夜雨聆风全网最全的AI科研工具介绍推荐
想认真做 AI 研究，最怕的不是你不够努力，而是工具链太散。
你今天在 arXiv 刷论文，明天在 Google Scholar 追引用，后天又在群里问“这个会什么时候截稿”。真正拖慢 AI 科研进度的，很多时候不是研究本身，而是信息、阅读、实验、写作、投稿这些环节压根没串成一条顺手的链。
我越来越相信，AI 科研效率不是靠某一个“神奇工具”突然翻倍，而是先把整条研究工作流搭起来。你得知道去哪里看前沿趋势，去哪里找 AI 论文，怎么快速判断值不值得读，怎么把实验留下证据，最后怎么把东西写出来、投出去。
这篇我不打算做“工具名称大拼盘”。我更想按真实的 AI 科研链路来梳理。无论你是在校做 AI 相关课题、准备保研考博、刚入组读硕博，还是已经工作但需要持续追踪某个 AI 方向，这一套都值得你挨个试一遍。
先定一条主线
先给我的判断。
深度用熟 8 个核心工具，价值远大于浅尝 50 个“收藏夹工具”。
AI 科研工具不是越多越好。你真正需要的是一条稳定链路：
• 趋势关注：别错过方向变化 • 论文检索：别在找文献这一步卡住 • 阅读管理：别让论文下了就吃灰 • 编码实验：别让实验结果无法复现 • 写作投稿：别把最后 20% 的收尾拖成最大阻塞
如果你现在时间不多，只想先抄一套最低可用配置，我会建议你先装这几个：
• 趋势： irreader+Paper Digest• 检索： dblp+Semantic Scholar• 代码： Papers With Code• 管理： Zotero或Mendeley• 精读： Kimi Chat+CopyTranslator• 写作： Overleaf或VSCode + LaTeX Workshop
先把这套跑顺，再去加别的。
趋势怎么追
做研究最怕“后知后觉”。
尤其是 AI 方向，顶会、实验室主页、个人博客、arXiv 预印本都在同时更新。你如果只靠手动刷网页，迟早会漏掉真正关键的突破。
irreader：把“没有 RSS 的网站”也变成可追踪信号
• 地址： https://irreader.fatecore.com/• 解决什么问题：很多高校实验室主页、研究者个人主页、行业博客根本没有官方 RSS，普通阅读器订不了 • 核心能力：自定义 RSS 生成，直接对目标网页做元素拾取，把更新内容转成专属订阅源 • 适合场景：盯顶会动态页、盯某位老师主页、盯实验室新闻、盯技术博客
我现在主力用的 RSS 阅读器就是它，已经把 Feedly、Inoreader 这类工具替下来了。原因很简单，科研追踪最稀缺的能力不是“读 RSS”，而是“给没有 RSS 的站点造 RSS”。 这一点它做得特别实用。
更关键的是，它对国内用户很友好。大部分功能不需要额外折腾网络环境，拿来就能用。
Paper Digest：把海量 arXiv 更新先压缩成一份可读清单
• 地址： https://www.paperdigest.org/• 解决什么问题： arXiv每天更新太多，人工刷一遍成本很高• 核心能力：按领域邮件推送最新论文，并给每篇配一句 AI 摘要 • 适合场景：每天 10 分钟扫一眼，先决定今天该点开哪几篇
它特别适合做“第一层过滤”。你不需要一上来就把 PDF 全下下来。先看摘要、看标签、看有没有顶会论文的集中整理，再决定往下走。
arXiv-sanity：刷 arXiv 的效率版入口
• 地址： https://arxiv-sanity-lite.com/• 仓库： karpathy/arxiv-sanity-lite• 解决什么问题：原生 arXiv的检索和浏览效率，说实话不高• 核心能力：摘要直接展开、评论、收藏、推荐、个人文献库 • 适合场景：按研究方向日刷新论文，快速判断哪些值得进入精读队列
平时刷 arXiv 更常走这个入口，而不是原站。浏览成本差得很明显。原生 arXiv 更像一个论文仓库，arXiv-sanity 才更像一个研究人员真的会每天打开的工作台。
Semantic Sanity：让推荐系统替你缩小范围
• 地址： https://s2-sanity.apps.allenai.org/• 解决什么问题：研究方向越细，关键词搜索越不够用 • 核心能力：先喂 3 到 5 篇种子论文，再基于你的偏好持续推荐相关预印本 • 适合场景：你已经有初始方向，但还没稳定形成自己的跟踪列表
这个工具特别适合刚进组、刚切方向的时候。你未必知道完整关键词，但你知道“我想看和这几篇像的东西”。那它就有用了。
论文去哪里找
很多人找论文的路径其实过于单一，默认只用 Google Scholar。这当然能用，但不够快，也不够干净。
我的建议是，把论文检索拆成三个任务：找论文本身、追引用关系、找代码实现。不同任务，入口不一样。
dblp：算机论文检索的干净主入口
• 地址： https://dblp.org/• 解决什么问题：你需要按会议、期刊、作者精确找到论文，不想被杂乱结果打断 • 核心能力：覆盖计算机领域主流会议和期刊，支持按会议名、作者、标题、DOI 精确检索 • 适合场景：批量找 CVPR 2025、NeurIPS 2025的论文；查一个作者这些年完整发表记录；定位论文官方 PDF
我找 CS 论文 PDF 的第一站通常就是它。检索结果非常干净，几乎没有多余噪音。尤其是你要批量看某个会议整年的论文列表时，dblp 比 Google Scholar 省事太多。
Google Scholar：引用链路最强，但别拿它当唯一入口
• 地址： https://scholar.google.com/• 解决什么问题：你想知道一篇论文影响力怎样、后续谁在跟、它引用了谁 • 核心能力：被引、参考文献、相关论文、作者关注、关键词提醒 • 适合场景：顺着一篇经典论文向前追祖先，向后追分支
我更愿意把它理解成“引用关系图谱”，而不是“第一搜索框”。dblp 没覆盖到的特殊文献、跨学科结果、被引网络，这时候它就很强。
Semantic Scholar：当关键词已经不够用的时候
• 地址： https://www.semanticscholar.org/• 解决什么问题：你知道自己想找“类似工作”，但你未必知道该输什么词 • 核心能力：语义检索、TLDR、一句话结论、相关视频和代码补充 • 适合场景：快速扫领域代表性工作，找关键词没覆盖到的相关研究
它的 TLDR 很适合做第一轮判断。不是为了替你读论文，而是为了帮你先淘汰一批不值得点开的。
arXiv：前沿论文最原始的水位线
• 地址： https://arxiv.org/• 解决什么问题：正式发表之前，很多重要工作最早就出现在这里 • 核心能力：预印本首发 • 适合场景：追最新方向、追尚未定稿但已经值得关注的工作
如果你做的是变化很快的方向，不看 arXiv 基本等于放弃最早的信号源。
Papers With Code：论文和代码之间最关键的桥
• 地址： https://paperswithcode.com/• 解决什么问题：论文找到了，但官方实现、第三方实现、数据集、指标到底在哪 • 核心能力：论文和 GitHub 仓库、任务榜单、数据集、指标体系的映射 • 适合场景：找可复现实现、看某任务当前 SOTA、比较不同模型成绩
这基本是我找论文代码的首选入口。它最有价值的地方，不只是“给你一个仓库链接”，而是把任务、数据集、指标和实现放到同一条链上。
研究里最浪费时间的事之一，就是拿到一篇论文后，自己去猜它的官方代码到底在哪、评测口径是不是同一套。Papers With Code 在很大程度上把这件事标准化了。
labml Annotated Implementations：看懂经典论文代码的好地方
• 地址： labmlai/annotated_deep_learning_paper_implementations• 配套站点： https://nn.labml.ai/• 解决什么问题：很多论文代码能跑，但并不好读 • 核心能力：经典深度学习论文的 PyTorch 实现 + 逐行注释 • 适合场景：学习 Transformer、GAN、扩散模型、强化学习这类经典结构时，对照原理论文看实现
我对这个仓库的评价是：很适合学习“核心思路怎么落成代码”，但别把它当作完全从零、零依赖的原教旨复现。部分底层逻辑挂在它自家的包里，真要完整复现，你还是得把依赖链补齐。
论文怎么读
下载 PDF 只是开始。真正拉开效率差距的，是你能不能快速判断“这篇该浅读、深读，还是直接跳过”。
SCI-Hub：处理付费论文获取问题
• 地址： https://sci-hub.se/• 解决什么问题：部分论文有付费墙，学校权限也不一定全覆盖 • 核心能力：按标题、DOI、链接获取全文 • 适合场景：补老论文、补非开放获取文献
这类工具的争议和版权边界一直都在，合规问题你得自己判断清楚。如果学校图书馆、机构资源、作者主页已经能拿到，当然优先走正式渠道。
Zotero 和 Mendeley：别把文献管理做成“下载文件夹地狱”
先说结论。
如果你想要开源、插件多、可定制，选 Zotero。如果你想少折腾、跨端同步稳、直接上手，选 Mendeley。
Mendeley
• 地址： https://www.mendeley.com/• 适合谁：想快速建立稳定文献库的新手 • 核心能力：PDF 阅读、批注、高亮、多端同步、参考文献格式导出
我自己目前更常用的是它。原因不复杂，就是同步稳定，批注体验顺手，门槛低。你不需要在一开始就把文献管理玩成一套复杂系统，先保证资料不乱、标注能回来找，就够了。
Zotero
• 地址： https://www.zotero.org/• 适合谁：文献很多、需要插件、需要高度可定制的进阶用户 • 核心能力：浏览器一键抓题录、PDF 收录、插件生态丰富、适合和网盘同步联动
如果你已经开始追求“一个库里放所有文献、笔记、标签、批注、引用格式联动”，Zotero 的上限更高。
Kimi Chat：长文精读阶段非常省时间
• 地址： https://kimi.moonshot.cn/• 解决什么问题：长论文、长报告、长专著，光靠人工一次读完太慢 • 核心能力：上传整篇 PDF 做长上下文问答、总结方法、拆解实验设计、辅助回复审稿意见 • 适合场景：精读论文前先做结构理解；看方法部分、实验部分时定向追问
我现在做论文精读时很常配它一起用。它最大的价值不是“替我读”，而是把我原本来回翻 PDF 的动作，变成按问题驱动的精读过程。
比如我会直接问它：
• 这篇的核心贡献和上一代方法到底差在哪 • 实验里哪个消融最关键 • 如果我只复现最小闭环，需要保留哪些模块
这几个问题一问，读论文的路径就清晰很多。
Cool Papers：把刷论文和提问连起来
• 地址： https://papers.cool/• 仓库： bojone/cool-papers• 解决什么问题：你想边刷 arXiv边做 AI 问答，不想在多个工具间来回切• 核心能力： arXiv浏览 + AI 交互问答• 适合场景：先判断论文值不值得精读，再决定是否下载 PDF
CopyTranslator：桌面端读英文 PDF 的顺手工具
• 地址： CopyTranslator• 解决什么问题：读英文 PDF 时，复制一段、切翻译器、再切回来，这个切换特别伤节奏 • 核心能力：监听剪贴板、置顶窗口、断行修复、多翻译引擎 • 适合场景：桌面端精读英文论文、技术报告、专利
这是我桌面端翻译工具里用得最顺的一类。复制即翻译、自动修 PDF 断行，这两个点非常实用。读英文文献时，真正影响效率的往往不是翻译质量本身，而是你有没有被打断。
Saladict：浏览器环境里的划词翻译主力
• 地址： https://saladict.crimx.com/• 解决什么问题：在线看论文、看网页资料时，需要更灵活的划词翻译和词典组合 • 核心能力：划词翻译、全文翻译、PDF 划词、词典组合、自定义触发方式 • 适合场景：浏览器里看论文网页、博客、文档、在线 PDF
我在浏览器里更常用它。配置起来比纯翻译插件灵活得多，尤其适合长期阅读英文资料的人。
语雀和 Notion：笔记别追求一步到位，先追求能回看
语雀
• 地址： https://www.yuque.com/• 适合场景：轻量记录论文笔记、实验想法、阅读清单
Notion
• 地址： https://www.notion.so/• 适合场景：做结构化知识库、管理课题进度、多人协作
这两个我更建议按使用习惯选，不用争“谁更高级”。如果你只是要把阅读笔记沉淀下来，轻一点反而更容易坚持。
代码和实验
论文能读懂，只是第一步。研究里第二个大坑，是实验链路不规范，最后自己都复现不了自己。
pytorch-lightning：把样板代码从主干逻辑里剥出去
• 地址： https://lightning.ai/docs/pytorch/stable/• 仓库： Lightning-AI/pytorch-lightning• 解决什么问题：训练、验证、日志、保存、分布式这些通用逻辑反复写，既耗时也容易乱 • 核心能力：训练流程标准化、分布式支持、日志与 checkpoint 统一管理 • 适合场景：中大型 PyTorch 项目、需要多人协作或长周期维护的实验
我对它的体感很明确：功能确实强，样板代码能少很多，但学习曲线也确实不低。新手别一上来就全套吃下去，先从最基础的训练模板开始，不然容易把问题从“代码太乱”变成“框架抽象看不懂”。
the-incredible-pytorch：PyTorch 生态导航图
• 地址： ritchieng/the-incredible-pytorch• 解决什么问题：PyTorch 生态太大，不知道该从哪里找教程、库、项目 • 核心能力：按主题聚合教程、项目、论文、视频、库 • 适合场景：切新方向时快速建一份资源地图
computervision-recipes：做 CV 项目时的高质量参考仓库
• 地址： microsoft/computervision-recipes• 解决什么问题：CV 任务很多，但高质量、成体系的参考实现并不多 • 核心能力：图像分类、检测、分割、多模态等任务的教程与最佳实践 • 适合场景：CV 方向快速启动 baseline、查工程组织方式
torchtracer：实验过程别只存一个“最终模型”
• 地址： neopython/torchtracer• 解决什么问题：实验多起来之后，超参数、日志、checkpoint、指标全散了 • 核心能力：记录实验配置、训练曲线、指标、结果回溯 • 适合场景：一个课题有多轮对比实验，需要之后回看“当时到底怎么跑的”
pytorch-styleguide 和项目模板：先把骨架搭对
• 风格指南： IgorSusmelj/pytorch-styleguide• 模板 1： moemen95/Pytorch-Project-Template• 模板 2： victoresque/pytorch-template
这些工具的价值不在“替你写模型”，而在于替你少踩项目结构的坑。尤其是实验刚开始的时候，目录怎么分、配置怎么管、训练和评估怎么拆，影响后面几个月的幸福程度。
torchinfo 和 FLOPs 工具：先把模型体量看清楚
torchinfo
• 地址： TylerYep/torchinfo• 解决什么问题：原生 print(model)信息太少• 核心能力：输出每层参数量、输出形状、内存占用、可训练参数
flops-counter.pytorch
• 地址： sovrasov/flops-counter.pytorch• 解决什么问题：不知道模型真实计算量多大 • 核心能力：统计整体 FLOPs 和逐层占比
我用它时的感受是，拿来评估 CNN 类模型很方便，但别指望它把所有结构都照顾到，像 RNN 相关层支持就不完整，可读性也比较一般。够用，但没到优雅。
TensorBoard、Visdom、Convolution Visualizer：把结构和训练过程看见
• TensorBoard： https://pytorch.org/docs/stable/tensorboard.html• Visdom： fossasia/visdom• Convolution Visualizer： https://ezyang.github.io/convolution-visualizer/
TensorBoard 还是最稳的基础设施，loss、指标、特征图、结构图基本够用。Convolution Visualizer 这种小工具则特别适合排查卷积层参数，尤其是你网络里空洞卷积、步长、padding 比较绕的时候，手算很容易出错。
fitlog：实验记录的另一种路线
• 地址： fastnlp/fitlog• 解决什么问题：需要一个框架无关的实验记录系统 • 核心能力：记录超参数、日志、指标、代码版本，支持 Web 可视化
如果你更在意“跨项目、跨框架统一管理实验记录”，可以关注它。
数据和调参
方向定了，代码搭了，接下来常见的卡点就两个：数据集去哪找，超参数怎么调。
Google Dataset Search 和 Bifrost：先把公开数据集地图打开
Google Dataset Search
• 地址： https://datasetsearch.research.google.com/• 适合场景：跨学科、跨模态搜公开数据集
Bifrost Data Search
• 地址： https://dataset.bifrost.ai/• 适合场景：计算机视觉任务找数据集，按任务类型筛选
如果你做的是 CV，后者更垂直；如果你做的是更泛的数据问题，前者覆盖面更广。
gdown：下载大文件别再靠浏览器赌运气
• 地址： wkentaro/gdown• 解决什么问题：Google Drive 上的大型数据集、权重文件经常下载失败，或者断了就得重来 • 核心能力：命令行下载、断点续传、文件夹下载 • 适合场景：拉公开数据集、拉 checkpoint、拉补充材料
这类工具看起来不起眼，但你真开始跑实验就知道，能稳定把数据拉下来，本身就是科研基础设施的一部分。
Featuretools：结构化数据的自动特征工程
• 地址： https://featuretools.alteryx.com/en/stable/• 解决什么问题：手工做特征工程很慢，尤其是关系型和时序型数据 • 核心能力：自动生成聚合特征、时间特征、关系特征 • 适合场景：结构化数据建模、传统机器学习基线
Optuna：超参数优化里的高性价比选手
• 地址： https://optuna.org/• 仓库： optuna/optuna• 解决什么问题：网格搜索和随机搜索都太笨 • 核心能力：贝叶斯优化、并行优化、早停、可视化分析 • 适合场景：已有基础训练脚本，想以较低侵入成本接入自动调参
如果你问我“超参优化从哪个工具开始学”，我一般会先说它。接入成本不高，收益又足够明显。
NNI、Hyperopt、BoTorch、Auto-PyTorch：更进阶的自动化路线
• NNI： microsoft/nni• Hyperopt： hyperopt/hyperopt• BoTorch： https://botorch.org/• Auto-PyTorch： automl/Auto-PyTorch
这一组更适合已经有明确自动化需求的人。比如分布式调参、架构搜索、自动建基线，这些场景它们的优势会更明显。
论文怎么写
研究做到最后，论文写不出来，前面一半努力都会被稀释。
很多人把“写论文”理解成“会写英文”。其实不够。你需要同时处理模板、协作、语言、公式、表格、图片这几条链。
Overleaf：多人写论文时基本还是第一选择
• 地址： https://www.overleaf.com/• 模板库： https://www.overleaf.com/templates• 解决什么问题：本地 LaTeX 环境复杂、协作混乱、模板老出格式问题 • 核心能力：在线编辑、自动编译、多人协作、版本回溯、模板库 • 适合场景：团队联合写论文、快速套顶会模板
这基本还是我绝大多数时候的首选编辑器。尤其是多人协作，体验确实省心。唯一现实问题是网络环境，你如果处在不稳定链路里，体验会明显打折。
VSCode + LaTeX Workshop：单人长线写作更稳
• 工具组合： VSCode+LaTeX Workshop• 解决什么问题：你想离线写、自己掌控环境，不想依赖在线服务 • 适合场景：单人长周期论文、学位论文、本地 Git 管理
这套更像“工程化写作环境”。对单人项目尤其合适。
语言表达：Linggle、COCA、BNC、Thesaurus、ESODA、Words and Phrases
• Linggle： https://linggle.com/• COCA： https://corpus.byu.edu/coca/• BNC： https://corpus.byu.edu/bnc/• Thesaurus： https://www.thesaurus.com/• ESODA： https://www.esoda.org/• Words and Phrases： https://www.wordandphrase.info/
这一组不是让你“写得像母语者炫技”，而是帮你解决一个很实际的问题：你脑子里的中文意思是对的，但英文搭配不自然。
Linggle 和语料库工具特别适合查“这个说法学术论文里到底常不常用”。这比盲目让 AI 改写更稳，因为你看到的是真实语料。
Academic Phrasebank：不知道怎么起句时，直接查模板
• 地址： https://www.phrasebank.manchester.ac.uk/• 解决什么问题：引言、方法、结果、讨论这些段落，不知道学术表达怎么起笔 • 核心能力：按章节提供标准学术句式 • 适合场景：英文写作刚起步，或者某个章节总写得别扭
Grammarly 和 Nounplus：语法检查，但要有边界感
• Grammarly： https://www.grammarly.com/• Nounplus： https://www.nounplus.net/
这类工具能帮你改语法、标点、句型，但别把未发表核心内容一股脑丢进在线系统里。敏感稿件、匿名审稿阶段的内容，数据边界要自己守住。
公式和表格：Mathpix、MyScript、Detexify、Excel2LaTeX
• Mathpix： https://mathpix.com/• MyScript Webdemo： https://webdemo.myscript.com/• Detexify： https://detexify.kirelabs.org/classify.html• Excel2LaTeX： https://ctan.org/pkg/excel2latex
这几个都属于“省琐碎体力”的工具。公式截图转 LaTeX、手写符号识别、Excel 表格转 LaTeX，本质上都是把低价值重复劳动压掉。
配图和示意图：PPT、OmniGraffle、PlotNeuralNet 这条线最实用
• OmniGraffle： https://www.omnigroup.com/omnigraffle• PlotNeuralNet： HarisIqbal88/PlotNeuralNet• Paper-Picture-Writing-Code： MachineLP/Paper-Picture-Writing-Code• academic-drawing： MLNLP-World/academic-drawing• awesome-latex-drawing： xinychen/awesome-latex-drawing• IguanaTex： https://www.jonathanleroux.org/software/iguanatex/
如果你问我学术示意图最顺手的工具是什么，我反而会说 PPT。不是因为它最专业，而是因为上手成本低、自由度高、导出也够用。很多人一开始就冲复杂绘图软件，结果图没画出来，时间先烧没了。
科研写作真正该优化的，不是“工具看起来多专业”，而是“你能不能稳定把图、公式、表格高质量产出来”。
投稿和开源
论文不是写完就结束。最后这一步，最容易因为细节翻车。
ccf-deadlines、AI Deadlines、会伴：别错过截稿时间
• ccf-deadlines： https://ccfddl.github.io/• 仓库： ccfddl/ccf-deadlines• AI Deadlines： https://aideadlin.es/• Conference List： https://conferencelist.info/• 会伴： https://www.myhuiban.com/
国内做计算机研究，ccf-deadlines 真的很实用。按方向、按等级筛会议，看起来非常直接。你如果本来就有投会计划，最好把这一类网站和自己的日历绑起来，而不是靠脑子记。
盲审匿名分享：Dropbox、OSF、Figshare
• Dropbox： https://www.dropbox.com/• Open Science Framework： https://osf.io/• Figshare： https://figshare.com/
盲审阶段如果需要匿名分享代码、补充材料、数据，不建议临时为了某篇论文新建一堆奇怪账号。用成熟平台做匿名链接更省心，也更接近学术流程规范。
arXiv 提交：先清理，再上传
• 流程指南： https://zhuanlan.zhihu.com/p/405036265• 清理工具： google-research/arxiv-latex-cleaner• Overleaf 提交教程： https://zhuanlan.zhihu.com/p/506558001
很多人第一次投 arXiv，卡的不是论文内容，而是源码包结构、冗余文件、图片大小这些杂事。arxiv-latex-cleaner 很值，它不是炫技工具，就是一个能替你少踩坑的清理工。
代码开源：ReproducibilityChecklist 和 pigar
• Reproducibility Checklist： PapersWithCode/ReproducibilityChecklist• pigar： damnever/pigar
开源代码最怕两件事：环境配不起来，说明文档写不明白。
前者可以用 pigar 扫依赖，后者可以先照着可复现性清单补文件。你别小看这一步，很多论文代码不是方法不行，而是别人根本没法顺利跑起来。
还有几类小工具
这一类不一定每天都用，但碰到特定场景时很顶。
Google Patents：查技术专利
• 地址： https://patents.google.com/• 适合场景：做产业相关研究、查技术路线、看专利引用链
番茄・人生、Rainyscope、LofiGirl：给深度工作留一个环境
• Rainyscope： https://rainyscope.com/• LofiGirl： https://www.youtube.com/c/LofiGirl
这类工具当然不会直接提升你的模型指标，但它们会影响你能不能把两小时完整留给读论文、写代码、写论文。研究很多时候拼的不是某一个晚上爆发，而是你有没有稳定进入深度工作的条件。
最后给你一套抄作业版
如果你今天就想把自己的 AI 科研工具箱搭起来，我建议按这个顺序：
1. 用 irreader或Paper Digest建趋势输入源2. 用 dblp、Google Scholar、Semantic Scholar建论文检索路径3. 用 Papers With Code和代码仓库补复现入口4. 用 Mendeley或Zotero建文献库5. 用 Kimi Chat、CopyTranslator、Saladict提高精读效率6. 用 pytorch-lightning、TensorBoard、Optuna把实验链路搭稳7. 用 Overleaf、Mathpix、Academic Phrasebank把写作链路补齐8. 用 ccf-deadlines、arxiv-latex-cleaner、pigar处理投稿和开源收尾
你不需要一周之内把所有工具都学完。
但你最好尽快把自己的 AI 研究流程，从“靠搜索和记忆临时拼装”，升级成“一条能重复跑通的固定链路”。
真正能拉开差距的，从来不是你收藏了多少工具，而是你有没有把工具变成方法，把方法变成习惯。
如果你现在还没开始搭，我建议先从最朴素的一步做起：今天晚上就把论文追踪、文献管理、精读辅助这三件事先串起来。后面的复利，会比你想得更大。
