目录

发现了一篇感兴趣的 AI 论文，便只保存标题和链接，打算以后再读。几周后，开始查找类似主题的论文时，却想不起那篇论文存在哪里，也记不得当时觉得它有趣的原因。

Akihiko Watanabe 的「paper_notes」就是一个旨在减少这类“明明读过，却无法用于下一次调研”的情况的仓库。维护者手动将 AI 相关论文、博客、代码、幻灯片和社交平台帖子等收集到 GitHub Issues 中。与其说它是一个只罗列论文链接的清单，不如说它是一份不断积累的研究日志，记录着维护者自己的理解与收获。

收录领域包括自然语言处理、计算机视觉、语音处理和推荐系统。近期关注的主题也很广泛，涵盖 LLM、VLM、扩散模型、AI 智能体、评估和强化学习等。积累的 Issue 每天都会导出到 agent_docs/，仓库还提供了让智能体读取其中的信息并回答问题的使用方式。

可以先打开 GitHub 仓库 ↗，浏览 Issue 和 README，了解这里收集了哪些信息。

为论文链接附上阅读者的理解#

每个 Issue 中包含论文或相关文章的链接、论文元数据和摘要、日语翻译或总结、维护者自己的笔记，以及手动添加的标签等。有时还会附上相关外部文章或讨论的链接。论文信息和摘要通过 arXiv API 获取，日语翻译和总结则由 GPT 自动生成。

不过，并非所有 Issue 都整理得同样详细。有些只记录了粗略浏览论文摘要或相关帖子后的第一印象，也有些深入讨论了多个技术要点。README 也说明，内容的详略取决于维护者的兴趣和可用于阅读的时间。

作为个人学习日志，这种差异很自然。发现论文时先留下一段简短笔记，有时间再详细补充。目的并不是为每篇论文都准备同样完善的解读，而是记录当时的理解。读者可以参考笔记的篇幅，并在需要时查阅论文或原文。

标签同样由维护者根据自己的理解添加。可以从载体、研究领域、任务、方法、细分类别、特征、会议或期刊等多个维度筛选 Issue。标签超过 600 种，据介绍，部分标签尚未完成对所有 Issue 的标注。分类提供了便捷的入口，但其覆盖范围和标注情况并没有自动保障。研究特定主题时，最好不要仅凭标签搜索就下结论，还应继续查看相关 Issue 和原论文。

让 GitHub Issues 成为日后可以对话查询的资料#

paper_notes 的一个特点，是将积累的 Issue 整理成智能体可以查阅的形式。README 介绍了如何将仓库克隆到本地，再向智能体提问。Issue 内容每天都会导出到 agent_docs/，仓库还提供了 AGENTS.md 和面向智能体的说明，让智能体能够基于研究笔记回答问题，而无需读取大量 HTML。

例如，可以让智能体按时间顺序梳理 LLM 的预训练研究，并附上参考资料和原始 Issue 的链接。这样，除了逐条打开保存的笔记阅读，还能跨多个 Issue 为调研搭建基础。使用时，更适合打开回答中列出的论文和 Issue 进行核实，而不是直接将答案视为定论。

基本步骤很简单。

  • 克隆仓库。
  • 使用 Codex 等能够读取本地文件的智能体打开仓库。
  • 查看 AGENTS.md 和 agent_docs/ 中的说明。
  • 具体说明想研究的主题，以及希望回答包含哪些来源。
  • 打开回答中提到的 Issue 和论文，核实所需内容。

例如，比起只说“按时间顺序梳理预训练研究”，提出“请根据论文发表时间排序，并列出作为依据的论文及原始 Issue 的链接”，会更方便日后核查。关键是围绕仓库已积累的信息提问。这套机制无法保证完整检索到未记录在仓库中的论文。

除了直接阅读 GitHub 上的 Issue，仓库还介绍了通过 DeepWiki、CodeWiki 等对话式界面探索内容的方法。可以先将它们作为查找资料的入口，找到想深入阅读的内容后，再转到 Issue 或原论文。

将个人趋势笔记与论文笔记分开阅读#

仓库还设有 Wiki，用来记录维护者在 X 上浏览论文和讨论时注意到的趋势，内容属于个人印象。Wiki 不定期更新，是随手记下尚未成形想法的地方，其中也明确说明可能存在错误或偏见。

这部分内容与收集论文元数据和总结的 Issue 性质不同。将其作为思考研究走向的启发很有意思，但不应把它当作对某个领域整体情况的客观调研结果。如果发现感兴趣的判断，最好沿着相关论文和讨论自行核实。

这种区分在向智能体提问时也很有帮助。明确说明自己是想梳理论文内容，还是了解个人对趋势的观察，可以让回答目标更清晰。例如，“请根据已收录的 Issue 梳理论文的发展脉络”和“请总结 Wiki 中记录的个人趋势印象”，期待的回答就不同。

从更新记录看当前的使用方式#

更新记录显示，2026 年 3 月，仓库新增了面向智能体的 AGENTS.md 和相关文档。这次更新并非发生在 7 月，记录中的日期是 2026 年 3 月 7 日。2026 年 9 月 19 日，博客实现了全文搜索，并为从仓库中移除生成文件目录 docs/ 而重写了历史记录。旧的提交哈希已无法使用，维护者建议删除已有的本地克隆，重新克隆仓库。网站也改为通过 GitHub Actions 构建，并作为 Pages 构建产物发布。

随后，2026 年 10 月 14 日，维护者修复了自 9 月 19 日更新后 agent_docs/ 停止更新的问题。如果打算克隆仓库并尝试通过智能体使用，最好遵循 README 中的最新步骤。尤其是仍在使用旧克隆的用户，应先查看有关历史记录重写的说明。

2024 年 9 月，仓库开始支持以博客形式阅读 Issue，目前博客也已具备全文搜索功能。可以根据调研内容，选择浏览 GitHub Issue、在博客中搜索，或向智能体提出跨多篇资料的问题。阅读单篇论文时，可以查看原论文和对应笔记；寻找某个主题的整体研究线索时，则可以使用搜索或对话式界面。

如何用于自己的调研#

paper_notes 并不是一个涵盖所有 AI 研究的数据库。它由个人根据兴趣手动收集，标签和笔记的详细程度也存在差异。即便如此，论文链接、日语理解笔记和相关资料集中在一起，既能成为发现未知研究的入口，也能帮助重新查找过去读过的内容。

不妨先打开感兴趣领域的 2～4 个 Issue，看看论文链接、笔记的详细程度以及标签的使用方式。之后再尝试博客全文搜索或向智能体提问，会更容易判断哪种方式适合自己的调研。如果想在本地试用，可以重新克隆仓库，按照 README 的说明，先向智能体提出一个小问题。再沿着回答前往作为来源的 Issue，就能开始将这些积累的研究笔记用于实际调研。

来源: https://github.com/AkihikoWatanabe/paper_notes

目录