PaperDaily - OpenClaw + Feishu 论文推荐系统

每日从 arXiv 计算机科学论文中筛选高价值文献，自动生成中文摘要并发送到飞书。

功能特性

• 📚 每日推荐：从 arXiv CS 类近 7 天论文中筛选高价值文献
• 🎯 智能评分：基于时间新鲜度、关键词匹配、摘要信息量进行评分
• 💡 通俗讲解：为每篇论文提供简洁易懂的解读
• 🔄 缓存机制：同一天多次请求返回相同结果，支持强制刷新
• 🔧 模块化设计：collector/ranker/generator/policy/delivery/storage 分层架构
• 📱 OpenClaw 集成：可作为 OpenClaw 技能使用
• 🤖 飞书企业应用：支持飞书企业应用机器人（App Bot）

快速开始

1. 安装依赖

npm install

2. 配置环境变量

复制 .env.example 到 .env 并配置：

cp .env.example .env

编辑 .env 文件：

# Feishu App Bot Configuration
FEISHU_APP_ID=your_feishu_app_id_here
FEISHU_APP_SECRET=your_feishu_app_secret_here
FEISHU_CHAT_ID=your_feishu_chat_id_here

# Paper Selection
DEFAULT_TIMEZONE=Asia/Shanghai

# Ranking Configuration
KEYWORDS=machine learning,deep learning,neural networks,transformer,LLM,computer vision,natural language processing,reinforcement learning

# Cache Configuration
CACHE_HOURS=24

3. 一键启动

# 开发模式（直接运行 TypeScript）
npm run dev

# 或者先构建再运行
npm run build
npm start

# 启动 Webhook 服务器（接收飞书事件）
npm run server

4. 使用命令

# 获取今日文献（使用缓存）
npm run dev -- 今日文献

# 强制刷新今日文献
npm run dev -- 刷新文献

飞书企业应用机器人接入步骤

前提条件

• 已有飞书企业账号
• 有创建应用的权限

步骤 1：创建飞书应用

1. 登录飞书开放平台：https://open.feishu.cn/
2. 进入「管理后台」→「应用管理」→「创建应用」
3. 选择「企业自建应用」
4. 填写应用信息：
   • 应用名称：PaperDaily
   • 应用描述：每日计算机科学论文推荐
   • 应用图标：可选
5. 点击「创建」

步骤 2：获取凭证信息

1. 在应用详情页，找到「凭证与基础信息」
2. 记录以下信息：
   • App ID（复制到 FEISHU_APP_ID）
   • App Secret（点击「查看」后复制到 FEISHU_APP_SECRET）

步骤 3：配置权限范围

1. 进入应用详情页 →「权限管理」
2. 搜索并开启以下权限：
   • im:message（发送消息权限）
   • im:message:send_as_bot（以机器人身份发送消息）
   • im:chat（获取会话信息，如需要）
3. 点击「批量开通权限」或「申请权限」

步骤 4：获取群聊 ID

方法一：通过飞书开发者工具

1. 在目标群聊中
2. 点击群聊设置 → 群信息
3. 记录 open_chat_id 或 chat_id（复制到 FEISHU_CHAT_ID）

方法二：通过 API 获取

调用 https://open.feishu.cn/open-apis/im/v1/chats 获取群聊列表

步骤 5：配置事件订阅（可选，用于 Webhook 模式）

如果需要通过飞书事件触发（如群聊中发送命令），请配置事件订阅：

1. 进入应用详情页 →「事件与回调」→「添加事件」
2. 选择「添加事件订阅」
3. 配置请求 URL：
   • URL 格式：https://your-server.com/webhook
   • 使用 ngrok 或类似工具进行本地测试：ngrok http 3000
4. 选择订阅事件：
   • im.message.receive_v1（接收消息事件）
5. 配置加密（可选）：
   • 设置 Verify Token（复制到 FEISHU_VERIFY_TOKEN）
   • 设置 Encrypt Key（复制到 FEISHU_ENCRYPT_KEY）
6. 点击「保存」

步骤 6：将机器人添加到群聊

1. 在应用详情页 →「应用功能」→「机器人」
2. 启用机器人功能
3. 点击「添加到群聊」或搜索应用名称添加到目标群

步骤 7：测试

在群聊中发送 今日文献 或 刷新文献，机器人应该会响应。

使用的飞书 API

本项目使用以下飞书开放平台 API：

| API 名称 | 说明 | 文档链接 | |---------|------|---------| | get_tenant_access_token | 获取租户访问令牌 | https://open.feishu.cn/document/server-docs/authentication-management/access-token/get_tenant_access_token | | create | 发送消息 | https://open.feishu.cn/document/server-docs/im-v1/message/create | | im.message.receive_v1 | 接收消息事件 | https://open.feishu.cn/document/server-docs/im-v1/message/event |

OpenClaw 集成

安装为 OpenClaw 技能

1. 将 skills/paperdaily 目录复制到你的 OpenClaw skills 目录：

cp -r skills/paperdaily /path/to/openclaw/skills/

2. 在 OpenClaw 配置中添加技能

3. 重启 OpenClaw

使用方式

在支持的聊天平台（WhatsApp、Telegram、Discord、Feishu 等）中发送：

• 今日文献 - 获取今日推荐论文（使用缓存）
• 刷新文献 - 强制刷新并获取新的今日论文

项目结构

paperdaily/
├── src/
│   ├── collector/         # 论文收集器（arXiv）
│   ├── ranker/            # 论文评分器
│   ├── generator/         # 内容生成器
│   ├── policy/            # 缓存策略
│   ├── delivery/          # 投递模块（Feishu App Bot）
│   │   ├── feishu-auth.ts          # 飞书认证管理
│   │   ├── feishu-message.ts       # 飞书消息 API
│   │   ├── feishu-event-handler.ts # 事件订阅处理
│   │   └── feishu-delivery.ts     # 飞书投递服务
│   ├── storage/           # 存储模块（SQLite + Bitable 接口）
│   ├── types/             # 类型定义
│   ├── utils/             # 工具函数
│   ├── openclaw/          # OpenClaw 集成
│   ├── index.ts           # 主入口（CLI）
│   └── server.ts          # Webhook 服务器
├── config/                # 默认配置
├── skills/paperdaily/     # OpenClaw 技能
├── data/                  # 数据目录（运行时生成）
├── .env.example           # 环境变量示例
├── package.json
├── tsconfig.json
└── README.md

模块说明

Collector（收集器）

• 从 arXiv API 获取近 7 天的 CS 类论文
• 支持自定义类别过滤
• 解析论文元数据（标题、作者、摘要、链接等）

Ranker（评分器）

• 时间新鲜度 (30%)：越新的论文分数越高
• 关键词匹配 (40%)：标题和摘要中关键词匹配度
• 信息量 (30%)：摘要长度和结构（方法论、结果、创新点）

Generator（生成器）

• 生成格式化的论文推荐内容
• 包含标题、来源、链接、摘要要点
• 自动提取关键词
• 提供"通俗讲解"版本文档

Policy（策略）

• 缓存控制策略
• 同一天内多次请求返回缓存结果
• 支持强制刷新

Delivery（投递）

• 飞书 App Bot 消息推送
• 文本消息格式
• 事件订阅处理（可选）

Storage（存储）

• SQLite 存储（默认）
• Bitable 适配器接口（预留）
• 缓存管理

配置说明

环境变量

| 变量 | 说明 | 默认值 | 必填 | |------|------|--------|------| | FEISHU_APP_ID | 飞书应用 ID | 无 | 是 | | FEISHU_APP_SECRET | 飞书应用 Secret | 无 | 是 | | FEISHU_CHAT_ID | 飞书群聊 ID | 无 | 是 | | FEISHU_VERIFY_TOKEN | 事件订阅验证令牌 | 无 | 否 | | FEISHU_ENCRYPT_KEY | 事件订阅加密密钥 | 无 | 否 | | DEFAULT_TIMEZONE | 默认时区 | Asia/Shanghai | 否 | | KEYWORDS | 论文筛选关键词 | ML/DL/NN/Transformer 等 | 否 | | CACHE_HOURS | 缓存时长（小时） | 24 | 否 |

评分权重

可在 config/default.ts 中调整：

const weights = {
  freshness: 0.3,      // 时间新鲜度权重
  keywords: 0.4,       // 关键词匹配权重
  information: 0.3     // 信息量权重
};

输出示例

📚 每日论文推荐

━━━━━━━━━━━━━━━━━━

Attention Is All You Need

arXiv · 2025年2月25日

🔗 链接: https://arxiv.org/abs/1706.03762

📋 摘要要点

The dominant sequence transduction models are based on complex recurrent or convolutional neural networks... [摘要要点]

👨‍💻 作者
Ashish Vaswani, Noam Shazeer 等

🏷️ 类别
cs.CL, cs.AI, cs.LG

🔑 关键词

Transformer · Attention · Neural Networks

（注：基于论文标题和摘要自动提取）

💡 通俗讲解

【研究领域：Transformer 架构】

这是一篇关于 Attention Is All You Need 的研究论文。

【研究背景】
从摘要来看，这项研究主要关注如何解决当前 Transformer 架构领域中的一个具体问题。

【主要贡献】
论文提出了一种新的方法/框架，试图通过改进现有技术来提升性能。

【应用价值】
该研究对相关领域的研究者和开发者有一定参考价值。

━━━━━━━━━━━━━━━━━━

由 OpenClaw PaperDaily 自动生成

扩展开发

添加新的论文来源

实现 Collector 接口：

export interface Collector {
  collect(config: CollectorConfig): Promise<Paper[]>;
}

添加新的存储后端

实现 StorageAdapter 接口：

export interface StorageAdapter {
  getDailyPaper(date: string): Promise<DailyPaper | null>;
  saveDailyPaper(dailyPaper: DailyPaper): Promise<void>;
  clearCache(date?: string): Promise<void>;
}

添加新的投递渠道

实现 Delivery 接口：

export interface Delivery {
  send(content: string, config: DeliveryConfig): Promise<boolean>;
}

已知限制

1. 论文来源：当前仅支持 arXiv，可扩展其他来源（如 Google Scholar、Semantic Scholar）
2. 定时推送：当前仅支持手动触发，可扩展定时任务

未来计划

• [ ] 添加定时任务（每日自动推送）
• [ ] 支持更多论文来源
• [ ] 支持 Bitable 存储
• [ ] 添加 Web 管理界面
• [ ] 支持自定义评分规则

技术栈

• 运行时：Node.js 18+
• 语言：TypeScript 5+
• 存储：SQLite (better-sqlite3)
• HTTP 客户端：node-fetch
• Web 框架：Express

许可证

MIT License

贡献

欢迎提交 Issue 和 Pull Request！

联系方式

如有问题，请提交 GitHub Issue。