创建对话完成请求（兼容 chat/completions 接口）

对文本进行预处理，包括小写转换、分词、去停用词、词干提取和词形还原 Args: text: 原始文本 Returns: str: 预处理后的文本

对文本进行预处理，包括小写转换、分词、去停用词、词干提取和词形还原 Args: text: 原始文本 Returns: str: 预处理后的文本

在确定主类别后，进一步确定子类别 Args: title: 论文标题 abstract: 论文摘要 main_category: 主类别 main_score: 主类别得分 Retu

清理并提取JSON字符串

配置并返回日志记录器 Args: name: 记录器名称 level: 日志级别 log_dir: 日志文件目录，None则仅控制台输出 simple_format: 启用简化格式（仅消息内容）

清理并提取JSON字符串

使用ChatGLM从候选类别中决定最终分类 Args: title: 论文标题 abstract: 论文摘要 candidate_categories: 候选类别列表，每个元素是(categor

执行基于关键词匹配和优先级规则的层次化论文分类，带有增强的文本处理和置信度评分。 Args: title (str): 论文标题，用于主要上下文分析 abstract (str): 论文摘要，用于全面内容分析 categor

通过关键词匹配进行分类 Args: title: 论文标题 abstract: 论文摘要 Returns: List[Tuple[str, float]

通过关键词匹配进行分类 Args: title: 论文标题 abstract: 论文摘要 Returns: List[Tuple[str, float]

使用语义分析进行分类

使用语义分析进行分类

根据最新的类别定义生成相关类别对 这些对在计算类别相似度时使用 Returns: List[Tuple[str, str]]: 相关类别对列表

在确定主类别后，进一步确定子类别 Args: title: 论文标题 abstract: 论文摘要 main_category: 主类别 main_score: 主类别得分 Retu

Synthesize classification results from keyword matching and semantic analysis. Implementation Details: 1. Scorin

Synthesize classification results from keyword matching and semantic analysis. Implementation Details: 1. Scorin

对分类结果进行二次确认

Confirm the classification result

Use ChatGLM to decide the final category from candidate categories Args: title: Paper title abstract: Paper abstr

生成详细格式的Markdown内容，支持两级类别标题

生成详细格式的Markdown内容，支持两级类别标题

生成表格形式的Markdown内容，支持两级类别标题

生成表格形式的Markdown内容，支持两级类别标题

从 API 响应数据创建 DoubaoResponse 对象

从 API 响应数据创建 ChatGLMResponse 对象

执行基于关键词匹配和优先级规则的层次化论文分类，带有增强的文本处理和置信度评分。 Args: title (str): 论文标题，用于主要上下文分析 abstract (str): 论文摘要，用于全面内容分析 categor

获取CV领域论文并保存为Markdown

获取并分类 CV 论文的主函数

保存论文信息到Markdown文件

保存论文信息到Markdown文件

根据配置初始化对应的LLM客户端

初始化豆包客户端 Args: api_key: API 密钥 model: 模型名称，默认为 doubao-seed-1-6-flash-250828 base_url: API 基础 URL

初始化 ChatGLM 客户端 Args: api_key: API 密钥 model: 模型名称，默认为 glm-4.7 base_url: API 基础 URL

初始化ChatGLM客户端

调用ChatGLM API Args: messages: 消息列表 model: 模型名称 temperature: 采样温度 max_tokens:

从文本中提取 JSON 字段值 Args: text: 可能包含 JSON 的文本 field: 要提取的字段名 Returns: str: 字段值，如

分析论文的核心贡献，以单句话总结的形式返回 Args: title: 论文标题 abstract: 论文摘要 Returns: dict: 包含分析结果的字典，只有一个键"核心

Analyze the paper's core contribution and return a summary in one sentence Args: title: Paper title abstract: Pap

计算两个类别之间的相关性 Args: category1: 第一个类别名称 category2: 第二个类别名称 categories_config: 类别配置字典 Returns:

计算两个类别之间的相关性 Args: category1: 第一个类别名称 category2: 第二个类别名称 categories_config: 类别配置字典 Returns:

使用ChatGLM对论文进行分类 Args: title: 论文标题 abstract: 论文摘要 Returns: str: 论文类别

使用ChatGLM对论文进行分类 Args: title: 论文标题 abstract: 论文摘要 Returns: str: 论文类别

改进的论文分类方法

改进的论文分类方法

创建对话完成请求（兼容 chat/completions 接口）

确定论文的子类别 Args: title: 论文标题 abstract: 论文摘要 main_category: 主类别 Returns:

Determine the paper's subcategory Args: title: Paper title abstract: Paper abstract main_category: Ma

从ArXiv URL中提取论文ID Args: url: ArXiv论文URL Returns: str: 论文ID

从ArXiv URL中提取论文ID Args: url: ArXiv论文URL Returns: str: 论文ID

从文本中提取GitHub链接 Args: text: 论文摘要文本 paper_url: 论文URL title: 论文标题 authors: 作者列表 pdf_url: PDF文件URL Retur

从文本中提取GitHub链接 Args: text: 论文摘要文本 paper_url: 论文URL title: 论文标题 authors: 作者列表 pdf_url: PDF文件URL Retur

生成统计信息的Markdown格式文本 Args: papers_by_category: 按类别组织的论文字典 Returns: str: Markdown格式的统计信息

生成统计信息的Markdown格式文本 Args: papers_by_category: 按类别组织的论文字典 Returns: str: Markdown格式的统计信息

处理单篇论文的所有分析任务 Args: paper: ArXiv论文对象 glm_helper: ChatGLM助手实例 target_date: 目标日期 Returns: Dict: 包含论文信息的字典，如果论文

处理单篇论文的所有分析任务 Args: paper: ArXiv论文对象 glm_helper: ChatGLM助手实例 target_date: 目标日期 Returns: Dict: 包含论文信息的字典，如果论文

使用ChatGLM翻译论文标题，增强的提示词和错误处理 Args: title: 论文英文标题 abstract: 论文摘要，用于提供上下文（可选） Returns: str:

使用ChatGLM翻译论文标题，增强的提示词和错误处理 Args: title: 论文英文标题 abstract: 论文摘要，用于提供上下文（可选） Returns: str: