【免费下载链接】deepxiv_sdkTalk to research papers like talking to authors - Python package with AI agent for arXiv papers项目地址https://gitcode.com/gh_mirrors/de/deepxiv_sdk点击查看免费下载deepxiv_sdk 是一个开源 Python 包让你像和论文作者对话一样与 arXiv 论文打交道。本文聚焦它最省钱的独门技巧——四层渐进式读论文先用约 500 tokens 的 TLDR 判断一篇论文值不值得读再按需只读需要的章节帮助 AI Agent 和开发者把 Token 消耗直接省掉 90% 以上。为什么别让 AI 一次读完整篇论文 把整篇 PDF 塞给大模型代价是每次 5 万 tokens 起步而且 PDF 是一堵没有结构的文字墙。可现实是你往往只需要HumanEval 上的加速比是多少这一个数字藏在实验章节里。deepxiv_sdk 的解法是论文在服务端预先解析成章节你可以一层层往下剥洋葱拿到答案就停每一步开销比上一步高一个数量级。一行命令安装与准备pip install deepxiv-sdk首次使用 CLI 会自动注册一个 token无需注册即可体验论文阅读功能。官方还放了两篇免费测试论文不需要任何 token下文示例可直接运行2409.05591、2504.21776。完整命令参考见 USAGE.zh.md项目中文说明见 README.zh.md。核心四层渐进式读论文 四层对应 reader.py 中的四个方法CLI 侧全部收敛在一条deepxiv paper命令上只用不同的 flag 切换层次。第 1 层--brief—— 300 tokens 决定读不读deepxiv paper 2409.05591 --brief返回标题、AI 生成的 TLDR、关键词、引用数、GitHub 仓库地址。相当于论文的名片花一杯水的成本就能筛掉 80% 的无关论文。第 2 层--head—— 看清 token 预算分布deepxiv paper 2409.05591 --head返回章节列表 每一节的 token 数。这是渐进式阅读的关键一步你能看到Experiments 这一节 6000 tokensConclusion 只有 400 tokens从而精准定位答案在哪一节。注意章节名要从这一步的输出里取——每篇论文的小节命名并不统一。第 3 层--section—— 只读你需要的节deepxiv paper 2409.05591 --section Method只返回指定章节的正文。章节名不区分大小写、支持部分匹配比如exp能匹配到Experiments匹配逻辑见 reader.py。这一层让回答一个关于某节的问题不再需要加载全文。第 4 层全文 —— 最后手段什么都不加是全文 markdown--raw同理--preview则是约 1 万字符的开头预览适合快速扫一眼引言行文风格。deepxiv paper 2409.05591 --preview # 约 1 万字符预览 deepxiv paper 2409.05591 # 全文 markdown谨慎使用四层 Token 成本对照表 层次命令拿到什么成本1--brief标题 / TLDR / 关键词 / 引用数≈ 500 tokens2--head章节列表 各节 token 分布很低3--section单节正文可控通常几千4--raw/ 无 flag全文 markdown10k–50k tokens第 1 层花 500全文要 5 万——这就是省掉 90% Token的来源。仓库里有一条完整的演示脚本 1_progressive_reading.sh把检索 → brief → head → section → 提问五步串了起来。有具体问题直接问文献 渐进式阅读解决读哪篇、读哪节而deepxiv ask解决直接要答案服务端 Agent 自己选工具、自己读原文返回带真实 arXiv ID 引用的回答你可以逐条核查。deepxiv ask what speedup does speculative decoding report on HumanEval in 2025Python 里的同一套打法CLI 的每一步在 SDK 里都有对应方法适合写进自己的检索流水线示例见 example_reader.pyfrom deepxiv_sdk import Reader reader Reader() reader.brief(2409.05591) # 第 1 层名片 reader.head(2409.05591) # 第 2 层结构 token 分布 reader.section(2409.05591, Introduction) # 第 3 层单节正文四个方法的返回结构与 Token 成本说明集中在 USAGE.zh.md 的「Reader 方法」一节。进阶技巧与常见问答 ✨--popularity查看单篇论文的社交影响力指标快速判断热度。拿不到章节名先跑--head拿目录再用它的原始名称传给--section避免猜错。请求被限流SDK 内置指数退避重试错误类型401/404/429 等在 exceptions.py 中有明确定义可精确捕获RateLimitError降级处理。想跨库检索deepxiv search支持按作者、机构、会议、日期、引用数组合过滤还能扩展检索 PubMed Central 与 bioRxiv/medRxiv。一句话总结先问值不值得读再问读哪一节最后才碰全文。掌握了这套四层渐进式读论文的方法你的 Agent 就会像老练的研究员一样——不读无用的一页。赞分享【免费下载链接】deepxiv_sdkTalk to research papers like talking to authors - Python package with AI agent for arXiv papers项目地址https://gitcode.com/gh_mirrors/de/deepxiv_sdk点击查看免费下载相关推荐p-MoD论文深读Progressive Ratio Decay渐进比例衰减如何让视觉token省算而不掉精度p MoD论文深读Progressive Ratio Decay渐进比例衰减如何让视觉token省算而不掉精度 p MoD LLaVA v1.5 7B 是论文人工智能大模型多模态ARIS /deepxiv 技能实战指南基于 DeepXiv 的论文渐进式阅读与分节检索ARIS /deepxiv 技能实战指南基于 DeepXiv 的论文渐进式阅读与分节检索 DeepXiv 是 ARISAuto Research In SlAI 技能人工智能AI 评测科研MCP 服务工作流自动化ARIS 项目 DeepXiv Skill 实战指南渐进式论文分段阅读与多源文献检索ARIS 项目 DeepXiv Skill 实战指南渐进式论文分段阅读与多源文献检索 导读 DeepXiv 是 ARISAuto Research In SAI 技能人工智能AI 评测科研MCP 服务工作流自动化创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/26 5:32:51 · 阅读 1.2k 省掉90%的Token：deepxiv_sdk四层渐进式读论文实战指南
【免费下载链接】deepxiv_sdkTalk to research papers like talking to authors - Python package with AI agent for arXiv papers项目地址https://gitcode.com/gh_mirrors/de/deepxiv_sdk点击查看免费下载deepxiv_sdk 是一个开源 Python 包让你像和论文作者对话一样与 arXiv 论文打交道。本文聚焦它最省钱的独门技巧——四层渐进式读论文先用约 500 tokens 的 TLDR 判断一篇论文值不值得读再按需只读需要的章节帮助 AI Agent 和开发者把 Token 消耗直接省掉 90% 以上。为什么别让 AI 一次读完整篇论文 把整篇 PDF 塞给大模型代价是每次 5 万 tokens 起步而且 PDF 是一堵没有结构的文字墙。可现实是你往往只需要HumanEval 上的加速比是多少这一个数字藏在实验章节里。deepxiv_sdk 的解法是论文在服务端预先解析成章节你可以一层层往下剥洋葱拿到答案就停每一步开销比上一步高一个数量级。一行命令安装与准备pip install deepxiv-sdk首次使用 CLI 会自动注册一个 token无需注册即可体验论文阅读功能。官方还放了两篇免费测试论文不需要任何 token下文示例可直接运行2409.05591、2504.21776。完整命令参考见 USAGE.zh.md项目中文说明见 README.zh.md。核心四层渐进式读论文 四层对应 reader.py 中的四个方法CLI 侧全部收敛在一条deepxiv paper命令上只用不同的 flag 切换层次。第 1 层--brief—— 300 tokens 决定读不读deepxiv paper 2409.05591 --brief返回标题、AI 生成的 TLDR、关键词、引用数、GitHub 仓库地址。相当于论文的名片花一杯水的成本就能筛掉 80% 的无关论文。第 2 层--head—— 看清 token 预算分布deepxiv paper 2409.05591 --head返回章节列表 每一节的 token 数。这是渐进式阅读的关键一步你能看到Experiments 这一节 6000 tokensConclusion 只有 400 tokens从而精准定位答案在哪一节。注意章节名要从这一步的输出里取——每篇论文的小节命名并不统一。第 3 层--section—— 只读你需要的节deepxiv paper 2409.05591 --section Method只返回指定章节的正文。章节名不区分大小写、支持部分匹配比如exp能匹配到Experiments匹配逻辑见 reader.py。这一层让回答一个关于某节的问题不再需要加载全文。第 4 层全文 —— 最后手段什么都不加是全文 markdown--raw同理--preview则是约 1 万字符的开头预览适合快速扫一眼引言行文风格。deepxiv paper 2409.05591 --preview # 约 1 万字符预览 deepxiv paper 2409.05591 # 全文 markdown谨慎使用四层 Token 成本对照表 层次命令拿到什么成本1--brief标题 / TLDR / 关键词 / 引用数≈ 500 tokens2--head章节列表 各节 token 分布很低3--section单节正文可控通常几千4--raw/ 无 flag全文 markdown10k–50k tokens第 1 层花 500全文要 5 万——这就是省掉 90% Token的来源。仓库里有一条完整的演示脚本 1_progressive_reading.sh把检索 → brief → head → section → 提问五步串了起来。有具体问题直接问文献 渐进式阅读解决读哪篇、读哪节而deepxiv ask解决直接要答案服务端 Agent 自己选工具、自己读原文返回带真实 arXiv ID 引用的回答你可以逐条核查。deepxiv ask what speedup does speculative decoding report on HumanEval in 2025Python 里的同一套打法CLI 的每一步在 SDK 里都有对应方法适合写进自己的检索流水线示例见 example_reader.pyfrom deepxiv_sdk import Reader reader Reader() reader.brief(2409.05591) # 第 1 层名片 reader.head(2409.05591) # 第 2 层结构 token 分布 reader.section(2409.05591, Introduction) # 第 3 层单节正文四个方法的返回结构与 Token 成本说明集中在 USAGE.zh.md 的「Reader 方法」一节。进阶技巧与常见问答 ✨--popularity查看单篇论文的社交影响力指标快速判断热度。拿不到章节名先跑--head拿目录再用它的原始名称传给--section避免猜错。请求被限流SDK 内置指数退避重试错误类型401/404/429 等在 exceptions.py 中有明确定义可精确捕获RateLimitError降级处理。想跨库检索deepxiv search支持按作者、机构、会议、日期、引用数组合过滤还能扩展检索 PubMed Central 与 bioRxiv/medRxiv。一句话总结先问值不值得读再问读哪一节最后才碰全文。掌握了这套四层渐进式读论文的方法你的 Agent 就会像老练的研究员一样——不读无用的一页。赞分享【免费下载链接】deepxiv_sdkTalk to research papers like talking to authors - Python package with AI agent for arXiv papers项目地址https://gitcode.com/gh_mirrors/de/deepxiv_sdk点击查看免费下载相关推荐p-MoD论文深读Progressive Ratio Decay渐进比例衰减如何让视觉token省算而不掉精度p MoD论文深读Progressive Ratio Decay渐进比例衰减如何让视觉token省算而不掉精度 p MoD LLaVA v1.5 7B 是论文人工智能大模型多模态ARIS /deepxiv 技能实战指南基于 DeepXiv 的论文渐进式阅读与分节检索ARIS /deepxiv 技能实战指南基于 DeepXiv 的论文渐进式阅读与分节检索 DeepXiv 是 ARISAuto Research In SlAI 技能人工智能AI 评测科研MCP 服务工作流自动化ARIS 项目 DeepXiv Skill 实战指南渐进式论文分段阅读与多源文献检索ARIS 项目 DeepXiv Skill 实战指南渐进式论文分段阅读与多源文献检索 导读 DeepXiv 是 ARISAuto Research In SAI 技能人工智能AI 评测科研MCP 服务工作流自动化创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考