科研论文辅助阅读 MCP 系统（本地版）

本系统基于 MCP (Model Context Protocol) 构建，提供本地 PDF 解析、结构化提取、数学公式深度解析、代码生成与可视化功能。 所有计算均在本地运行，支持通过 Trae 内置大模型或本地 LLM 进行增强。

✨ 功能亮点

• � 智能摘要与方法论：summarizer 支持智能摘要与方法论提取，可自动连接本地 LLM (Ollama) 进行深度内容理解。

• 🔢 深度数学智能：math_explainer 提取公式、构建 AST（抽象语法树），并存入本地 SQLite 数据库。

• 💻 实验复现辅助：code_generator 自动从论文中提取超参数，生成 PyTorch 模型定义与训练脚本。

• 📊 可视化图表：visualization 生成 Mermaid 流程图与变量依赖图。

• 📑 智能报告生成：report_generator 自动生成 Markdown 格式的论文分析报告，包含摘要、结构、可视化图表与代码配置，并确保数学公式正确渲染。

• 🧠 知识管理：本地数据库 papers.db 自动存储论文元数据、符号定义与实验记录。

🛠️ 部署与安装

前置要求

• Node.js (v16+)

• Git

• (可选) Ollama 用于本地大模型加速 (默认端口 11434)

1. 克隆仓库

2. 安装依赖

3. 编译项目

4. 配置 Trae (或 Cursor)

自动配置 (推荐)

本仓库包含一个 trae_mcp_config.json 模板。你需要将其中的 command 路径修改为你本地 Node.js 的绝对路径，args 修改为 server.js 的绝对路径。

Windows 用户示例配置： 打开 Trae 设置 -> MCP Servers -> Edit in settings.json：

💡 提示：在终端运行 where node 可获取 Node.js 的安装路径。

5. 验证运行

重启 Trae 后，在 MCP 管理面板中应显示 local-papers 为 Connected 状态。 你可以尝试在对话框中输入：“请使用 pdf_loader 读取这个文件：E:\my_paper.pdf” 来测试。

� 迁移与多机部署

如果你想在另一台机器上运行此服务，有两种方式：

方式一：直接复制目录（便携式）

你可以直接将整个目录（包含 dist 和 node_modules）复制到新机器。 注意事项：

1. Node.js 环境：新机器必须安装 Node.js。

2. 操作系统一致性：如果你从 Windows 复制到 macOS/Linux，可能会因为 better-sqlite3 等原生依赖不兼容而报错。此时需要在新机器运行 npm rebuild 或删除 node_modules 重新 npm install。

3. 路径配置：在 Trae 的 settings.json 中，必须修改 command (Node 路径) 和 args (server.js 路径) 为新机器上的实际绝对路径。

方式二：重新克隆（推荐）

在每台新机器上重新执行 git clone、npm install 和 npx tsc。这是最稳健的方法，能确保所有依赖与当前系统完美兼容。

⚠️ 关于数据隐私：papers.db 文件存储了已解析的论文数据。直接复制目录会带走此数据库。如果在新机器上需要干净的环境，请删除 papers.db 文件。

�📝 使用指南

数学公式解析

"解析这篇论文的数学公式，并将符号定义存入数据库。"

代码生成

"根据这篇论文的方法部分，生成 PyTorch 模型代码，并提取超参数。"

可视化

"为这篇论文的模型结构生成一个 Mermaid 流程图。"

生成分析报告

"为这篇论文生成一份完整的 Markdown 分析报告。"

📂 项目结构

📄 License

MIT