--- title: "研究与知识参考：paper2md - 研究与知识 | 思行致远" canonical: "https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/skill-library-research-paper2md/" dateModified: "2026-06-30" datePublished: "2026-06-30" --- 打开 AI·外脑目录 AI·外脑 [返回专栏首页](https://siyuanailab.com/knowledge/) × 站内搜索 ⌕ 主要栏目 - [AI 核心概念](https://siyuanailab.com/knowledge/ai-core/) - [工作流](https://siyuanailab.com/knowledge/workflows/) - [工具配置与选型](https://siyuanailab.com/knowledge/toolkits/) - [信源与标准](https://siyuanailab.com/knowledge/sources/) - [场景案例 待开发](https://siyuanailab.com/knowledge/scenarios/) - [职业与能力](https://siyuanailab.com/knowledge/career/) 专题 - [从这里开始](https://siyuanailab.com/knowledge/start/) - [获取与安装](https://siyuanailab.com/knowledge/install/) - [建设日志](https://siyuanailab.com/knowledge/ops/) [工作流子目录](https://siyuanailab.com/knowledge/workflows/) 基础设施层 - [浏览器自动化 **5**](https://siyuanailab.com/knowledge/workflows/infrastructure/browser-automation/) - [MCP 工具 **5**](https://siyuanailab.com/knowledge/workflows/infrastructure/mcp-tools/) - [文件系统与本地执行 **5**](https://siyuanailab.com/knowledge/workflows/infrastructure/filesystem-local/) - [API 网关与工具路由 **5**](https://siyuanailab.com/knowledge/workflows/infrastructure/api-tool-routing/) Skill 生产线 - [目标明确 **5**](https://siyuanailab.com/knowledge/workflows/skill-forge/goal-definition/) - [Skill 设计 **5**](https://siyuanailab.com/knowledge/workflows/skill-forge/skill-design/) - [代码实现 **5**](https://siyuanailab.com/knowledge/workflows/skill-forge/implementation/) - [测试评估 **5**](https://siyuanailab.com/knowledge/workflows/skill-forge/testing-evaluation/) Skill 参考库 - [写作与内容 **5**](https://siyuanailab.com/knowledge/workflows/skill-library/writing-content/) - [研究与知识 **5**](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/) - [WF-046 研究与知识参考：arxiv sanity bot](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/skill-library-research-arxiv-sanity-bot/) - [WF-047 研究与知识参考：headroom](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/skill-library-research-headroom/) - [WF-048 研究与知识参考：knowledge base builder](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/skill-library-research-knowledge-base-builder/) - [WF-049 研究与知识参考：llmwiki](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/skill-library-research-llmwiki/) - [WF-050 研究与知识参考：paper2md](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/skill-library-research-paper2md/) - [沟通与协作 **5**](https://siyuanailab.com/knowledge/workflows/skill-library/communication-collaboration/) - [产品与项目 **5**](https://siyuanailab.com/knowledge/workflows/skill-library/product-project/) - [数据与分析 **5**](https://siyuanailab.com/knowledge/workflows/skill-library/data-analysis/) - [创意与设计 **5**](https://siyuanailab.com/knowledge/workflows/skill-library/creative-design/) - [商业与营销 **5**](https://siyuanailab.com/knowledge/workflows/skill-library/business-marketing/) Agent Building 只收录有多步工作流、工作标准、Loop、Harness、工具链或通信机制的真 Agent；不收纯 persona、profile、curated list 或只有 system prompt 的仓库。 - [多 Agent 框架 **5**](https://siyuanailab.com/knowledge/workflows/agent-building/multi-agent-frameworks/) - [工作流编排 **5**](https://siyuanailab.com/knowledge/workflows/agent-building/workflow-orchestration/) - [Sub-agent 模式 **5**](https://siyuanailab.com/knowledge/workflows/agent-building/sub-agent-patterns/) - [Harness 与评估 **5**](https://siyuanailab.com/knowledge/workflows/agent-building/harness-evaluation/) Skill 参考库 · 研究与知识 · Skill 解读 · WF-050 # 研究与知识参考：paper2md 思行致远 · 2026/6/30 · 置信度：中 研究知识库摘要RAG 一个把学术 PDF 批量抽取、分块总结并汇总成结构化 Markdown 的论文上下文生成工具。 # paper2md > 一个把学术 PDF 批量抽取、分块总结并汇总成结构化 Markdown 的论文上下文生成工具。 ## 这个能力解决什么问题 它解决的是工程团队读论文时“PDF 难放进代码库上下文”的问题。输入是一批放在 `papers/` 下的 PDF；输出是一个带索引的 Markdown 汇总，包含 TL;DR、问题、方法、结果、实践 takeaway、限制和 DOI 信息，适合作为项目文档或 Agent 上下文。 ## 核心逻辑 `summary_papers.py` 是薄编排层：先用标题提取级联策略识别论文名，再用 `pdfminer.six` 提取全文并清洗；长文本按 `prompts.json` 的 chunk 配置切分，先对每个 chunk 做 map summary，再用 reduce prompt 合并成论文级摘要。缓存层只缓存提取文本，不缓存最终摘要，因此 PDF 不变时可以跳过重复抽取，但仍可重跑总结。 ## 技术结构 - 关键模块：`lib/pdf_extract.py` 管 PDF 元数据、XMP、首页启发和文件名 fallback；`text_clean.py` 做清洗；`summarization.py` 管 OpenAI 兼容 API；`cache.py` 管增量文本缓存；`models.py` 定义不可变数据对象。 - 调用链路：PDF 目录 -> 标题识别 -> 全文抽取 -> 清洗 -> chunk map -> reduce -> Markdown 汇总。 - 输入输出：输入是 PDF 和可选 prompts 配置；输出是 `PAPERS_SUMMARY.md`。 - 核心依赖：`pdfminer.six`、`openai`、`python-dotenv`、`tqdm`。 ## 为什么值得参考 它没有把论文总结写成一个“上传 PDF 然后问模型”的黑盒，而是显式处理标题、缓存、chunk、map-reduce 和统一输出结构。对知识库流水线来说，`PDF -> Paper object -> SummarizedPaper -> Markdown` 的层次清楚，适合改造成可审计的论文摄取环节。 ## 为什么不建议直接套用 它假设论文 PDF 能被文本抽取，复杂扫描版、公式、图表和多栏排版仍可能丢信息。默认 prompt 和输出结构偏工程推荐系统论文，不一定适合社科、法律或商业报告。它使用 LLM 摘要，不提供逐段引用校验，不能作为严肃文献综述的最终证据。 ## 如何改造成自己的版本 保留标题提取、文本缓存和 map-reduce 框架；把输出 schema 改成你的阅读卡结构，例如“问题、零点、位移、落点、行囊”。增加 per-paper source hash、页码片段、摘要置信度和“需要人工复核”字段。对扫描 PDF 先接 OCR，对表格/图像另设提取器。 ## 适用场景 - 批量把论文变成工程上下文。 - 需要在仓库里维护论文阅读摘要。 - 构建 RAG 前的论文预处理。 ## 不适用场景 - 需要逐字引用、页码证据或严谨学术综述。 - PDF 主要是扫描图片、公式或复杂表格。 - 不允许把论文内容发给外部 LLM 的场景。 ## 参考信息 - 原项目：[paper2md](https://github.com/angelotc/paper2md) - 作者：angelotc - 相关概念：[[论文阅读]]、[[Map Reduce 摘要]] - 相关卡片：保守留空 ## 参考对象信息 **名称：**paper2md **作者：**angelotc **链接：**[https://github.com/angelotc/paper2md](https://github.com/angelotc/paper2md) ## 适用场景与行动 **场景：**Skill 参考库 / 研究与知识 **适合谁：**关注 AI 工作流、Skill 生产和 Agent Building 的读者 **下一步：**先阅读边界说明，再判断它是否适合改造成自己的研究与知识流程。 当前内容按公开来源和已审核草稿整理，只作为工作流理解与方法论参考。 涉及客户数据、外部平台、会议记录和业务系统的场景，必须保留人工确认与授权边界。 [上一张：研究与知识参考：llmwiki](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/skill-library-research-llmwiki/) [返回当前分类](https://siyuanailab.com/knowledge/workflows/skill-library/research-knowledge/) [返回工作流专栏](https://siyuanailab.com/knowledge/workflows/)