AI导哈

学术研究MCP服务器

一个为自主学术研究设计的模型上下文协议（MCP）服务器，能够搜索多个数据库、分析论文、生成引用网络并进行递归深度研究。

  • by deftorch
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 deftorch/academic-research-mcp

使用说明

🎓 学术研究MCP服务器

生产准备就绪 模型上下文协议（MCP） 专为自主学术研究而设计的服务器。该工具将Claude转变为一个有能力的研究助理，可以搜索多个数据库，分析论文，生成引文网络，并执行递归深度研究。

⭐ 主要特点

1.核心系统（第一阶段）

  • 多源搜索：跨平台并发搜索 arXiv, 语义学者, Crossref，以及 PubMed.
  • 智能处理:
    • 去重：使用模糊字符串匹配合并重复的论文。
    • 质量评估：根据引文、场地质量和新近度对论文进行自动评分（0-12分制）。
  • 自动化流水线：单一命令 research_pipeline 搜索、过滤、分析和总结结果。
  • PDF工具：通过Unpaywall进行元数据提取和开放访问发现。

2.高级增强功能（模块化）

  • 🧠 RAG和语义搜索：将论文索引到向量数据库（ChromaDB）中，用于语义查询和循证问答。
  • 🕸️ 引文网络分析构建交互式图表，以识别有影响力的论文、研究差距和社区。
  • 📈 趋势分析：预测研究方向，并使用历史数据确定“热门”与“冷门”主题。
  • 🕵️ 深度研究代理：遵循引文追踪（“兔子洞”）并进行批判性同行评审分析的自主递归研究。
  • 🔗 知识管理：双向同步 佐特罗 并出口至 概念.

📂 项目结构

academic-research-mcp/
├── academic_research_server.py  # Main Entry Point & Integration
├── utils.py                     # Configuration & Utility functions
├── requirements.txt             # Project dependencies
├── enhancements/                # Modular feature sets
│   ├── rag_enhancement.py       # Vector DB & Semantic Search
│   ├── citation_network.py      # NetworkX & Graph Analysis
│   ├── trend_analysis.py        # Trend Forecasting
│   ├── deep_research.py         # Recursive Research Agent
│   ├── knowledge_management.py  # Zotero/Notion Integration
│   ├── advanced_features.py     # ML Recommendations
│   └── monetization.py          # (Optional) Tier & Rate Limit Logic
└── tests/
    └── test_academic_mcp.py     # Benchmark & Test suite

📦 安装

先决条件

  • Python 3.10或更高版本
  • pip（Python包管理器）
  • （可选）带CUDA的NVIDIA GPU（强烈建议用于标记pdf和嵌入）

1.克隆存储库

git clone <your-repository-url>
cd academic-research-mcp

2.设置虚拟环境（推荐）

强烈建议使用虚拟环境来避免依赖冲突。

窗户：

python -m venv venv
venv\Scripts\activate

macOS/Linux：

python3 -m venv venv
source venv/bin/activate

3.安装依赖项

pip install -r requirements.txt

⚡ GPU加速说明： 如果您计划使用GPU加速的Deep Research或RAG模块，请安装支持CUDA的PyTorch 之前 安装要求。请访问pytorch.org以获取正确的命令。

⚙️ 配置

1.基本设置

核心配置位于实用程序模块中，允许跨所有工具导入。 打开 utils.py 并编辑以下常量：

  • CONTACT_EMAIL：API礼貌用法（CrossRef，Unpaywall）所必需。
  • CACHE_TTL：缓存持续时间（秒）（默认值：3600）。

2.模块自动检测

服务器使用模块化架构。它会自动检测安装了哪些库：

  • 如果 chromadb 缺失，RAG功能被禁用。
  • 如果 networkx 缺失，引文网络功能已禁用。

要启用某个功能，只需确保其依赖项是通过pip安装的。

3.API密钥（安全最佳实践）

基本搜索是免费的。对于增强功能（Zotero、Notion等），建议设置环境变量，而不是在源代码中硬编码凭据。

Linux/macOS：

export ZOTERO_API_KEY="your-key"
export NOTION_API_KEY="your-key"
python academic_research_server.py

Windows（PowerShell）：

$env:ZOTERO_API_KEY="your-key"
python academic_research_server.py

4.克劳德桌面集成

将服务器添加到Claude Desktop配置文件中。

  • macOS： ~/Library/Application Support/Claude/claude_desktop_config.json
  • 窗户： %APPDATA%\Claude\claude_desktop_config.json
{
  "mcpServers": {
    "academic-research": {
      "command": "/absolute/path/to/venv/bin/python",
      "args": [
        "/absolute/path/to/academic_research_server.py"
      ]
    }
  }
}

⚠️ Windows用户重要提示： 你必须使用 双睫毛 (\\)在JSON路径中，避免语法错误。

例子： "command": "C:\\Users\\Name\\academic-mcp\\venv\\Scripts\\python.exe"

🚀 用法

运行服务器

确保您的虚拟环境已激活，然后运行：

python academic_research_server.py

提示示例（克劳德语）

连接后，您可以让Claude执行复杂的研究任务：

  • 发现搜索2024年发表的关于“思维链推理”的论文。高品质过滤器。"
  • 深入研究：“对‘RAG系统的局限性’进行深入研究。追踪引文以找到反驳论点。”
  • 分析：“为《注意力就是你所需要的》论文建立一个引文网络，并确定最具影响力的衍生作品。”
  • 管理：“找到关于‘图神经网络’的前5篇论文，并将其同步到我的Zotero库中。”

🔧 故障排除

问题 解决方案
克劳德“连接失败” 检查 claude_desktop_config.json。需要绝对路径。确保指向python可执行文件 里面 你的venv。Windows用户检查是否有双反斜杠(\\).
“找不到模块” 确保已激活虚拟环境(source venv/bin/activate)在运行服务器之前。
GPU未使用 快跑 python -c "import torch; print(torch.cuda.is_available())"。如果为False，请重新安装支持CUDA的PyTorch。
速率限制错误 服务器自动处理回退。如果持久存在，请考虑为Semantic Scholar添加API密钥。

🧪 测试

运行集成的基准测试套件以验证API连接和管道性能：

python tests/test_academic_mcp.py

这将生成一个 benchmark_results.json 以及一份验证您安装的markdown报告。

📜 许可证

MIT许可证。有关详细信息，请参阅许可证。

相关 MCP