PaperRead README

The project's README from github.com/YuriyLin/PaperRead. As one markdown file: README.md.

PaperRead

PaperRead

從研究探索到論文精讀的個人研究工作區
以繁體中文介面閱讀論文、整理候選清單、規劃閱讀路徑,並保留可回到原文核對的研究脈絡。

下載 PaperRead · 回報問題 · English

支援平台:Windows x64、macOS arm64、Linux x64 MIT License

PaperRead 是以 EasyRead 為基礎整理的個人研究工具。它保留原有的 PDF 排版、雙語閱讀、原文定位、批註與 AI 對話能力,再加入研究探索和閱讀規劃流程,讓「找到論文」與「真正讀懂論文」接在同一個工作區裡。

這個版本和上游 EasyRead 的差異

面向 PaperRead 的調整
介面語言 預設使用 zh-TW,介面用語根據臺灣語境做調整,例如「設定、匯入、匯出、儲存、資料夾、候選清單」。英文技術名詞與論文術語保留原文。
品牌與桌面程式 使用 PaperRead 名稱、新版標誌及 YuriyLin 發行者中繼資料;安裝檔為 PaperRead-Setup-x.x.x.exe。
論文閱讀 延續原文/譯文對照、公式、PDF 頁面定位、螢光筆、筆記、問 AI、模型切換和 token 使用量記錄。
研究流程 新增「研究探索、閱讀看板、候選清單、已整理摘要、閱讀路徑」工作區。
研究視覺化 可根據目前論文內容產生繁體中文 Mermaid 心智圖,協助理解研究問題、方法、發現、貢獻與限制。
智慧標註 可依全文、章節或研究目的產生 AI 標註建議;接受前先逐筆審閱,不會覆蓋手動標註。
影像與表格 論文圖片和表格保留版面佔位,直接回到原 PDF 查看;不把裁切結果硬塞進譯文排版。
資料相容性 使用者資料遷移至 PaperRead 資料夾;Python package、CLI、舊資料格式與 easyread:// 連結協定仍保留相容層。

主要工作流程

研究探索
    ↓
加入候選清單
    ↓
查看候選論文與背景摘要
    ↓
選擇要整理的論文
    ↓
產生/查看/匯出摘要
    ↓
加入閱讀看板並拖曳調整順序
    ↓
建立閱讀路徑與論文心智圖
    ↓
開啟 PDF 精讀、核對原文、批註與問 AI

這些狀態彼此分開:搜尋結果不等於候選論文,候選論文不等於已整理摘要,也不會因為加入候選就自動加入閱讀看板。

研究探索

研究探索是 PaperRead 的研究入口,提供兩種搜尋方式:

主題搜尋

輸入研究概念或問題,例如:

PaperRead 會先取得可用的公開書目資料,再顯示標題、作者、年份、摘要、來源、DOI、引用資訊和 PDF 可用性。搜尋結果會標示資料來源,缺少的欄位顯示「未提供」,不把缺漏資料當成零。

會議/期刊搜尋

可一次輸入一個或多個出版來源,例如:

CVPR
ICCV ECCV CVPR
MICCAI

PaperRead 會依來源拆分查詢,支援常見的學術會議與期刊。結果會保留出版來源、DOI 和可查證連結,並區分正式出版資料與預印本;搜尋結果中的會議名稱不會被直接當成正式發表證明。

目前探索資料主要使用 OpenAlex,會議/期刊書目查詢也可使用 DBLP 與 Crossref 補充。服務限流或網路中斷時會保留既有結果並提供重試,不會把「服務失敗」誤顯示成「沒有論文」。

每張論文卡片只保留研究探索階段需要的操作:

閱讀看板

閱讀看板是研究探索頁面的主要工作區。論文可以拖曳到不同狀態欄位,狀態由使用者決定,不會因為開啟 PDF 或讀到最後一頁而自動改變。

預設狀態包含:

閱讀進度百分比獨立顯示,只代表閱讀位置,不代表已經理解或完成筆記。看板支援分類、PDF 可用性、感興趣標記與手動優先順序篩選;首頁、閱讀器研究面板和看板的星標會同步。

加入閱讀看板時,分類使用可複選的分類卡片,不需要使用鍵盤搭配下拉選單。一次可以將論文放入多個研究方向;沒有分類時也可以先加入看板,之後再整理。

候選清單

候選清單用來保存「值得之後研究」的論文。它會跨頁面保留,與閱讀看板及已整理摘要分開管理。

加入候選後,PaperRead 會在背景批次整理來源摘要。一次加入多篇時會排入佇列,避免同時發送大量請求。你仍然可以自行決定:

  1. 查看候選論文。
  2. 移除不再需要的論文。
  3. 對個別論文重新整理摘要。
  4. 查看 Markdown 摘要。
  5. 使用「匯出摘要」保存檔案。
  6. 將選定論文加入閱讀看板。

候選論文不會自動變成已讀,也不會自動覆蓋你的正式筆記。

已整理摘要

已整理摘要會獨立保存,即使論文之後移出候選清單,摘要仍可保留。摘要內容以 Markdown 儲存並使用與筆記一致的安全渲染方式,支援:

主要操作順序是:

查看摘要 → 重新整理摘要 → 匯出摘要 → 移到回收站

摘要由模型根據實際取得的論文資料產生;缺少的來源資訊會標示「未提供」,不捏造研究結果或出版資訊。

閱讀路徑

閱讀路徑可以從研究主題或指定論文開始。例如:

主題:Long Video Understanding
研究目標:先建立基礎,再理解主流方法並尋找研究方向

PaperRead 會依目前可取得的論文資料,將推薦結果整理成有順序的路徑。每篇論文會附上:

AI 只能重組已查詢到的論文資料,不能自行新增不存在的論文。資料不足時會明確說明,基礎搜尋與看板功能也不會因 AI 不可用而停止。

論文心智圖

在論文閱讀頁的「研究脈絡」區塊,可以要求 PaperRead 根據目前論文生成繁體中文 Mermaid 心智圖。心智圖優先呈現研究邏輯,而不是單純複製論文章節:

論文標題
├── 研究問題
├── 理論框架
├── 方法設計
│   ├── 輸入與輸出
│   ├── 核心模組
│   └── 實驗設定
├── 核心發現
├── 研究貢獻
└── 研究限制

節點會盡量保持簡短,內容只使用目前論文提供的文字、公式和數據。生成中的狀態會顯示載入動畫,失敗時可以重試;生成後可在閱讀頁查看,也能透過筆記匯出流程一併匯出。

論文閱讀與 AI

PaperRead 的 Human Reading Interface 仍以原文核對為中心:

智慧標註

閱讀器的「筆記」面板提供「智慧標註」,用來找出值得回看的研究內容。分析前可以選擇:

每筆建議都會顯示原文定位、頁碼、顏色、標註類型、AI 註記與標註原因。使用者可以逐筆接受、修改或拒絕,也可以批次接受已確認能定位的項目。未能可靠定位的內容會保留在待確認清單,不會直接套用到正文。

顏色有固定語意:黃色表示核心概念與主要主張,綠色表示方法與實作細節,藍色表示實驗證據與量化結果,紅色表示限制、失敗案例與待研究問題。接受後會沿用既有螢光筆或底線標註系統,不會覆蓋手動建立的標註。

AI 分析同時參考穩定的英文原文與目前的繁體中文譯文,正式標註優先落在中文譯文上。論文重新翻譯後,PaperRead 會重新檢查定位;無法確認的新位置會要求重新分析或人工修改,不會猜測座標。

匯出筆記時勾選「每條附上原文引用」,引文與注記會分開呈現:中文譯文放在 Markdown 引用區塊,使用者說明標示為「我的注記」,問題則標示為「我的問題」。

模型選擇

可在設定中選擇主流 API 或本地模型:

類型 例子
雲端 API OpenAI、Anthropic、Google Gemini、DeepSeek、智譜 GLM、阿里雲百煉、Kimi、OpenRouter、Groq、Cerebras
本地模型 Ollama、LM Studio
自訂介面 OpenAI-compatible Chat Completions 或 Responses endpoint

Ollama 使用本機 API,例如 http://127.0.0.1:11434。啟用 thinking 的模型會依模型支援的參數傳遞;只有支援布林值的模型會使用 think: true/false,不會強行送出不相容的 low/high 層級。

安裝與執行

Windows 安裝檔

從 PaperRead Releases 下載 PaperRead-Setup-x.x.x.exe。安裝程式會包含 Electron 桌面程式與打包好的 Python 後端,不需要另外安裝 Python 或 Node.js。

目前 Windows 安裝檔尚未使用程式碼簽署憑證,因此 Windows 可能顯示未驗證發行者提示。這不影響程式功能,但不等同於「已驗證的發行者」。

Linux AppImage

從 PaperRead Releases 下載 PaperRead-x.x.x.AppImage。Linux AppImage 會包含 Electron 桌面程式與打包好的 Python 後端;下載後加入執行權限即可:

chmod +x PaperRead-*.AppImage
./PaperRead-*.AppImage

目前正式 Release 提供 Linux x64 AppImage。

macOS 安裝檔

目前正式 Release 提供 Apple Silicon(arm64)DMG:從 PaperRead Releases 下載 PaperRead-x.x.x-arm64.dmg,開啟後將 PaperRead 拖曳至 Applications。Intel Mac 請使用 Docker 瀏覽器版,或自行從原始碼建置相容架構。

Docker 瀏覽器版

Docker 版本適合 Linux、macOS 或 Windows 上沒有原生桌面安裝需求的情境。它啟動 PaperRead 網頁服務,論文庫與設定持久保存於 Docker volume:

git clone https://github.com/YuriyLin/PaperRead.git
cd PaperRead
docker compose up -d

接著開啟 http://localhost:8765。停止服務但保留資料可使用 docker compose down;重新啟動仍會使用同一個 paperread-data volume。

若 Ollama 執行在主機上,Docker Compose 已提供 host.docker.internal 對應,可在 PaperRead 設定中使用 http://host.docker.internal:11434/v1。不要把 PaperRead port 直接暴露到公網;若要給其他裝置使用,請另外設定防火牆與登入驗證的反向代理。

每個版本也會發布預建的 GitHub Container Registry 映像,不必在本機編譯:

docker pull ghcr.io/yuriylin/paperread:v1.4.7
docker run -d --name paperread --restart unless-stopped -p 8765:8765 -v paperread-data:/data/PaperRead ghcr.io/yuriylin/paperread:v1.4.7

接著開啟 http://localhost:8765。paperread-data volume 會保留論文庫與設定。

從原始碼執行

需要 Python 3.10+、Node.js 22+ 和 PyInstaller:

git clone https://github.com/YuriyLin/PaperRead.git
cd PaperRead
python -m pip install -e .
python -m pip install pyinstaller
npm install

啟動本機服務:

python -m easyread serve

啟動 Electron 桌面版:

npm run dev

建立安裝檔:

npm run dist

輸出位於 dist/electron/。在 Windows 會產生 NSIS 安裝檔,在 macOS(Apple Silicon)會產生 DMG,在 Linux 會產生 AppImage。Docker 瀏覽器版則不需要 Electron 或 Node.js。

資料位置與相容性

安裝版預設將論文庫與設定放在:

Windows: C:\Users\<使用者名稱>\PaperRead
macOS: `~/PaperRead`
Linux Docker: Docker volume `paperread-data` 內的 `/data/PaperRead`

舊版 EasyRead 資料會在首次啟動時嘗試遷移;若遷移失敗,程式會保留原資料並以相容方式讀取。為了避免破壞既有腳本與使用者資料,程式內部仍保留 easyread 的 Python module、CLI、環境變數和舊連結協定名稱。

開發與測試

前端使用原生 HTML、CSS、JavaScript,沒有額外的前端 build step;後端使用 Python。修改 easyread/web/ 後重新整理頁面即可查看變更。

python -m unittest discover tests
node --test tests/test_*.cjs
python scripts/i18n_check.py

研究探索、繁中介面與資料格式說明:

授權

MIT License。公式渲染使用 KaTeX,同樣採 MIT License。

PaperRead 是個人研究工具 fork;上游 EasyRead 的資料格式與相容性設計仍保留,詳細來源與貢獻者請參考 Git 歷史紀錄。

PaperRead (YuriyLin/PaperRead)

katex
Searching Database…

What is this?PaperRead is a personal Traditional Chinese research workspace for discovering papers, managing a candidate list, and planning reading paths. It's a fork of EasyRead that keeps dual-language reading, PDF layout, annotations and AI chat while adding research exploration and reading-planning tools on top.
Is this a desktop app or does it run in a browser?It's mainly an Electron desktop app with a bundled Python backend (installers for Windows, macOS and Linux), but there's also a Docker-based browser version that runs PaperRead as a web service with data persisted in a Docker volume.
How do I install and run PaperRead?Download the prebuilt installer for your OS from the Releases page (e.g. PaperRead-Setup-x.x.x.exe for Windows, the AppImage for Linux, or the arm64 DMG for macOS), use the provided Docker Compose setup for the browser version, or build from source with Python 3.10+ and Node.js 22+.
Do I need an AI API key to use it?AI-powered features like chat, summaries, smart annotation and mind maps need either a cloud API key (OpenAI, Anthropic, Google Gemini, DeepSeek, GLM, Kimi, OpenRouter, Groq, Cerebras, etc.) or a local model via Ollama/LM Studio, but basic search and the reading board keep working without AI.
Any install pitfalls to watch out for?The Windows installer isn't code-signed yet, so Windows may flag it as an unverified publisher (functionality isn't affected); the macOS build only covers Apple Silicon, so Intel Macs need the Docker version or a from-source build; and Linux releases only ship an x64 AppImage.
Where does my paper library and notes get stored?The paper library and settings are stored locally on your machine for the desktop builds, or in a dedicated Docker volume for the browser version, and legacy EasyRead data is migrated automatically on first launch.
What's the difference between the candidate list, the reading board, and organized summaries?They're kept as separate states: the candidate list holds papers worth exploring later, the reading board tracks actual reading status (to-read/reading/to-organize/done), and organized summaries are saved permanently even after a paper leaves the candidate list.
Can it generate a reading path for a new research topic?Yes — starting from a topic or a specific paper, PaperRead orders the papers it actually retrieved into a sequence, labeling each one's role (foundational, method, representative, extension, frontier) and why it's recommended.
What is the Mermaid mind map feature?On the paper reading page you can generate a Traditional Chinese Mermaid mind map that visualizes the paper's research logic (question, method, findings, contributions, limitations), built only from text and data present in that specific paper.
What AI models can I use, cloud or local?You can connect cloud APIs like OpenAI, Anthropic, Google Gemini, DeepSeek, GLM, Kimi, OpenRouter, Groq and Cerebras, or run local models through Ollama or LM Studio, including custom OpenAI-compatible endpoints.
Creator
YuriyLin
Size
17.5 MB
Stars
291
Age
9d
Commits · 90 Days