使用说明

🧠 MCP研究服务器

轻量级 研究辅助服务器 使用 FastMCP 搜索以下学术论文 arXiv，提取摘要和元数据，并将其作为 MCP工具 和资源用于基于LLM的工作流。

致谢

这项工作是在Antropic和deeplearning.ai课程学习的基础上进行的

🚀 特性

🔍 搜索以下来源的论文 arXiv.org
📁 在本地文件夹中保存和组织纸张元数据
📜 提取详细的纸张信息
🧰 公开工具和资源以供使用 基于MCP的人工智能工作流程
🌐 轻松部署到 Render.com 或 码头工人

🧩 项目结构

.
├── Dockerfile
├── README.md
├── main.py
├── pyproject.toml
├── requirement.txt
├── research_server.py
├── runtime.txt
├── uv.lock
└── .gitignore

🧠 运作原理

服务器使用 FastMCP 图书馆曝光 MCP工具 和资源.

关键工具

工具	说明
`search_papers(topic, max_results)`	在arXiv中搜索与某一主题相关的研究论文
`extract_info(paper_id)`	检索特定论文的元数据
`get_available_folders()`	列出所有已保存的研究主题
`get_topic_papers(topic)`	返回某个主题的所有论文摘要
`generate_search_prompt(topic, num_papers)`	为LLM生成结构化的研究提示

🧰 安装（本地）

1.️⃣ 克隆存储库

git clone https://github.com/<your-username>/<your-repo-name>.git
cd <your-repo-name>

2.️⃣ 创建虚拟环境

python3 -m venv venv
source venv/bin/activate

3.️⃣ 再进行

pip install -r requirement.txt

4.️⃣ 运行服务器

python research_server.py

服务器将在以下时间启动：

http://localhost:8001

🐳 使用Docker运行

1.️⃣ 塑造形象

docker build -t mcp-research-server .

2.️⃣ 运行容器

docker run -p 8001:8001 mcp-research-server

然后访问：

http://localhost:8001

☁️ 部署到Render.com

1.️⃣ 转到Render.com

创建一个免费帐户并打开： 👉 https://dashboard.render.com/web/new?newUser=true

2.️⃣ 创建新的Web服务

连接您的 GitHub存储库
选择您的仓库名称
选择 Python 3.12
设置启动命令：
```
python research_server.py
```
部署🚀

3.️⃣ 实时服务器示例

示例端点（如果已部署）：

https://mcp-remote-research-f6yh.onrender.com

🧠 MCP集成

该项目旨在与 模型上下文协议（MCP） 例如Claude或其他AI工具。

您可以连接到此服务器，为您的AI助手提供实时研究功能。

示例用法：

from mcp.client import MCPClient

client = MCPClient("http://localhost:8001")
papers = client.tools.search_papers("quantum computing", max_results=3)
print(papers)

🧾 需求

python 3.12+
fastmcp
arxiv
uv （可选用于快速依赖关系管理）
Docker（容器部署可选）

🧪 测试回购

要手动测试部署，请执行以下操作：

访问 Render.com Web服务
连接您的GitHub仓库
使用默认配置进行部署
成功部署后，测试您的端点：
```
https://your-service-name.onrender.com
```

目的：证明 MCP工具集成 自主AI研究代理。

👨‍💻 作者

赫尔米·甘米
生成型人工智能研究工程师
GitHub

版权： Antropic和深度学习.ai