别再只是囤论文了，先决定下一篇该读什么。
PaperPilot 是一个面向研究者的 AI 论文推荐与决策助手。
它不是再给你一长串原始论文列表，而是帮你：
- 在同一主题下对论文进行排序
- 并排比较几篇候选论文
- 判断哪篇更值得优先投入时间
- 把有价值的论文纳入后续跟进清单
它还会把下载下来的 PDF 自动整理成更易读的文件名，带上标题和日期，后面搜索、保存、归档都会轻松很多。
当前默认是 Demo 模式，不需要 API Key，也不需要本地模型。建议先搜索
LLM、RAG、CoT、Reasoning、Multimodal。如果你想做更广的真实主题搜索和实时分析，再切换到你自己的 API Key 或本地 Ollama 模型。
大多数论文工具擅长“帮你找到论文”，但真正让人头疼的是找到以后：
- 我到底应该先读哪篇？
- 哪篇更值得精读？
- 哪篇更适合复现？
- 哪些论文值得继续跟进，而不是看完就忘？
PaperPilot 想做的，不是让你收藏更多论文，而是帮你把“发现论文”变成“做阅读决策”。
- 同主题排序推荐：不是原始列表，而是更适合阅读决策的排序结果
- 候选论文对比：把 2 到 3 篇论文放在一起，快速判断先投入哪篇
- 面向决策的详情页：不只给摘要，还会给推荐结论、背景、方法、创新点和局限性
- 跟进清单：可以把论文加入待读、复现、选题备选，后续继续处理
- PDF 下载后会自动规范文件名，包含论文标题和日期
- 下载后的论文更容易在本地搜索、整理和归档
- 从“看到论文”到“继续跟进”，整个流程不会在一次浏览后断掉
先看这段演示 GIF，可以快速理解产品怎么工作：
首页会把一个研究主题整理成排序后的推荐结果，展示推荐分、一句话总结和紧凑的操作入口。
它不是简单把两篇论文并排摆出来，而是帮助你判断：在当前主题下，哪篇更值得先投入时间。
每篇论文都有更适合做决策的详情页，包含推荐结论、研究背景、摘要、方法、创新点、局限性和复现信息。
你可以把论文加入待读、复现、选题备选，而不是看完一次就丢掉。
很多工具帮你“搜论文”。 PaperPilot 更关注“接下来该怎么读”。
它不只是列论文，而是帮助你：
- 在同一主题下排序候选论文
- 在深入阅读前先比较多个候选
- 把有价值的论文留在跟进流程里
- 用更易读的文件名保存 PDF，方便后续查找和管理
如果你经常会遇到下面这些问题，PaperPilot 会比较适合你：
- 我找到 20 篇论文了，但不知道先读哪 3 篇
- 这几篇看起来都差不多，哪篇对我的项目更有用？
- 哪篇更值得复现？
- 哪些论文应该留下来持续跟进？
这个仓库优先为“最低上手门槛”设计。
“把应用跑起来”和“让推荐分析功能真正工作”是两件事：
Docker负责把前后端服务跑起来模型能力负责完成推荐、分析、对比和跟进推理
所以现在有三条路径：
Docker + 内置 Demo：应用能直接启动，并立刻展示完整产品预览Docker + 你自己的 API Key：推荐的大多数用户路径，上手最轻Docker + 本地 Ollama 模型：也能用，但部署更重
如果你只是想先看看产品长什么样、流程顺不顺，这是最容易的路径。
你需要：
- Docker Desktop
你不需要：
- API Key
- Ollama
- 本地模型
- Node.js
- Python
运行：
docker compose up --build然后打开网页，保持默认的 PaperPilot Demo / no setup。
为了最清楚地体验产品效果，建议先搜索这些 Demo 主题：
LLMRAGCoTReasoningMultimodal
这个模式适合：
- 第一次尝试
- 看截图和 GIF
- GitHub 路人先快速体验产品逻辑
它的限制也要讲清楚：
- 返回的是内置样例推荐，不是实时大模型分析
- 更适合看产品流程，不适合评估真实推荐质量
- 对
LLM、RAG、CoT、Reasoning、Multimodal这类预览主题效果最好 - 如果你想做更广的主题搜索、实时推荐生成和真实分析结果，还是需要自己的 API Key 或本地 Ollama 模型
这是最适合大多数用户的正式使用方式。
你不需要：
- Ollama
- 本地 7B 模型下载
- Node.js
- Python
你需要：
- Docker Desktop
- 你自己的 API Key，例如
DeepSeek、Kimi、Qwen或其他 OpenAI-compatible 服务
运行：
docker compose up --build然后打开：
进入应用后：
- 打开
模型设置 - 选择
DeepSeek、Kimi、Qwen或其他 OpenAI-compatible API - 填入自己的 API Key
- 输入一个主题，例如
CoT、LLM、RAG、Reasoning、Multimodal - 开始使用
为什么推荐这条路：
- 部署门槛最低
- 不需要下载本地模型
- 跨平台体验更好
- 更适合 GitHub 用户
缺点：
- 需要自己的 API Key
- 依赖外部模型服务可用性
- 模型调用成本取决于 provider
通常来说，在 Top 3 / Top 5 这种轻量日常推荐场景里，API 消耗不会特别高。具体成本还是取决于 provider、模型和你的使用频率。
你仍然可以先用内置 Demo 模式体验完整产品流程。
如果你不想用 API Key，但又想要真实推荐和分析结果，那么替代方案就是：
- 安装
Ollama - 下载一个本地模型
- 使用本地推理路径运行产品
只是这条路的门槛会明显高于默认的公开使用方式。
适合：
- 第一次访问的用户
- 快速看产品效果
- 截图、GIF、演示
- 还没准备模型能力，但想先体验界面的人
需要：
- Docker
优点：
- 不用配模型
- 不用 API Key
- 体验完整 UI 和工作流最快
缺点：
- 返回的是内置样例推荐
- 不适合评估真实推荐质量
推荐：
- 作为 GitHub 路人的第一体验路径
适合：
- 第一次正式使用的用户
- GitHub 访客
- 演示和跨平台体验
需要：
- Docker
- 你自己的 API Key
优点：
- 上手最轻
- 不用下载本地模型
- Windows / macOS 体验都更好
缺点：
- 需要 API Key
- 依赖第三方模型服务
推荐：
- 这是大多数用户在体验完 Demo 后最应该切换到的正式路径
适合那些明确想做本地推理、而且不想依赖外部 API 的用户。
需要：
- Docker
- Ollama
- 一个本地模型，比如
qwen2.5:7b
示例：
ollama pull qwen2.5:7b然后在应用里使用：
- provider:
ollama - model:
qwen2.5:7b - base URL:
http://localhost:11434
优点：
- 不需要外部 API Key
- 更适合本地私有化使用
缺点：
- 部署更重
- 本地模型体积较大
- 对第一次使用者不够友好
推荐：
- 只有当你明确要本地推理时再选这条路
只有当你想修改代码时再用这条路。
这不是默认的公开上手路径。
前端：
cd paper-reader-ui
start_frontend.bat后端：
cd paper-reader-v1
start_backend.bat前端：
cd paper-reader-ui
./start_frontend.sh后端：
cd paper-reader-v1
./start_backend.sh说明：
.bat是 Windows 便捷脚本.sh是 macOS / Linux 脚本- 如果你只是想用产品，优先走 Docker，而不是本地开发环境
- Next.js
- TypeScript
- FastAPI
- SQLite
- OpenAI-compatible API providers
- 可选 Ollama 本地推理
这个项目故意保持轻量，方便：
- 演示
- GitHub 分享
- 本地产品展示
- 快速第一次部署
如果后续有更大的持久化需求，高级用户可以自行切换到外部数据库。
参考：
paper-project/
|- README.md
|- LICENSE
|- .gitignore
|- docker-compose.yml
|- docs/
|- paper-reader-ui/
|- paper-reader-v1/
`- paper-reader skill/
它不只是代码堆在一起，而是想展示一种产品思考：
- 不是原始列表，而是排序
- 不是只有发现，而是决策支持
- 不是一次性浏览，而是跟进工作流
- 不是环境很重的原型，而是可以部署的产品
- 不是混乱下载，而是更适合保存的 PDF 文件管理
MIT