学术论文搜索管理服务

研究MCP服务器

基于FastMCP的模型上下文协议（MCP）服务器，用于搜索和管理arXiv的学术论文。此服务器演示了如何使用工具、资源和提示模板构建MCP服务器。

特性

工具

• 搜索路径：在arXiv中搜索特定主题的论文，并将元数据存储在本地
• 提取信息：按ID检索特定论文的详细元数据

资源

• papers://folders：列出所有可用的研究主题文件夹
• 论文：//{主题}：获取特定研究主题的所有论文

提示模板

• generate_search_prompt：生成一个结构化的提示，以指导对特定主题的研究

安装

1. 克隆或下载此项目

2. 安装依赖项：

pip install -r requirements.txt

运行服务器

单独模式

直接运行服务器：

python research_server.py

使用克劳德桌面

将服务器添加到您的Claude Desktop配置中：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json 视窗: %APPDATA%\Claude\claude_desktop_config.json

配置：

{
  "mcpServers": {
    "research": {
      "command": "python",
      "args": [
        "/absolute/path/to/research_server.py"
      ]
    }
  }
}

替换 /absolute/path/to/research_server.py 使用文件的实际路径。

使用Python客户端

快速开始

运行交互式演示：

python example_usage.py

这将向您展示一个包含各种示例的交互式菜单。

基本客户端使用

from research_client import ResearchClient
import asyncio

async def main():
    client = ResearchClient()

    # Connect to the server
    await client.connect("./research_server.py")

    # Search for papers
    paper_ids = await client.search_papers("machine learning", max_results=5)

    # Get detailed information
    for paper_id in paper_ids:
        await client.extract_info(paper_id)

    # Browse topics
    await client.get_folders()

    # Close connection
    await client.close()

asyncio.run(main())

可用客户端方法

连接

• connect(server_script_path) -连接到MCP服务器
• close() -关闭连接

工具

• search_papers(topic, max_results) -搜索某一主题的论文
• extract_info(paper_id) -获取有关论文的详细信息

资源

• get_folders() -列出所有研究主题文件夹
• get_topic_papers(topic) -获取特定主题的所有论文

提示

• get_search_prompt(topic, num_papers) -生成搜索提示模板

发现

• list_tools() -列出所有可用工具
• list_resources() -列出所有可用资源
• list_prompts() -列出所有可用的提示模板

使用示例

示例1：文献综述

from research_client import ResearchClient
import asyncio

async def literature_review():
    client = ResearchClient()
    await client.connect("./research_server.py")

    # Search for papers
    paper_ids = await client.search_papers("neural networks", max_results=5)

    # Get details for each paper
    for paper_id in paper_ids:
        paper = await client.extract_info(paper_id)
        print(f"Title: {paper['title']}")
        print(f"Authors: {', '.join(paper['authors'])}")

    await client.close()

asyncio.run(literature_review())

示例2：比较主题

async def compare_topics():
    client = ResearchClient()
    await client.connect("./research_server.py")

    topics = ["deep learning", "machine learning", "AI"]
    for topic in topics:
        await client.search_papers(topic, max_results=3)

    # View all collected topics
    folders = await client.get_folders()

    await client.close()

asyncio.run(compare_topics())

示例3：交互式菜单（推荐）

python example_usage.py

从以下选项中选择：

1. 文献综述-搜索和分析某一主题的论文
2. 比较多个主题-比较不同领域的论文
3. 深潜-获取特定论文的全面细节
4. 浏览资源-探索存储的研究数据
5. 生成研究提示-创建结构化的研究提示
6. 运行所有示例-按顺序执行所有示例

与Claude Desktop一起使用

使用Claude Desktop配置时，您可以使用自然语言：

1. 搜索论文:

Use the search_papers tool to find papers about "machine learning"

2. 获取纸张详细信息:

Use the extract_info tool to get details for paper ID "2301.12345"

3. 列出所有主题:

Show me the papers://folders resource

4. 查看某个主题的论文:

Show me papers://machine_learning

5. 使用提示模板:

Use the generate_search_prompt template for "quantum computing" with 10 papers

项目结构

MCP_server/
├── research_server.py      # Main MCP server implementation
├── research_client.py      # Python client for the MCP server
├── example_usage.py        # Interactive examples and demos
├── requirements.txt        # Python dependencies
├── README.md              # This file
├── .gitignore             # Git ignore rules
├── .claude_mcp_config.json # Example MCP configuration
└── data/
    └── papers/            # Storage for paper metadata
        ├── topic1/        # Papers organized by topic
        ├── topic2/
        └── ...

运作原理

建筑

该项目由两个主要部分组成：

1. MCP服务器 (research_server.py)

   • 采用FastMCP框架构建
   • 显示工具、资源和提示模板
   • 处理arXiv API通信
   • 管理本地纸张存储

2. Python客户端 (research_client.py)

   • 通过stdio连接到MCP服务器
   • 提供异步方法来调用工具和访问资源
   • 处理JSON解析和格式化
   • 管理连接生命周期

搜索论文工具

1. 获取主题并搜索arXiv的API
2. 解析XML响应以提取论文元数据
3. 将论文本地存储在特定主题的文件夹中
4. 返回找到的纸张ID列表

提取信息工具

1. 按ID在本地存储中搜索纸张
2. 返回完整的元数据，包括：
   • 标题和作者
   • 摘要/总结
   • 出版日期
   • PDF链接

资源

资源提供对存储数据的只读访问：

• 列出你探索过的所有研究主题
• 查看特定主题下的所有论文

提示模板

可重复使用的提示，指导AI：

• 搜索某一主题的论文
• 提取并分析纸张详细信息
• 提供结构化的总结和建议

客户端-服务器通信

1. 客户端将服务器作为子进程生成
2. 通过JSON-RPC在stdio上进行通信
3. 客户端发送工具调用、资源请求和提示查询
4. 服务器处理请求并返回结构化响应
5. 客户端解析并呈现结果

数据存储

所有纸质元数据都以JSON格式存储在本地：

• 地点： data/papers/{topic}/{paper_id}.json
• 格式：JSON，包括标题、作者、摘要、出版日期和PDF链接

API 参考

search_papers（主题：str，max_results：int=5）->列表[str]

搜索arXiv并存储纸张元数据。

参数：

• topic：要搜索的研究主题
• max_results：要检索的最大论文数（默认值：5）

退货： 纸张ID列表

extract_info（paper_id:str）->str

获取特定论文的元数据。

参数：

• paper_id：arXiv纸张ID（例如“2301.12345”）

退货： 带纸质元数据的JSON字符串

资源：papers://folders

列出所有包含纸张计数的主题文件夹。

退货： 带有主题和计数的JSON

资源：论文：//{主题}

获取特定主题的所有论文。

参数：

• topic：主题名称

退货： JSON，包含主题中的所有论文

generate_search_prompt（主题：str，num_papers：int=5）->str

生成研究提示。

参数：

• topic：研究主题
• num_papers：要搜索的论文数（默认值：5）

退货： 格式化提示字符串

故障排除

服务器问题

服务器无法启动

• 确保安装了所有依赖项： pip install -r requirements.txt
• 检查Python版本（需要3.8+）
• 验证服务器脚本路径是否正确

未找到文件

• 请确保您首先使用以下工具搜索了论文 search_papers
• 检查一下 data/papers 目录存在并且具有写入权限

arXiv API错误

• arXiv API有费率限制；在搜索之间等待几秒钟
• 检查您的互联网连接
• 验证arXiv API是否可访问（尝试访问http://export.arxiv.org/api/query在浏览器中）

客户问题

连接错误

• 确保中的服务器脚本路径 connect() 是正确和绝对的
• 检查Python是否在您的PATH中
• 验证没有其他进程正在使用服务器

异步运行时错误

• 确保您正在运行客户端代码 asyncio.run()
• 没有适当的wait语句，不要混合使用async和sync代码

JSON解析错误

• 检查服务器是否返回有效的JSON
• 确保您使用的是最新版本的客户端
• 首先尝试独立运行服务器以验证其是否正常工作

导入错误

• 安装所有依赖项： pip install -r requirements.txt
• 验证您是否在正确的目录中
• 检查Python路径和虚拟环境

贡献

请随时使用其他功能扩展此服务器：

• 支持其他学术数据库（PubMed、Semantic Scholar）
• 纸张相似性分析
• 引文图可视化
• 自动生成文献综述

许可证

MIT许可证-您可以自由使用和修改您的项目。

了解更多

• FastMCP文档
• 模型上下文协议规范
• arXiv API文档