使用说明
DEVONthink MCP服务器
一个模型上下文协议(MCP)服务器,将Claude Desktop和Claude Code与DEVONthink 4集成在一起,提供对DEVON think的AI功能的访问,用于文档管理和研究自动化。
最新更新(v2.1.0-第4阶段):高级研究自动化,具有批量操作、工作流编排和大型研究项目的基础设施。看 第4阶段文件 了解详情。
概述
此MCP服务器提供了一个围绕DEVONthink 4本机功能的包装器,公开了 47个完全实施的专门工具 用于文档操作、知识管理和 高级研究自动化 通过MCP协议。
✅ 所有工具均已100%完成,并已完整实施 -没有存根、模拟或占位符。
主要特点
- 原生AI集成:使用DEVONthink 4内置的AI分类和相似性检测
- 高级搜索:带有布尔运算符和字段搜索的完整DEVONthink搜索语法
- 智能组:访问DEVONthink的组织功能
- 知识图谱:具有迭代遍历的文档关系映射
- 研究自动化:研究任务的自动化工作流程
- 文档智能:分析、比较和综合能力
- ⚡ 阶段4:大规模研究项目的批量操作、工作流程编排和基础设施
快速开始
先决条件
安装
# Clone and setup
git clone https://github.com/Hellblazer/dt-mcp.git
cd dt-mcp
npm install
# Verify installation
npm run test:scripts
配置
-
克劳德桌面 -添加到
claude_desktop_config.json:{ "mcpServers": { "devonthink": { "command": "node", "args": ["/absolute/path/to/dt-mcp/server.js"], "env": {} } } } -
克劳德代码 -与MCP集成一起使用
-
权限 -在系统设置中授予DEVONthink自动化权限
工具参考
核心操作(8个工具)
search_devonthink # Document search with DEVONthink syntax
read_document # Document content and metadata
create_document # New document creation
list_databases # Database enumeration
update_tags # Tag management
get_related_documents # AI-suggested relations
create_smart_group # Dynamic collections
ocr_document # Text extraction from PDFs/images
高级搜索和组织(2个工具)
advanced_search # Full search syntax with operators (AND, OR, NOT, field:value)
list_smart_groups # Access to DEVONthink's organizational features
知识图谱与关系(5个工具)
build_knowledge_graph # Visual relationship mapping with depth control
find_shortest_path # BFS pathfinding between documents
detect_knowledge_clusters # AI-powered document clustering
find_connections # Multi-type relationship discovery
compare_documents # Document similarity analysis
研究自动化(3个工具)
automate_research # Complete research workflows
organize_findings # Performance-optimized result organization
create_collection # Research project collections
文档智能(3个工具)
analyze_document # Complexity & readability analysis
analyze_document_similarity # Multi-document comparison (performance-optimized)
batch_read_documents # Parallel document processing
知识综合(8个工具)
synthesize_documents # Multi-document synthesis (performance-optimized)
extract_themes # AI theme identification
classify_document # Native DEVONthink AI classification
get_similar_documents # AI-powered similarity finding
create_multi_level_summary # Tiered summarization (brief/detailed/full)
track_topic_evolution # Topic change analysis over time
create_knowledge_timeline # Chronological knowledge mapping
identify_trends # Trending topic detection
批量操作(2个工具)
batch_search # Multiple searches in parallel
batch_read_documents # Multiple document reads
收藏(2个工具)
create_collection # Document collections/research threads
add_to_collection # Add documents to collections
第四阶段:高级研究自动化(6种工具)
bulk_import_urls # Import multiple URLs concurrently with progress tracking
bulk_download_papers # Download academic papers in bulk with metadata extraction
create_research_project # Create comprehensive research project structures
execute_workflow # Execute predefined research workflows
monitor_operations # Monitor active operations and system resources
manage_operation_queue # Manage operation queue with priority control
元工具(1个工具)
get_tool_help # AI-friendly help system with examples
使用示例
研究工作流程
1. "Search for 'quantum computing' papers from 2023"
→ advanced_search with date:2023 AND quantum AND computing
2. "Build a knowledge graph from the top result"
→ build_knowledge_graph with depth 3
3. "Create a research collection"
→ create_collection for "Quantum Research Project"
4. "Synthesize the top 5 documents"
→ synthesize_documents with consensus approach
5. "What topics are trending?"
→ identify_trends across databases
高级搜索示例
# Boolean operators
"quantum AND physics OR mathematics"
# Field searches
"name:quantum tag:physics comment:important"
# Wildcards and fuzzy
"quant* ~quantum"
# Exact phrases
"\"quantum computing\""
# Date ranges
"date:2023 AND kind:pdf"
知识发现
# Find document clusters
detect_knowledge_clusters → Groups by AI themes
# Shortest path between concepts
find_shortest_path from_uuid to_uuid → Connection chain
# Document similarity
get_similar_documents uuid → AI-ranked related documents
# Smart groups
list_smart_groups → All organizational smart groups
第四阶段:大规模研究自动化
# Bulk operations
bulk_import_urls ["url1", "url2", "url3"] → Import multiple URLs concurrently
bulk_download_papers [{source: "arxiv", id: "2301.00001"}, {...}] → Download papers
# Research project setup
create_research_project "Quantum AI Research" → Full project structure + initial sources
# Workflow orchestration
execute_workflow "academic_research" {topic: "quantum computing"} → Multi-step automation
# System monitoring
monitor_operations → Real-time progress, resource usage, active operations
manage_operation_queue "pause" → Control concurrent operations
技术规格
参数限制和验证
- 批量操作:每批最多1000件,以获得最佳性能
- 搜索结果:默认限制50,最大1000(较大的结果可能会超时)
- UUID格式:标准格式
XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX不区分大小写 - 超时:单个操作2分钟后超时,复杂操作10分钟后超时
性能指南
| 操作 | 建议限制 | 性能影响 |
|---|---|---|
batch_search |
最多20个查询 | 线性缩放 |
batch_read_documents |
100个文档 | 内存密集型 |
synthesize_documents |
50个文档 | CPU密集型(使用优化) |
track_topic_evolution |
所有时间段 | 可能返回200+条记录 |
文档类型支持
OCR功能
- 支持:PDF(基于图像)、PNG、JPEG、TIFF、GIF
- 不支持:基于文本的PDF(已有文本)、Word文档、电子表格
- 备注:使用
ocr_document仅适用于基于图像的文档
文档创建
- 支持的类型:
markdown,rtf,txt - 文件扩展名:根据类型自动添加
- 内容效度:名称和内容必须是非空字符串
错误处理
所有工具都返回结构化错误响应:
{
"error": "Descriptive error message",
"details": {
"tool": "tool_name",
"timestamp": "ISO-8601",
"context": "additional_context"
}
}
响应格式标准
成功操作返回:
{
"status": "success",
"data": { /* tool-specific data */ },
"metadata": {
"timestamp": "ISO-8601",
"tool": "tool_name"
}
}
建筑
设计理念
Claude ↔ MCP Server ↔ DEVONthink 4 AI
↑ ↑ ↑
Request Thin Wrapper Native AI
该服务器封装了DEVONthink 4的原生AI功能,而不是重新实现它们,提供了对训练模型和优化算法的直接访问。
演出
优化的操作
有几个工具具有性能优化的变体,可以对文档内容进行采样以实现更快的处理:
| 操作 | 原始时间 | 优化时间 | 采样策略 |
|---|---|---|---|
| 综合文档 | 30+秒 | <1秒 | 前200字/文档 |
| analyze_document_symilarity | 2+分钟 | <1秒 | 前100个单词/文档 |
| 主题提取 | 变量 | 0.26s | 原生AI分类 |
| 分类 | 变量 | <1s | 原生AI模型 |
性能特点
- 自动优化:工具在可用时自动使用优化版本
- 智能回退:当优化版本返回的数据不足时,返回完整分析
- 可配置超时:长操作具有可配置的超时保护
- 结果验证:在接受优化输出之前确保质量结果
测试与质量
测试覆盖率
# Quick validation (30 seconds)
npm run test:scripts
# Comprehensive testing (2-5 minutes)
npm run test:comprehensive
# Individual tool testing
npm run test:tool synthesize_documents '{"documentUUIDs": ["UUID1", "UUID2"], "synthesisType": "summary"}'
# Interactive exploration
npm run test:mcp
质量指标
- 成功率:>95%用于生产构建
- 演出:对于大多数具有智能优化的操作来说,都是次秒级
- 错误处理:具有优雅回退的结构化JSON错误响应
- 文档:完整的工具介绍,包括示例和性能说明
- 代码质量:AppleScript linting用于保留字和语法验证
发展
添加新工具
- AppleScript:创建于
scripts/devonthink/new_feature.applescript - 服务方法:添加到
src/services/devonthink.js - 工具注册:注册
server.js通过Zod验证 - 测试:添加到测试套件
- 文档:更新README和CLAUDE.md
性能指南
- 在可用时使用DEVONthink的原生AI功能
- 为计算成本高昂的操作创建优化版本
- 智能地采样文档内容(例如,前N个单词)
- 直接实现结构算法(BFS、寻路)
- 添加超时保护和回退机制
- 在接受优化输出之前验证结果
- 在工具响应中包含性能指标
第四阶段:高级研究自动化
阶段4 将DEVONthink MCP服务器从单个操作转换为复杂的研究自动化平台。这一阶段引入了基础设施组件,使大型研究项目能够进行批量操作和工作流编排。
基础设施组件
- 🔄 操作队列:通过优先级调度和资源限制管理并发操作
- 📊 进度跟踪器:通过ETA计算和子操作支持进行实时进度跟踪
- 🖥️ 资源监视器:具有内存跟踪和性能警报的系统资源监控
- 🤖 工作流自动化:具有内置研究模板的多步骤工作流编排
可用的研究工作流程
- 学术研究:搜索→ 下载→ 组织→ 合成→ 报告
- 文献综述:收集→ 分类→ 比较→ 时间线→ 合成
- 数据收集:进口→ 过程→ 验证→ 结构→ 出口
性能优势
- 并发处理:通过智能排队同时处理10+个操作
- 进度可见性:长时间运行的研究任务的实时更新
- 资源意识:基于系统性能的自动节流
- 工作流模板:用于常见研究模式的预构建自动化
用例
- 研究人员:批量下载并整理来自多个来源的研究论文
- 内容策划人:导入和处理数十个URL,并自动组织
- 知识工作者:以最少的人工干预执行复杂的研究工作流程
- 数据科学家:自动化文献综述和知识综合
项目状态
- 版本2.1.0(第4阶段)
- 实施: ✅ 100%完成 -所有47个工具均已完全实施
- 工具:47个专用MCP工具(包括6个第4阶段工具)
- 基础设施:76903+行自动化代码
- 测试:综合测试套件+CI/CD+第4阶段验证
- 建筑:具有生产就绪基础设施的原生AI包装器
- 质量:生产准备就绪,可进行批量操作和工作流编排
- 状态: 🚀 没有存根或占位符 -所有功能均已实现
贡献
- 分叉存储库
- 创建要素分支
- 添加新功能的测试
- 确保所有测试通过:
npm run test:comprehensive - 提交拉取请求
许可证
MIT许可证-请参阅 许可证 文件以获取详细信息。
相关
状态:生产就绪
建筑:围绕DEVONthink 4原生AI功能进行包装
