科研日报 (Research Daily)

基于个人 Zotero 文献库与 arXiv 订阅的每日论文推荐系统：后端生成推荐并写入 JSON，前端展示「每日 ArXiv 推荐」与「科学发现图谱」。

目录结构

├── backend/           # 后端：推荐流水线（Python）
│   ├── main.py        # CLI 入口
│   ├── paper.py       # 论文模型
│   ├── recommender.py # 重排序
│   ├── llm.py         # LLM 封装
│   └── construct_*.py # 邮件/微信/飞书渲染与发送
├── public/            # 静态资源与推荐数据
│   └── recommendations/  # latest.json, papers_YYYY-MM-DD.json
├── src/               # 前端（React + Vite）
│   ├── constants/    # 接口等常量
│   ├── components/   # 可复用组件
│   ├── pages/        # 页面
│   ├── theme.js      # 设计令牌
│   ├── App.jsx
│   └── Layout.jsx
├── docs/              # 需求与技术设计
├── index.html
├── package.json
├── requirements.txt   # Python 依赖
└── .env / .env.example

环境要求

• Node.js 18+（前端）
• Python 3.10+（后端）
• 配置 .env（可复制 .env.example 后修改）

快速开始

1. 安装依赖

# 前端
npm install

# 后端（建议使用虚拟环境；若运行时报 ModuleNotFoundError 请先执行）
pip install -r requirements.txt

2. 配置环境变量

在项目根目录创建 .env，参考 .env.example 配置至少：

• ZOTERO_ID、ZOTERO_KEY（必填）
• 启用邮件时：SENDER、RECEIVER、SENDER_PASSWORD
• 使用 OpenAI 生成 TLDR 时：OPENAI_API_KEY

3. 运行后端（生成推荐数据）

在项目根目录执行：

python -m backend.main

可选参数示例：

• --debug：调试模式（取 50 篇论文、不按日期过滤）
• --max_paper_num 5：仅保留前 5 篇
• --enable_email false：关闭邮件推送

推荐数据会写入 public/recommendations/latest.json 与按日期的 papers_YYYY-MM-DD.json。

4. 运行前端

npm run dev

浏览器访问提示的地址（如 http://localhost:5173），即可查看：

• 每日 ArXiv 推荐：从 latest.json 拉取并展示，支持搜索过滤。
• 科学发现图谱：D3 力导向图（当前为静态示例数据）。

5. 生产构建

npm run build
npm run preview   # 本地预览构建结果

知识图谱构建 (offline)

基于 results/prior_work_analysis_*.json 可离线构建「主论文–前人工作」科学发现知识图谱，支持 FAISS 标题相似度融合（GPU + 代理）。

推荐在 conda 环境 research 下运行，并在 .env 中配置 HTTP_PROXY / HTTPS_PROXY，以便首次下载 allenai-specter 模型。详细步骤、参数与常见问题见 知识图谱 - 使用说明。

conda activate research
# 全量重建（推荐首次执行；启用 FAISS 时需代理下载模型）
python -m backend.build_knowledge_graph --full

# 增量更新
python -m backend.build_knowledge_graph

生成结果: public/graph/papers_kg.json、papers_kg_index.json，以及（启用 FAISS 时）papers_kg_faiss.index、papers_kg_faiss_ids.json。前端从 papers_kg.json 读取图数据展示（schema 见 docs/knowledge-graph-design.md）。

数据流说明

1. 后端 backend/main.py：拉取 Zotero 文献 → 拉取 arXiv 新论文 → 重排序 → 可选 LLM 生成 TLDR → 写入 public/recommendations/ → 可选邮件/微信/飞书推送。
2. 前端从 /recommendations/latest.json 读取静态 JSON 展示，无需常驻后端服务。

文档

• 需求设计
• 技术方案

许可与致谢

仅供学习与个人使用。推荐逻辑依赖 Zotero、arXiv、sentence-transformers 与可选 OpenAI/本地 LLM。