Amadeus

Amadeus：给研究者打造的 AI 论文助手

一位博士生的"深夜论文焦虑"催生的项目

深夜三点，屏幕前堆着 47 篇还没读的 arXiv 论文，你知道自己再拖下去明天组会就要出丑了——但每一篇摘要都写着"必须读完全文才能判断价值"。这是研究者群体最典型的痛点：论文数量爆炸，而人类的阅读速度永远追不上论文发布的速度。

Amadeus 正是为解决这个困境而生。这是一个开源的个人 AI 论文研究助手，由 CurryTang 开发维护，能够自动读取、总结、组织并"执行"学术论文——不只是帮你读论文，还能帮你追踪最新动态、导出笔记到 Obsidian、甚至驱动 AI Agent 在远程服务器上自主执行研究任务。

核心功能：从"读完"到"用活"论文

Amadeus 的功能设计覆盖了研究者与论文交互的全生命周期：

论文管理——通过 Chrome 扩展一键保存 arXiv、OpenReview 或任何 PDF 链接的论文，PDF 存储在 S3/MinIO/阿里云 OSS，通过标签系统（自动建议 + 手动标注）和全文搜索组织个人文献库。

AI 深度阅读——这是 Amadeus 最核心的差异化能力。它设计了一套三轮递进式论文分析 pipeline：第一轮"鸟瞰扫描"提取元数据、理解论文结构；第二轮"内容理解"解析方法论、复现图表（ASCII art 形式）；第三轮"深度分析"拆解数学框架、架构图和算法细节。支持多 AI 提供者（Gemini CLI、Gemini API、Claude Code CLI、Codex CLI），以及多种阅读模式（英文摘要、中文三阶段详解、带 SVG 图表渲染版本等）。生成的笔记以 Markdown 格式存储，含 Mermaid 架构图和 KaTeX 数学公式。

论文追踪——不想手动找论文？Amadeus 支持从 Semantic Scholar（作者 ID 或关键词订阅）、Google Scholar（Gmail 邮件解析）、Twitter/X（监测研究者动态）、RSS 订阅四个渠道自动抓取新论文，每日推送去重后进入 tracker feed，一键入库。

ARIS 自主研究工作流——这是 Amadeus 最具野心的功能。ARIS（Autonomous Research In Sleep）允许用户定义研究项目、关联本地工作区、指定 SSH 远程服务器作为部署目标，然后在目标机器上启动自主研究任务（文献综述、实验监控、论文写作或自定义提示词）。借助 Claude Code CLI 在远程机器上通过 git worktree 隔离执行，实时监控运行状态和日志流，随时追加指令。

丰富的扩展生态——Chrome 浏览器扩展（arXiv/OpenReview 页面自动检测 + 一键入库）、VS Code 扩展（在编辑器内浏览论文库、启动 ARIS 任务）、MCP 服务器（将论文库暴露为 MCP 工具，供 Claude Code 等 AI Agent 调用）、Obsidian 导出（笔记直接落库，带 YAML frontmatter 完整元数据）。

技术架构：Node.js 全家桶 + 云原生存储

Amadeus 是一个典型的 Node.js 全栈应用，分为 backend 和 frontend 两个独立服务：

前端基于 Next.js（standalone 部署模式）、React 18、React Markdown、KateX 数学渲染和 Mermaid 图表，提供用户直接交互的 Web UI。值得注意的是，前端依赖中没有重型 UI 框架（没有 Tailwind、Chakra 等），而是用 Radix UI Themes 作为组件基础——这意味着前端相对轻量，但自定义空间也相对有限。

后端是 Express.js 应用，集成了大量实用库：数据库层支持 SQLite 本地文件（Turso/libSQL）和云端数据库；对象存储层同时支持 AWS S3、MinIO（本地兼容 S3）和阿里云 OSS；PDF 处理依赖 pdf-parse 和 pdf-lib；AI 相关功能通过 Playwright（Twitter 追踪）和 Puppeteer（动态页面渲染）实现；WebSocket 服务提供 SSH 终端代理功能（支撑 ARIS 的远程执行监控）；JWT 认证和 bcryptjs 密码加密保障安全性；IMAP 协议集成 Gmail 邮件解析用于 Google Scholar 追踪。

部署架构支持两种模式：All-in-one（后端、前端、AI 全在同一台机器）和 Proxy + Local Device（廉价云服务器做 HTTPS 代理，通过 FRP 将流量转发到本地始终在线的设备）。第二种模式让重型 AI 负载（Claude Code CLI、Gemini CLI）跑在用户自己的硬件上，零云端 GPU 费用——这是当前大模型 Agent 本地化部署趋势的一个很好体现。

部署体验：配置项多，但有 install.sh 辅助

Amadeus 没有提供 Docker 支持，需要手动安装 Node.js、MinIO、数据库等依赖。环境变量配置项相当多（至少 20+ 项），好在提供了交互式 install.sh 脚本和 .env.example 模板降低门槛。文档质量较高，有 GitHub Pages 在线文档和中文翻译。部署难度评为"中等"，适合有 Node.js 经验的开发者。

局限与思考

Amadeus 的 AI 能力完全依赖 Claude Code CLI / Gemini CLI / Codex CLI 这些外部工具链，自身并不包含模型推理能力——这既是优势（无需 GPU）也是限制（分析质量完全取决于第三方 CLI 的能力）。另外，Twitter 追踪依赖 Playwright 模拟浏览器，成本较高；Gmail 集成需要 OAuth 授权，有隐私顾虑。

总体来看，Amadeus 代表了一种新兴的"AI 原生应用"设计思路：不自己做模型，而是做模型和用户场景之间的智能编排层。它将 AI Agent（Claude Code）与专业工具链（arXiv、Obsidian、SSH 服务器）串联起来，形成完整的研究工作流，在科研工具开源社区中具有较高的参考价值和实用潜力。