态存在几个问题：
- 论文以英文为主，对中文读者阅读成本高；
- PDF 结构不统一，有的论文把相关工作放在前面，有的放在后面；
- 公式、图表、参考文献混排，检索困难；
- 论文很长，动辄十几页，通读一遍需要大量时间。
如果把论文加工成“结构优化后的中文交互网页”，这些问题就能明显缓解：中文阅读更高效，网页支持全文搜索，公式可以渲染，目录可以跳转，手机上也能随时翻阅。
1.2 DeMinds 是什么，它解决什么问题
DeMinds 是一类面向科研和知识工作者的 AI 文档处理工具，核心目标是把 PDF 这类非结构化文档转换成结构化、可编辑、可再加工的内容。你可以把它理解成一个“会思考的文档助手”：它先识别文档的版面结构，再按语义拆分段落，最后输出带标题层级和要点标记的中间格式。
在论文阅读场景里，DeMinds 的价值主要有三点：
- 版面还原：将 PDF 中的标题、摘要、正文、公式、参考文献识别出来，转成 Markdown 或结构化数据；
- 结构优化：把原来按发表顺序排列的章节，重排成更适合阅读理解的结构，例如“背景 → 问题 → 方法 → 实验 → 结论”；
- 要点提炼：自动生成每段的摘要、贡献点、局限性和可复现的步骤说明。
需要注意的是，DeMinds 的定位是“辅助工具”，不是“替代阅读”。它帮你节省的是排版、翻译、整理格式的时间，但论文里的方法逻辑、实验结论仍然需要你自己判断和校验。
1.3 什么是中文交互网页
这里说的“交互网页”不是复杂的 Web 应用，而是一个静态网站：左边是目录，右边是正文，顶部有搜索框，公式用科学渲染引擎显示，手机上能自适应排版。相比 Word 文档和 PDF，交互网页更适合长文阅读。
它的技术实现通常采用静态站点生成器，把 Markdown 文件批量编译成 HTML。常见方案包括 MkDocs Material、VuePress、Docsify 等。本文选用 MkDocs Material，因为它的中文支持好，搜索、导航、公式渲染配置简单，而且和 Python 生态天然契合。
1.4 完整流程概览
整个流程可以拆成六个阶段：
- 获取：从 arXiv 官方或 API 获取论文 PDF 与元数据；
- 结构化：用 DeMinds 把 PDF 转成结构化 Markdown；
- 优化：提炼章节要点，重建论文主干结构；
- 翻译：完成中文初翻并统一术语；
- 构建：用 MkDocs Material 生成交互网页；
- 发布：通过 GitHub Pages 或服务器上线，并配置自动更新。
从零开始完成一套，大概需要半天到一天时间，熟练之后可以压缩到一两个小时。
2. 环境准备与工具选型
本文示例以常见环境为准，具体版本需要根据你本机的实际情况调整。下面给出推荐的工具清单和用途说明。
| 工具 | 用途 | 备注 |
|---|---|---|
| Python 3.10+ | 调用 arXiv API、运行本地脚本 | 本文所有脚本基于 Python 编写 |
| pip | 安装 Python 依赖 | 建议使用虚拟环境 |
| Git | 版本管理与代码提交 | GitHub Actions 发布需要 |
| MkDocs Material | 生成静态交互网页 | 通过 pip 安装 |
| DeMinds | 论文结构优化与翻译辅助 | 以 Web 端或桌面端工具形式使用 |
| KaTeX | 公式渲染 | 浏览器端加载 |
| GitHub / Gitee | 代码托管与 Pages 托管 | 国内用户可选用 Gitee Pages |
先创建一个项目目录并初始化虚拟环境：
mkdir paper-notes cd paper-notes python3 -m venv .venv source .venv/bin/activate pip install --upgrade pip pip install requests mkdocs-material如果你不使用虚拟环境，也可以直接 pip 安装，但建议在项目级隔离环境里操作，避免影响系统 Python。
3. 从 arXiv 获取论文：API、镜像与移动端访问
3.1 官方页面下载
arXiv 官方网站是arxiv.org。搜索论文时直接在搜索框输入标题或关键词即可。进入论文详情页后，PDF 下载地址是arxiv.org/pdf/<编号>，HTML 版本地址是arxiv.org/html/<编号>。部分较新的论文支持 HTML 版本，阅读体验比 PDF 好很多，也方便复制公式和表格。
如果你只是偶尔看一两篇论文，官方页面就足够了。但如果你想批量跟踪某个方向的新论文，就需要用到 arXiv API。
3.2 使用 arXiv API 批量获取元数据
arXiv 提供了公开的 Atom API，接口地址为export.arxiv.org/api/query。我们可以用它按关键词、分类、时间范围查询论文，并拿到标题、摘要、作者、发布时间、论文编号等结构化信息。
下面是一个完整的 Python 示例：
# 文件路径：scripts/fetch_arxiv.py import urllib.parse import urllib.request import xml.etree.ElementTree as ET ARXIV_API = "http://export.arxiv.org/api/query" def fetch_arxiv(query: str, max_results: int = 10) -> list: params = { "search_query": query, "start": 0, "max_results": max_results, "sortBy": "submittedDate", "sortOrder": "descending", } url = ARXIV_API + "?" + urllib.parse.urlencode(params) print("请求地址：", url) with urllib.request.urlopen(url, timeout=30) as resp: xml_data = resp.read().decode("utf-8") ns = {"atom": "http://www.w3.org/2005/Atom"} root = ET.fromstring(xml_data) entries = [] for entry in root.findall("atom:entry", ns): title = entry.find("atom:title", ns).text.strip().replace("\n", " ") summary = entry.find("atom:summary", ns).text.strip().replace("\n", " ") published = entry.find("atom:published", ns).text.strip() paper_id = entry.find("atom:id", ns).text.strip() authors = [ author.find("atom:name", ns).text.strip() for author in entry.findall("atom:author", ns) ] entries.append({ "id": paper_id, "title": title, "summary": summary[:500], "published": published, "authors": authors, }) return entries if __name__ == "__main__": query = 'all:"large language model" AND cat:cs.CL' papers = fetch_arxiv(query, max_results=5) for paper in papers: print(paper["id"]) print(paper["title"]) print(paper["published"]) print("、".join(paper["authors"])) print("---")运行脚本：
python scripts/fetch_arxiv.py预期输出是 5 条论文的元数据，包含 arXiv 编号、标题、发布时间和作者列表。拿到论文编号后，就可以手动下载 PDF，或者再用工具自动下载。注意 API 不要请求过快，应控制并发，避免给服务器造成压力。
3.3 arXiv 打不开的几种处理方式
很多读者反馈 arXiv 偶尔无法访问，尤其在手机上更容易出现超时。这里提供几种常见的处理思路，按优先级排列：
| 问题现象 | 推荐处理方式 |
|---|---|
| 电脑访问 arxiv.org 超时 | 检查本地网络与 DNS，尝试刷新或更换 DNS |
| 手机端打开缓慢 | 使用 arXiv 手机页面，关闭多余后台应用 |
| 官网持续不稳定 | 使用 Semantic Scholar、Paper Digest 等第三方学术平台检索同一篇论文 |
| 需要批量获取元数据 | 使用上文提到的 arXiv API，走接口而不是页面 |
| 只想快速看摘要 | 使用 Google Scholar 或国内学术聚合平台搜索标题 |
需要特别说明的是，国内网络环境下访问境外学术网站偶尔不稳定，这是网络链路问题，不建议使用任何非正规工具。优先使用官方 API 或第三方学术数据库，安全且合规。
3.4 如何判断一篇 arXiv 论文是否被正式发表
新手经常遇到“arxiv 背书问题”，也就是担心自己引用的论文是否只是预印本，是否经过同行评审。这里有几个验证途径：
- 看 arXiv 页面 Comments 字段：很多作者会写
Accepted to ACL 2024、Accepted by ICLR 2025之类的说明； - 查看 DOI：论文被期刊正式收录后，arXiv 页面会出现 DOI 链接，指向期刊官网；
- 查询论文编号版本：
v1、v2代表修订版本，正式录用后的版本通常会修正审稿意见； - 去会议官网搜索：直接到对应会议或期刊官网按标题搜索，确认是否出现在录用名单中。
引用建议以正式发表版本为主，如果只有预印本，务必在参考文献中标注 arXiv 编号和版本。
4. 使用 DeMinds 完成论文结构优化
4.1 为什么需要结构优化
论文原始结构是“作者逻辑”，不一定是“读者逻辑”。比如某些论文把相关工作放在很前面，读者还没理解本文方法，就被大量文献综述打断了。结构优化的目标是把论文重组成适合精读的形态，一般包括：
- 抽出摘要、贡献点、方法步骤、实验结论；
- 把长段落拆成带小标题的短段落；
- 把公式和术语单独提取，便于后续翻译和校对；
- 去掉与核心贡献关系不大的扩展讨论。
4.2 DeMinds 处理论文的一般流程
以 DeMinds 为例，处理一篇 PDF 的大致步骤如下：
- 导入论文 PDF；
- 让工具识别版面结构，输出结构化 Markdown；
- 对识别结果做人工检查，修正标题层级和公式；
- 使用提示词生成章节要点；
- 导出 Markdown 文件，作为后续翻译和网页构建的内容源。
这里需要说明：不同版本的 DeMinds 界面和功能名称可能不同，但处理思路是一致的。下面给出一个可以直接复制的提示词模板，适用于多数 AI 文档处理工具：
请把下面这篇论文解析为结构化 Markdown： 1. 识别标题、作者、摘要、关键词和章节层级； 2. 每个章节提炼 3 到 5 个要点，用无序列表输出； 3. 单独输出“方法步骤”“实验设置”“主要结论”三个小节； 4. 保留所有公式占位符，不要改变数学符号； 5. 最后用 5 条要点总结论文的核心贡献。工具输出的 Markdown 大致长这样：
# 论文标题 - 作者：xxx - 发布时间：xxxx-xx-xx - arXiv 编号：xxxx.xxxxx ## 摘要 ...4.3 结构优化后的中间格式
为了让后续翻译和网页构建更顺畅，建议把优化后的内容统一成“区块结构”。可以在 Markdown 中使用 HTML 注释标记区块类型：
<!-- block-type: abstract --> ## 摘要 本文提出了一种新的注意力机制... <!-- block-type: contribution --> ## 核心贡献 1. 提出... 2. 验证...这种注释不会在网页上显示，但能在自动化脚本中识别区块，方便后续批量处理。如果你有几十篇论文需要整理，这种格式会很有价值。
4.4 人工校验与质量控制
DeMinds 是辅助工具，识别结果需要人工校验。重点检查四个方面：
- 标题层级是否正确，二级、三级标题是否错乱；
- 公式是否完整，特别是上下标和希腊字母；
- 表格是否被正确拆分，多行单元格是否丢失；
- 参考文献是否完整，引用编号是否对得上。
建议把校验进设置为“每篇论文至少通读一遍优化后的 Markdown”，而不是直接信任工具输出。这是保证后续网页质量的关键一步。
5. 论文翻译与术语一致性
5.1 翻译思路：AI 初翻 + 人工校对
论文翻译不建议直接全文机翻，否则容易出现术语不一致、公式错位、表达生硬等问题。推荐的流程是：
- DeMinds 生成结构优化后的 Markdown；
- 用 AI 工具对每个章节做初翻；
- 对照原论文校对翻译结果；
- 统一术语表；
- 将公式、引文、编号恢复为原论文格式。
翻译提示词参考：
请将下面的英文论文章节翻译成中文，要求： 1. 术语保持一致性，严格使用我提供的术语表； 2. 保留所有 Markdown 标记和公式； 3. 不要翻译参考文献条目，保留原样； 4. 句式简洁，符合中文技术写作习惯。5.2 建立术语表
术语一致性是论文翻译最容易翻车的地方。建议在建站之初就先维护一份术语表，例如：
| 英文术语 | 中文译法 | 说明 |
|---|---|---|
| attention mechanism | 注意力机制 | 固定译法 |
| encoder | 编码器 | 固定译法 |
| decoder | 解码器 | 固定译法 |
| fine-tuning | 微调 | 避免译为“精调” |
| benchmark | 基准测试 | 也可译为“基准” |
| ablation study | 消融实验 | 避免直译 |
| prompt | 提示词 | 注意上下文中可译为“提示” |
| token | 词元 / 令牌 | 建议统一为“词元” |
| embedding | 嵌入表示 | 可简称为“嵌入” |
术语表可以保存为glossary.csv，后续用脚本自动检查译文是否用了统一译法。
5.3 公式与引用的保留
翻译中文时，正文可以替换为中文，但公式、变量名、参考文献编号应保留原文。例如：
注意力权重的计算公式如下： $$ \text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V $$ 其中 $Q$ 表示查询矩阵，$K$ 表示键矩阵，$V$ 表示值矩阵，$d_k$ 表示键向量的维度。这种写法在 MkDocs 配合 KaTeX 渲染后，网页上会显示真正的公式，而不是图片或源代码。
6. 构建中文交互网页
6.1 使用 MkDocs Material 搭建项目
MkDocs Material 是当前最流行的 MkDocs 主题，界面现代、中文支持好、搜索功能开箱即用。先在项目下创建docs目录，并把论文 Markdown 放进去。
推荐目录结构：
paper-notes/ ├── docs/ │ ├── index.md │ ├── papers/ │ │ ├── attention-is-all-you-need.md │ │ └── llama2-open-foundation.md │ └── javascripts/ │ └── katex.js ├── scripts/ │ └── fetch_arxiv.py ├── mkdocs.yml └── requirements.txt6.2 编写 MkDocs 配置文件
mkdocs.yml是 MkDocs 的核心配置文件，下面的配置可以直接使用：
# 文件路径：mkdocs.yml site_name: 论文中文精读 site_url: https://your-username.github.io/paper-notes/ repo_url: https://github.com/your-username/paper-notes theme: name: material language: zh features: - navigation.tabs - navigation.top - navigation.footer - search.suggest - search.highlight palette: - scheme: default primary: indigo accent: indigo markdown_extensions: - pymdownx.arithmatex: generic: true - pymdownx.highlight: anchor_linenums: true - pymdownx.superfences - pymdownx.tabbed: alternate_style: true - tables - attr_list extra_css: - https://unpkg.com/katex@0.16.9/dist/katex.min.css extra_javascript: - javascripts/katex.js - https://unpkg.com/katex@0.16.9/dist/katex.min.js - https://unpkg.com/katex@0.16.9/dist/contrib/auto-render.min.js nav: - 首页: index.md - 论文精读: - Attention Is All You Need: papers/attention-is-all-you-need.md - LLaMA 2: papers/llama2-open-foundation.md6.3 配置公式渲染
在docs/javascripts/katex.js中写入下面的代码：
// 文件路径：docs/javascripts/katex.js document$.subscribe(({ body }) => { renderMathInElement(body, { delimiters: [ { left: "$$", right: "$$", display: true }, { left: "\\[", right: "\\]", display: true }, { left: "\\(", right: "\\)", display: false }, ], throwOnError: false, }); });这样，Markdown 里的$...$和$$...$$公式就会被渲染成网页公式，而不是原样显示。
6.4 编写首页
docs/index.md是站点首页，可以简单介绍这个笔记库的用途、目录和更新状态：
# 论文中文精读 本网站用于整理 arXiv 论文的中文结构优化与精读笔记。 ## 收录内容 - 论文原文链接 - 中文结构优化版 - 核心贡献总结 - 术语对照 ## 最新更新 - 2024-12-01：新增 Attention Is All You Need 精读笔记7. 发布流程
7.1 本地构建与预览
在项目根目录执行：
mkdocs serve浏览器访问http://127.0.0.1:8000即可预览。确认页面正常后，执行：
mkdocs build构建产物会输出到site/目录。这一步生成的是纯静态文件，可以放到任意 Web 服务器上。
7.2 部署到 GitHub Pages
GitHub Pages 是 GitHub 提供的静态网站托管服务，适合个人论文笔记站。有两种方式：手动部署和使用 GitHub Actions 自动部署。
手动部署：
mkdocs build ghp-import site git push origin gh-pages更推荐使用 GitHub Actions。在.github/workflows/deploy.yml中写入以下内容：
# 文件路径：.github/workflows/deploy.yml name: deploy on: push: branches: [main] permissions: contents: read pages: write id-token: write jobs: build: runs-on: ubuntu-latest steps: - name: Checkout uses: actions/checkout@v4 - name: Setup Python uses: actions/setup-python@v5 with: python-version: "3.12" - name: Install dependencies run: pip install mkdocs-material - name: Build site run: mkdocs build - name: Upload artifact uses: actions/upload-pages-artifact@v3 with: path: site deploy: needs: build runs-on: ubuntu-latest environment: name: github-pages url: ${{ steps.deployment.outputs.page_url }} steps: - name: Deploy id: deployment uses: actions/deploy-pages@v4之后每次把 Markdown 更新推送到main分支，GitHub Actions 会自动构建并发布，整个发布流程不需要手动操作。
需要说明的是，GitHub Actions 的版本号更新较快，示例中的v4、v5可能与最新版本略有差异，实际使用时以官方文档为准。
7.3 部署到自己的服务器
如果你不想使用 GitHub Pages，也可以把site/目录上传到自己的服务器。这里给出一个 Nginx 配置示例：
server { listen 80; server_name your-domain.com; root /var/www/paper-notes/site; index index.html; location / { try_files $uri $uri/ =404; } gzip on; gzip_types text/plain text/css application/javascript application/json image/svg+xml; }上传命令：
scp -r site/* user@your-server:/var/www/paper-notes/site/生产环境建议配置 HTTPS，可以使用免费的证书签发工具。发布前先在测试环境验证，避免直接在生产服务器上修改配置造成服务中断。
7.4 发布后的校验清单
文章上线后，建议按以下清单检查一遍：
- [ ] 首页导航是否正常，点击目录能否跳转到对应论文；
- [ ] 全文搜索是否能搜到中文关键词；
- [ ] 公式是否正常渲染，特别是上下标；
- [ ] 手机端页面是否自适应，目录是否收拢；
- [ ] 原文 arXiv 链接和引用信息是否完整；
- [ ] HTTPS 证书是否有效，页面是否有混合内容警告。
8. 常见问题与排查思路
| 问题现象 | 常见原因 | 解决思路 |
|---|---|---|
| arxiv.org 打开缓慢或超时 | 本地网络链路问题 | 检查 DNS，稍后重试，或使用 Semantic Scholar 等第三方平台检索 |
| arXiv API 返回空结果 | 查询语法错误或分类代码不匹配 | 先在官网验证关键词，再调整查询参数 |
| DeMinds 输出的标题层级错乱 | PDF 版面识别不准确 | 人工检查并修正 Markdown 层级 |
| 网页公式不渲染 | 缺少 KaTeX 配置或 JS 加载失败 | 检查extra_javascript配置和网络是否能访问 unpkg |
| 中文显示乱码 | HTML 编码问题或字体缺失 | 确保 Markdown 文件保存为 UTF-8 编码 |
| GitHub Pages 返回 404 | 仓库设置里 Pages 源配置错误 | 检查gh-pages分支或 Actions 部署配置 |
| 本地构建后页面样式丢失 | MkDocs 版本与主题版本不兼容 | 固定版本号，删除site/后重新mkdocs build |
| 更新论文后线上内容未变化 | Actions 未触发或构建缓存 | 检查 Actions 日志，确认 push 是否触发工作流 |
如果你是按上面的步骤操作，大多数问题都可以在配置文件和构建日志里找到线索。遇到问题时，优先看两个东西：一是构建命令的输出，二是浏览器控制台和网络请求面板。
9. 最佳实践与工程建议
9.1 版权与引用合规
把 arXiv 论文做成中文精读网页，涉及原文内容的使用。建议遵守以下原则：
- 只整理和翻译论文内容，不重新发布 PDF 全文；
- 每个网页必须保留 arXiv 原文链接和作者信息；
- 注明翻译和结构优化是“学习笔记”，不是官方译文；
- 如果要商用或大规模转载，需要确认论文的许可证。
9.2 自动化更新与版本管理
论文笔记库应该像代码项目一样管理。把论文 Markdown 源文件放在 Git 仓库里，每次修改都有历史记录。如果团队使用，可以约定提交信息格式：
feat: 新增论文 LLaMA 2 精读笔记 fix: 修正 Attention 论文公式渲染问题 update: 更新术语表9.3 术语表统一维护
术语表不要分散在论文笔记里，建议集中维护一份glossary.csv。后续写入新论文时，先对照术语表译名，再交给 AI 翻译。这样可以避免同一概念在不同论文里出现两种译法。
9.4 移动端阅读与小程序扩展
交互网页本身已经支持手机浏览。如果你希望后续把论文笔记发布成微信小程序，可以在 HBuilderX 中基于 uni-app 搭建项目，把 Markdown 内容作为静态资源引入，通过 rich-text 或 mp-html 插件渲染，最后使用 HBuilderX 云打包并上传到微信开发者工具审核。整体流程和网页发布类似，区别在于需要适配小程序的组件规范和发布审核机制。
9.5 安全与隐私
生产环境部署时要注意：
- 服务器只开放必要的端口；
- 静态站点不需要执行代码，关闭不必要的脚本执行权限；
- 涉及内部未公开研究内容时，不要发布到公网；
- 域名和证书配置遵循最小权限原则。
10. 总结与下一步学习
这篇实战笔记把“从 arXiv 到中文交互网页”的完整流程串了一遍：通过 arXiv API 获取论文元数据和 PDF，使用 DeMinds 完成版面识别与结构优化，再经过翻译和术语统一，最终用 MkDocs Material 生成带搜索、目录和公式渲染的中文交互网页，并通过 GitHub Actions 自动发布。
这套流程的核心收获不只是“会做一个静态网站”，而是建立了一条可复用的论文精读流水线。以后每看到一篇值得精读的论文，只需要走一遍“获取 → 结构化 → 翻译 → 构建 → 发布”的流程，就能沉淀成自己的知识资产。
下一步可以继续探索的方向包括：批量拉取某个方向的最新论文并自动生成更新页、用语义检索增强网页搜索、把 Markdown 笔记同步到知识库工具，或者基于同一套内容扩展成微信小程序版本。
希望这份实践笔记能帮你把读论文变成一件更轻松、更系统的事。如果对你有帮助，可以收藏备用；也欢迎在评论区聊聊你常用的论文阅读和整理方式。
