使用说明
MCP — 模型上下文协议规划服务器
我为什么要建造这个
想象一下这个令人沮丧的场景（这种情况发生在我身上太频繁了）：
我正在为一个重要的项目研究“2024年React服务器组件的最佳实践”。以下是我痛苦的手动探索过程：
- 谷歌搜索 → 打开来自Medium、Dev.to和官方文档的15篇文章标签页
- YouTube搜索（或“YouTube追踪”） → 搜索“React 服务器组件 2024”→ 观看6个不同的视频 → 做笔记 → 发现一半内容已过时
- 维基百科潜水（或：深入探索维基百科） → 查看React历史记录 → 了解SSR（服务器端渲染）的演变背景
- 信息过载 现在我打开了20多个标签页，笔记散落一地，我比刚开始的时候还迷茫！
- 手动合成 → 花2小时试图拼凑出相互矛盾的信息
- 重复周期 “等一下，让我再看一个视频……”3个小时后，还没看完！
听起来耳熟吗？ 这正是我创建这个MCP服务器的原因！
而不是这种痛苦的标签跳转噩梦，我想给Claude 真正的超能力:
- 实时网页搜索 - 从互联网上获取最新信息
- YouTube智能（或YouTube情报） - 获取前5个相关视频，附带摘要和直接链接
- 深入探索维基百科 - 获取任何主题的全面知识
- 智能合成 - 将所有信息源整合为连贯、可操作的见解
现在，当我在问克劳德时，奇迹就发生了：
“帮我找出2024年关于React服务器组件最佳实践的YouTube视频前五名，与最新文章进行交叉核对，并给我一个综合总结，包含我实际需要了解的关键点。”
而不是我过去痛苦的过程：
- 20多个浏览器标签页
- 3小时的手工研究
- 零散、相互矛盾的笔记
- 信息瘫痪
我30秒内就搞明白了：
- 5段精选的相关视频及摘要
- 最新文章已进行交叉核对以确保准确性
- 清晰、综合的见解，我可以立即付诸行动
- 所有资源均已链接，以便在需要时进行深入探索
转变： 从“我无法浏览YouTube”到“以下是5个包含关键见解的相关视频，已与8篇最新文章进行交叉核对，并综合成可执行的建议。”
这就是我所说的 赋予克劳德真正的科研超能力 - 它彻底改变了我的工作方式！
这是做什么用的
此仓库包含一个MCP（模型上下文协议）服务器实现，该服务器提供了一个框架，用于构建多组件规划和研究代理。它实现了开源的模型上下文协议标准，通过通用协议实现人工智能系统（如Claude Desktop）与数据源之间的安全连接。
该项目包含一个TypeScript源代码文件夹（planner/src) 和一个编译后的构建（planner/build）它们共同实现了代理编排、工具集成（网页搜索、维基百科访问、YouTube字幕获取与合成）以及实用程序辅助功能。这个MCP服务器通过Claude的接口与Claude Desktop相连 config.json这使您能够在Claude桌面版中直接访问这些研究工具，从而提升AI对话体验。
本README文件介绍了该项目的功能、MCP（多云平台）集成、所使用的架构和概念、构建和运行方法，以及一些开发小贴士。
每个工具的功能
YouTube工具 - 您的视频研究助手
- 找到前5个相关视频 对于任何搜索查询
- 提取摘要 来自视频描述和元数据
- 提供直接链接 这样你就可以观看你感兴趣的内容
- 示例询问“机器学习教程”→ 获取5个精选视频及总结
网页搜索工具 - 实时互联网访问
- 实时搜索结果 来自网络各处
- 最新信息 那不在克劳德的训练数据中
- 过滤后的相关内容 避免信息过载
维基百科工具 - 深度知识获取
- 综合文章 关于任何话题
- 结构化信息 重点事实突出
- 交叉引用内容 为了更深入的理解
合成工具 - 智能内容融合
- 结合信息 从各种来源整合出连贯的见解
- 去除重复项 以及相互矛盾的信息
- 生成可操作的摘要 你可以立即使用
技术特性
- MCP服务器实现了模型上下文协议标准，以便向像Claude Desktop这样的AI助手提供研究和规划工具。
- 研究协调协调多个数据源，为复杂问题提供全面答案。
- **克劳德集成（或译为“克劳德整合”）**通过MCP配置连接到Claude桌面版，使您能够在Claude对话中直接使用这些研究功能。
- 模块化设计每个工具都是一个独立的模块，可以单独使用，也可以组合使用。
- 即开即用包含预构建的JavaScript包以便立即使用，以及TypeScript源代码以供自定义。
这个项目既作为Claude Desktop的功能性MCP（模型上下文协议）服务器，也是开发者使用Model Context Protocol标准构建自定义研究工具的试验场。
高级架构和概念
模型上下文协议（MCP）集成
- MCP 服务器这个项目实现了一个MCP服务器，该服务器遵循开源的模型上下文协议（Model Context Protocol）标准，为AI助手提供研究工具。
- Claude 桌面连接通过（某种方式）连接到Claude Desktop
config.json配置完成后，即可在与Claude的对话中无缝访问研究功能。 - 通用协议用单一、标准化的协议取代了零散的集成方式，该协议用于将人工智能系统与数据源进行连接。
核心组件
- 代理；经纪人协调器负责将研究请求分解为子任务，并将工作分配给相应的工具。此仓库中的示例代理就是
researchPlanner。 - 工具执行输入/输出（I/O）以及数据检索或转换的独立功能。以下是一些示例：
webSearch，wikipedia，youtube，以及synthesizer。 - 公用事业用于格式化、HTTP调用和共享类型的辅助工具，位于以下位置
planner/src/utils。 - 构建输出:
planner/build/反映出src/实现已编译为JavaScript，因此无需TypeScript工具链即可运行。
设计原则
- MCP合规性遵循模型上下文协议规范，以确保人工智能系统与数据源之间建立安全的双向连接。
- 关注点分离代理负责协调，工具负责数据访问/处理。这样，添加或为测试创建工具桩就变得非常直接。
- 最小耦合工具接受普通输入并返回简单输出（通常是JSON或字符串），以便合成器/代理保持通用性。
- 增量构建TypeScript 源代码编译成一个小型的
build/一个可以使用纯Node.js执行的文件夹。
文件夹布局
planner/src/— 代理、工具和实用程序的TypeScript源代码。agents/— 代理代码（例如。，researchPlanner.ts）。tools/— 用于外部数据源的工具适配器（搜索、YouTube字幕、维基百科、合成器）。utils/— 小型格式化工具、HTTP 辅助函数和类型定义。
planner/build/— 转译后的JavaScript（可直接在Node.js中运行）。- 顶级的；首要的
package.json/package-lock.json— 项目依赖项以便快速安装（例如youtube-transcript）。
应用的概念（简述）
- 工具模式：每个工具都暴露一个小接口，并且可以独立调用。这与大型语言模型（LLM）编排器中使用的典型代理工具模式相匹配。
- 规划者/代理模式：代理检查任务，制定计划（步骤列表），并按顺序或并行调用工具。
- 综合：最后一步，将原始结果汇总成简短摘要或最终回答。
构建并运行（快速）
前提条件：Node.js 18+（某些依赖项如 youtube-transcript 要求 Node.js 版本 >=18。
1. 安装依赖项
# Install dependencies in the planner folder
cd planner
npm install
2. 运行MCP服务器
选项A - 直接运行预构建的JS（无需TypeScript）：
node build/index.js
选项B - 编译并运行TypeScript源代码：
cd planner
# compile (assumes tsconfig already present)
npm run build
node build/index.js
注： npm run build 应在……中定义 planner/package.json 编译 TypeScript。如果缺少它，你可以使用 tsc -p tsconfig.json 安装开发依赖项后。
3. 连接到Claude桌面版
要使用此MCP服务器与Claude Desktop配合，需将其添加到Claude的配置文件中：
macOS（苹果电脑操作系统）： ~/Library/Application Support/Claude/claude_desktop_config.json
Windows: %APPDATA%\Claude\claude_desktop_config.json
{
"mcpServers": {
"research-planner": {
"command": "node",
"args": ["/path/to/your/mcpp/planner/build/index.js"],
"env": {}
}
}
}
更新配置后，请重启Claude桌面应用。研究工具将在您的Claude对话中可用。
4. 测试您的设置
一旦连接成功，试着问问克劳德：
"Find me 5 YouTube videos about JavaScript async/await and summarize the key concepts"
你应该能看到克劳德（Claude）实际抓取带有链接的真实YouTube视频，并提供一个综合摘要！
开发与定制
添加您自己的工具
想要添加用于GitHub仓库、Slack消息或公司内部文档的工具吗？以下是操作方法：
- 创建这个工具在其中添加一个新文件
planner/src/tools/yourTool.ts - 实现接口遵循现有工具的相同模式
- 进行注册从工具索引中导出它并更新代理
示例 - 添加一个GitHub工具：
// planner/src/tools/github.ts
export async function searchGitHub(query: string) {
return {
repositories: [/* top 5 repos */],
summaries: [/* brief descriptions */],
links: [/* direct GitHub links */]
};
}
测试你的工具
- 快速测试跑
node build/index.js并检查控制台输出 - 克劳德测试连接到Claude桌面版，并请求它使用您的新工具
- 调试模式检查
planner/src/.env用于调试设置
环境设置
- 存储API密钥于
planner/src/.env(创建自.env.example) - 永远不要将机密信息提交到git中
- 使用环境变量进行外部API访问
实际应用示例
研究代理的思考方式
研究代理（或译为：研究人员、调研人员） 智能地决定 根据您的查询选择使用哪些工具。它会分析关键词、上下文和复杂性，以制定出完美的研究策略：
- 统计查询 → 网络+维基百科+合成器用于数据分析
- 学习请求 → YouTube + 网络 + 维基百科，打造全面教育
- 趋势分析 → 完整的市场情报所需工具一应俱全
- 技术深度探讨 → 维基百科+网络获取权威信息
示例1：结合统计数据的完整市场分析
你问克劳德：
“请给我一份关于2024年电动汽车市场的全面分析。包括增长数据、主要参与者、消费者趋势以及未来预测。“
代理决策过程：
- 检测： 市场分析 + 统计学（或“统计数据”） + 趋势 → 所有工具已激活
- 策略：全面数据收集+统计综合分析
幕后发生了什么：
- 网页搜索 → 来自路透社、彭博社的最新电动汽车市场报告、销售数据、增长统计
- YouTube 工具 → 行业分析师视频前五名：包含市场预测与数据可视化
- 维基百科 → 电动汽车的发展历程、主要制造商、技术背景
- 合成器 → 创建包含所有数值数据的统计仪表板
您将获得一份包含以下内容的综合报告：
Electric Vehicle Market Analysis 2024
KEY STATISTICS:
• Global EV sales: 14.1M units (+31% YoY) [Web Source: BloombergNEF]
• Market size: $388.1B (+22% from 2023) [Web Source: McKinsey Report]
• Top 3 markets: China (60%), Europe (25%), US (10%) [YouTube: EV Analytics Channel]
MARKET LEADERS:
• Tesla: 20.8% global market share [Multiple Sources]
• BYD: 17.1% market share [Web Source: EV-Volumes.com]
• Volkswagen Group: 8.3% market share [Wikipedia + Web confirmation]
CONSUMER TRENDS (from 5 YouTube analysis videos):
• 67% prioritize charging speed over range [Video: EV Consumer Report 2024]
• Average desired range: 350+ miles [Video: AutoMotorSport Analysis]
• 43% willing to pay premium for faster charging [Video: JD Power EV Study]
2025-2027 PROJECTIONS:
• Expected CAGR: 22.8% through 2027 [Synthesized from 12 sources]
• Predicted market size by 2027: $1.1T [Multiple analyst predictions]
Sources: 15 web articles, 5 YouTube videos, 3 Wikipedia entries
示例2：包含性能指标的学习路径
你问克劳德：
“我想掌握机器学习。请向我展示不同学习路径的学习进度、时间预估以及成功率。”
代理决策过程：
- 检测： 学习 + 进步；进展 + 指标 → YouTube + 网络 + 合成器
- 策略：教育内容+统计学习数据
研究协调：
- YouTube 工具 → 5个顶级机器学习（ML）学习路线图视频，附时间预估
- 网络搜索 → 学习统计学、训练营成功率、薪资增长数据
- 维基百科 → 机器学习基础与数学预备知识
- 合成器 → 制定包含统计见解的结构化学习计划
您将获得一条数据驱动的学习路线图：
Machine Learning Mastery Plan
TIME TO PROFICIENCY (Industry Statistics):
• Basic ML: 3-6 months (200-400 hours) [5 YouTube sources confirm]
• Job-ready level: 8-12 months [Web: Kaggle Learn Survey 2024]
• Expert level: 2-3 years continuous practice [Web: IEEE Career Analysis]
SUCCESS RATES BY APPROACH:
• Self-study online: 23% completion rate [Web: CourseReport.com]
• Bootcamp programs: 67% job placement [Web: Multiple bootcamp stats]
• University degree: 89% foundational knowledge [Web: ACM Education Survey]
• YouTube + Projects: 41% practical proficiency [Synthesized from 8 sources]
RECOMMENDED PATH (Optimized for 67% success rate):
Week 1-4: Python basics + Math foundations [YouTube: 3Blue1Brown series]
Week 5-12: Core ML algorithms [YouTube: Andrew Ng course clips]
Week 13-20: Deep learning fundamentals [YouTube: Fast.ai tutorials]
Week 21-32: Portfolio projects + specialization [Web: GitHub project ideas]
SALARY PROGRESSION DATA:
• Entry ML Engineer: $95K-$130K [Web: Glassdoor 2024]
• Mid-level (2-3 years): $130K-$180K [Web: Levels.fyi data]
• Senior ML Engineer: $180K-$250K+ [Web: Multiple salary surveys]
Based on: 12 educational YouTube channels, 18 industry reports, 4 salary surveys
示例3：初创企业智能报告
你问克劳德：
“分析金融科技初创企业的生态系统。给我提供资金趋势、失败率、成功的商业模式以及投资机会。”
智能体决策过程：
- 检测： 创业生态系统 + 资金 + 趋势 + 机会 → 全面研究模式
- 策略：实现所有数据源之间的最大相关性
全面情报收集：
- 网页搜索 → 最新的风险投资报告、初创企业融资数据库、失败统计数据
- YouTube工具 → 投资者见解、创始人访谈、市场分析视频
- 维基百科 → 金融科技历史、监管环境、主要参与者背景
- 合成器 → 对数据进行交叉相关分析以获取投资情报
您将获得投资者级别的分析：
Fintech Startup Ecosystem Analysis 2024
FUNDING LANDSCAPE:
• Total fintech funding: $31.5B (-35% from 2023 peak) [Web: CB Insights]
• Average Series A: $18.2M (+12% vs 2023) [Web: PitchBook data]
• Median pre-money valuation: $47M [YouTube: Andreessen Horowitz analysis]
• Top funding categories: B2B payments (28%), crypto infrastructure (19%), lending (16%)
SURVIVAL STATISTICS:
• 5-year survival rate: 18.6% [Web: Startup Genome Report]
• Break-even timeline: 18-24 months average [YouTube: 8 founder interviews]
• Series A to Series B success: 34% [Web: First Round State of Startups]
• Most common failure reasons: 1) No market need (42%), 2) Cash flow (29%), 3) Competition (19%)
SUCCESSFUL BUSINESS MODELS (Revenue Multiple Analysis):
• B2B SaaS payments: 8-12x revenue multiples [Web: SaaS Capital Index]
• Embedded finance: 6-10x multiples [YouTube: Stripe Partners analysis]
• Crypto infrastructure: 15-25x multiples (high volatility) [Web: Galaxy Digital report]
• SMB lending: 3-5x multiples [Web: Multiple PE firm reports]
INVESTMENT OPPORTUNITIES (AI-Synthesized Insights):
HIGH OPPORTUNITY:
• AI-powered fraud detection (42% YoY growth) [Cross-correlated: 15 sources]
• Cross-border B2B payments (regulatory tailwinds) [Synthesized: 8 expert videos + 12 articles]
• Embedded banking APIs (320% market growth projected) [Web + YouTube correlation]
AVOID/SATURATED:
• Consumer budgeting apps (97% market penetration) [Web: App Annie data]
• Basic cryptocurrency wallets (1,200+ competitors) [Wikipedia + Web research]
Data Quality Score: 94% (verified across 31 sources)
Intelligence from: 23 VC reports, 8 founder interviews, 12 market research firms
示例4：研究代理的自动策略选择
你问克劳德：
“我现在应该投资可再生能源股票吗？”
代理的战略思维：
QUERY ANALYSIS:
- Investment decision = need current data + historical context + expert opinions
- Financial topic = statistical analysis required
- "Right now" = time-sensitive, needs latest information
TOOL STRATEGY SELECTED: Multi-source Financial Intelligence
Web Search: Current market data, analyst reports, news
YouTube: Expert investor opinions, market analysis videos
Wikipedia: Industry background, company fundamentals
Synthesizer: Risk-adjusted recommendation with confidence scores
结果： 基于20多个最新来源，提供完整的投资论点，包含统计置信水平、风险分析以及可操作的建议。
研究代理智能特性
智能工具选择算法
研究代理分析您的查询，并自动选择最佳的工具组合：
// Agent's decision-making process
if (query.includes(['statistics', 'data', 'numbers', 'analysis'])) {
strategy = 'STATISTICAL_RESEARCH'; // All tools + extra data correlation
} else if (query.includes(['learn', 'tutorial', 'how to'])) {
strategy = 'EDUCATIONAL_PATH'; // YouTube + Web + structured learning
} else if (query.includes(['market', 'trends', 'industry'])) {
strategy = 'MARKET_INTELLIGENCE'; // All tools + business analysis
} else if (query.includes(['current', 'latest', 'recent', 'now'])) {
strategy = 'REAL_TIME_RESEARCH'; // Web-heavy + YouTube + quick synthesis
}
统计置信度评分
每项研究结果都包含置信度指标：
- 数据质量得分基于信息来源的可信度和交叉验证，评分范围为0-100%
- 最近度评分信息的时效性如何（根据来源日期加权）
- 覆盖率得分研究中探讨的查询方面所占的百分比
- 共识水平多个来源之间的协议百分比
自动验证过程
- 交叉核对检查验证多个来源的统计数据
- 异常值检测标记异常数据点以供人工审查
- 信息源可信度加权优先考虑权威来源
- 时间相关性在趋势分析中，对近期信息给予更高权重
技术合同
增强的输入格式：
{
"query": "your research question",
"researchType": "statistical|educational|market|technical", // Auto-detected if not provided
"constraints": {
"maxSources": 15, // Increased for statistical queries
"includeVideos": true,
"includeWeb": true,
"requireStats": true, // Forces statistical analysis
"confidenceThreshold": 85 // Minimum confidence for inclusion
},
"outputFormat": {
"includeMetrics": true,
"includeMethodology": true,
"structuredData": true
}
}
增强的输出格式：
{
"summary": "Synthesized insights with statistical backing",
"confidence": {
"dataQuality": 94,
"recency": 87,
"coverage": 92,
"consensus": 78
},
"statistics": {
"keyMetrics": [
{"metric": "Market Size", "value": "$388.1B", "confidence": 91, "sources": 8},
{"metric": "Growth Rate", "value": "22.8% CAGR", "confidence": 89, "sources": 12}
],
"trends": ["increasing", "accelerating", "stable"],
"correlations": [{"factor1": "adoption rate", "factor2": "pricing", "strength": 0.73}]
},
"sources": [
{
"type": "youtube|web|wikipedia",
"title": "Source Title",
"url": "https://...",
"excerpt": "Key insights...",
"credibilityScore": 89,
"recencyDays": 12,
"dataPoints": ["stat1", "stat2"]
}
],
"methodology": {
"toolsUsed": ["webSearch", "youtube", "wikipedia", "synthesizer"],
"searchStrategy": "STATISTICAL_RESEARCH",
"verificationSteps": 5,
"totalSources": 23,
"processingTime": "12.3s"
},
"actionableInsights": [
{
"insight": "Key recommendation",
"confidence": 92,
"supportingData": ["stat1", "stat2"],
"riskLevel": "low|medium|high"
}
]
}
尝试这些强大查询
用这些复杂的科研挑战来测试代理的智能：
# Statistical Analysis Challenge
"Compare the ROI of different programming bootcamps with salary outcomes and job placement rates"
# Market Intelligence Challenge
"Analyze the competitive landscape of AI video generation tools with pricing, features, and market share"
# Educational Research Challenge
"Create a complete cybersecurity career path with skill requirements, certifications, salary progression, and learning time estimates"
# Investment Analysis Challenge
"Should I invest in quantum computing stocks? Include market projections, key players, technological milestones, and risk analysis"
每个查询都将触发研究代理智能地整合所有工具，并提供全面的统计分析！
依赖项
在仓库中可见的主要运行时依赖： youtube-transcript （被……使用） youtube (获取转录本的)工具。使用 npm install 里面 planner/ （指公司、机构等）成立。
MCP生态系统
这个项目是更广泛的模型上下文协议生态系统的一部分：
- MCP规范连接人工智能系统与数据源的开放标准
- **MCP SDKs（软件开发工具包）**用于构建MCP服务器和客户端的开发工具包
- 克劳德桌面支持Claude桌面应用中的原生MCP集成
- 社区服务器针对各种数据源的开源MCP服务器库不断增长
了解更多关于MCP的信息，请访问 官方模型上下文协议文档。
下一步及小幅改进
- 添加
planner/README.md全面记录规划器的内部机制（代理API、工具合约）。（建议的下一步操作。） - 添加一个
.env.example因此，入职流程无需靠猜测来完成。 - 为工具添加单元测试，并为代理添加一个小型集成测试。
- 通过增加研究工具和数据来源，增强MCP服务器的功能。
贡献
- 克隆该仓库并创建一个功能分支。
- 提交一个带有清晰描述的拉取请求（PR），如适用，请附上测试。
联系
如果你想帮助扩展这个仓库（添加工具、增加测试或集成大型语言模型），告诉我你想添加的内容，我可以直接实现它。
完成：更新为包含构建/运行指南和开发说明的端到端README文件。
