Cheap Research v1.0.0

Eine Engine zur begrenzten Beweisprüfung. Geben Sie ihr eine Behauptung und ein Dokumentenkorpus – sie extrahiert relevante Beweise, erkennt Widersprüche und erstellt prüfbare Beweispakete. Keine Halluzinationen, keine globalen Wahrheitsansprüche, keine Open-Web-Recherche.

Was sie tut

1. Einlesen von PDF-, TXT-, MD-, DOCX-, DOC-, HTML-, RTF-, EPUB-Dokumenten

2. Extrahieren von Beweisabschnitten, die für Ihre Behauptung relevant sind

3. Erkennen von Widersprüchen zwischen Behauptung und Korpus

4. Rendern von Markdown-Beweispaketen mit Vorbehalten

5. Prüfen eines unveränderlichen, Hash-verketteten Audit-Trails

Vertrauenshaltung

• Fails closed – die Durchsetzungs-Engine blockiert ungültige Autoritätsübergänge

• Begrenztes Korpus – kann keine Behauptungen außerhalb der bereitgestellten Dokumente aufstellen

• Explizite Vorbehalte – jedes Paket gibt Einschränkungen an

• Keine globale Wahrheit – „nicht im Korpus belegt“ bedeutet nicht „falsch“

• Menschliche Prüfung erforderlich – Behauptungen benötigen eine explizite Freigabe durch einen Prüfer

MCP-Tools

Schnellstart: Paper herunterladen

Verwenden Sie corpus_load, um eine kuratierte Auswahl grundlegender ML-Paper herunterzuladen:

// Download ALL papers to your corpus
corpus_load({ corpus_path: "/path/to/cheap-research/corpus" })

// Or download specific topics
corpus_load({
  corpus_path: "/path/to/corpus",
  topics: ["transformers", "optimization"]
})

// Or specific papers by ID
corpus_load({
  corpus_path: "/path/to/corpus",
  paper_ids: ["attention", "bert", "resnet"]
})

Verfügbare Themen: transformers, foundations, optimization, reinforcement, generative, representations, efficiency

Enthaltene Paper: Attention Is All You Need, BERT, GPT, GPT-3, ResNet, AlexNet, LSTM, Adam, Batch Norm, Dropout, GANs, VAE, Diffusion Models, Vision Transformer, Word2Vec, DQN, Knowledge Distillation und mehr (insgesamt 22 Paper).

Installation

git clone https://github.com/your-org/cheap-research.git
cd cheap-research
npm install
npm run build

Hinzufügen zu Ihrem KI-Assistenten

Dieser Server verwendet das Model Context Protocol (MCP). So verbinden Sie ihn mit Ihrer KI:

Claude (Claude Code CLI / Claude Desktop)

1. Öffnen Sie Ihre MCP-Konfigurationsdatei:

   • Claude Code: ~/.claude.json

   • Claude Desktop: ~/Library/Application Support/Claude/claude_desktop_config.json (macOS) oder %APPDATA%\Claude\claude_desktop_config.json (Windows)

2. Fügen Sie den Server zu mcpServers hinzu:

{
  "mcpServers": {
    "cheap-research": {
      "command": "node",
      "args": [
        "/ABSOLUTE/PATH/TO/cheap-research/node_modules/.bin/tsx",
        "--tsconfig",
        "/ABSOLUTE/PATH/TO/cheap-research/tsconfig.base.json",
        "/ABSOLUTE/PATH/TO/cheap-research/apps/mcp-server/src/index.ts"
      ]
    }
  }
}

3. Ersetzen Sie /ABSOLUTE/PATH/TO/ durch den tatsächlichen Pfad, unter dem Sie das Repo geklont haben.

4. Starten Sie Claude Code oder Claude Desktop neu.

5. Geben Sie /mcp in Claude Code ein, um zu überprüfen, ob der Server verbunden ist.

Andere MCP-kompatible KI-Tools

Jedes KI-Tool, das MCP unterstützt, kann diesen Server verwenden. Weisen Sie es an, den Befehl npm run mcp auszuführen oder das oben genannte Konfigurationsformat zu verwenden. Überprüfen Sie die Dokumentation Ihres Tools zur MCP-Serverkonfiguration.

Als MCP-Server ausführen (manuell)

npm run mcp

Dies startet den Server im stdio-Modus, bereit für MCP-Clients.

Beispiel

// Start research on a claim
research_start({
  task_type: "bounded_doc_claim_assessment",
  target_claim: "Attention mechanisms enable Transformers to model long-range dependencies",
  entity: "Transformer architecture",
  feature: "attention mechanism",
  scope: "Assess based on provided neural network papers",
  corpus_path: "/path/to/corpus"
})

// Returns: { run_id, status: "completed", assessment: "qualified", ... }

Unterstützte Formate

Was NICHT enthalten ist (beabsichtigt)

• Open-Web-Recherche

• Autonome Empfehlungen

• Konfidenzwerte

• Freie LLM-Synthese

• Automatische betriebliche Abnahme

• Vektor-Embeddings / semantische Suche

Architektur

corpus/           → ingestCorpus() → MemoryStore
                                  ↓
claim + evidence  → findRelevantSpans() → scored spans
                                  ↓
                  → detectContradictions() → flagged spans
                                  ↓
                  → createClaimCandidate() → enforcement check
                                  ↓
                  → renderPacketMarkdown() → evidence packet
                                  ↓
                  → publishPacket() → audit log

Zustandsmaschinen

Behauptungen, Ergebnisse und Pakete haben strikte Zustandsübergänge, die von der Durchsetzungs-Engine erzwungen werden. Illegale Übergänge werden mit expliziten Blockern verhindert.

Audit-Trail

Hash-verkettetes, unveränderliches Audit-Log. Jede Aktion wird aufgezeichnet mit:

• Akteur-Kontext (wer)

• Objekt-Referenz (was)

• Ereignistyp (Aktion)

• Payload (Details)

• Ketten-Hash (Integrität)

Lizenz

MIT