使用指南

先在已确认的远程环境安装项目，使用 paper-atlas。从源码运行时，将命令前缀替换为 python3 -B -m paper_atlas，其余参数相同。数据目录位于仓库外。

PostgreSQL 查询

在远程环境安装 .[postgres]，通过权限为 0600 的 libpq service 文件连接，不把密码放入 URL、命令行或仓库。

export PGSERVICEFILE=/etc/paper-atlas/pg_service.conf
paper-atlas query --pg-service foundry-research --stats
paper-atlas query --pg-service foundry-research --query '"language model"' --tag arxiv:category=cs.CL
paper-atlas query --pg-service foundry-research --status rejected --outcome accepted --limit 20
paper-atlas query --pg-service foundry-research --paper 123

使用只读一致性事务，支持论文 ID、会议别名、年份、轨道、标签、最新决定和跨会议录用筛选。全文检索使用 PostgreSQL websearch_to_tsquery('english', ...)，支持引号短语、OR 和减号排除；与 SQLite FTS5 的语法及分词结果不完全相同。JSON 来源列保留原始文本；转成 jsonb 前须确认原始值符合该类型的限制。

CLI 自动还原迁移中的 NUL/SOH 文本转义，详情中的来源摘要和筛选参数保留原字符。直接 SQL 读取可能看到 U+0001 转义序列；跨项目 ETL 应按迁移元数据中的 text_codec 使用 paper_atlas.postgres.text.encode/decode。存储格式和无损哈希验收见运行维护。

迁移与切换见运行维护。下述 SQLite 导入命令仅用于未切换的索引或独立样本；切换后的生产源拒绝旧写入。尚未适配的覆盖审计可只读检查冻结备份，不能当作 PostgreSQL 当前状态。

1. 下载固定快照

paper-atlas download --help 说明大小、校验和与续传参数。各来源的固定版本与具体命令见数据源说明。下载成功只表示原始文件已核验。

2. 采集并核对清单

paper-atlas collect pmlr --cache /data/paper-index/raw/http-cache --out /data/paper-index/collected
paper-atlas collect cvf --cache /data/paper-index/raw/http-cache --out /data/paper-index/collected
paper-atlas collect ecva --cache /data/paper-index/raw/http-cache --out /data/paper-index/collected
paper-atlas catalogue dblp --help
paper-atlas audit iclr --help
paper-atlas collect public-openreview --help
paper-atlas collect icml-public-archive --help
paper-atlas audit public-openreview --help

采集输出 JSONL、manifest 和逐卷或逐年 catalogue。逐项检查 blocked、partial、缺失摘要及目标会议归属。DBLP 候选目录还需核验届次和 track，不能直接当作主会录用名单。

其他会议的公开拒稿使用 collect public-openreview，再以 audit public-openreview 核对既有投稿身份和决定冲突。来源版本、逐文件状态盘点和未解决记录分别保存在 inventory 与 held 清单中，具体命令见数据源说明。这类公开子集不能当作会议完整投稿名单。

3. 串行导入

首次 arXiv 导入使用 paper-atlas import arxiv --db ... --archive ...。现有数据库合并已核验的会议文件使用：

paper-atlas maintain merge --db /data/paper-index/papers.sqlite \
  --archive /data/paper-index/raw/arxiv-metadata.zip \
  /data/paper-index/collected/selected-file.jsonl

上例的 selected-file 须换成实际通过核验的文件。协调器会维护本项目的 arXiv 断点、序列化写入并检查外键；已完成的 arXiv 批次不会重启。持久批次应作为一次性 systemd 任务运行，详见运行维护。

4. 查询与分析前检查

paper-atlas query --db /data/paper-index/papers.sqlite --query '"language model"' --limit 20
paper-atlas query --db /data/paper-index/papers.sqlite --tag arxiv:category=cs.AI
paper-atlas query --db /data/paper-index/papers.sqlite --venue ICLR --year 2025 --status rejected
paper-atlas query --db /data/paper-index/papers.sqlite --paper 123
paper-atlas coverage --db /data/paper-index/papers.sqlite --out /data/paper-index/collected/coverage.json

--status rejected 筛选某次投稿的最新已知决定。它并不表示论文在所有会议均未录用；分析转投情况时查看该论文的完整投稿历史。年份表示会议届次，观察时间和决定日期分别保留。

例如，查找在 ICLR 有拒稿记录、但在其他已知投稿中已有录用的论文：

paper-atlas query --db /data/paper-index/papers.sqlite \\
  --venue ICLR --status rejected --outcome accepted

known_acceptances 列出目前仍为录用状态的各次投稿及会议、年份、track 和决定证据，publication_outcome 汇总为 accepted 或 no_known_acceptance。汇总会检查所有会议和 track，不把某次拒稿覆盖到整篇论文；同一次投稿的后续撤稿也会更新该次状态并保留原决定。no_known_acceptance 只表示现有来源中没有查到录用，不能称为“从未录用”。

--stats 中 papers 是当前规则下的论文实体数；source_records 是来源记录数；decisions 是决定观察数。一个投稿可能有多个来源和多条观察，不能相加当作论文数。

5.2 KiB Raw Blame History