Skip to main content
Glama
FengLiangcheng-hfut

ScholarMind

by FengLiangcheng-hfut
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

ScholarMind

面向大模型 Agent 领域的多模态学术研究助手。它可以安装到任意 MCP 宿主中，辅助完成论文检索、PDF/图表理解、知识图谱沉淀、学习路径规划和代码复现实验。

Python MCP

Feature 亮点

功能

描述

论文检索

双源检索 Semantic Scholar + arXiv，遇到 429 自动降级

多模态理解

解析论文图表、表格、系统架构图和实验曲线，按需触发以控制 token 成本

知识图谱

阅读论文后自动构建个人学术知识网络，使用 Pydantic Schema 约束结构化输出

学习规划

基于知识盲区检测和 PageRank 分析，推荐下一步阅读与补强路径

代码复现

将论文方法转化为可执行的实验或原型代码，并在沙箱中运行验证

Related MCP server: scholar-mcp

项目定位

ScholarMind 当前聚焦大模型 Agent 研究，适合围绕以下主题建立可持续积累的研究工作流：

  • LLM Agent 架构、规划、反思、工具使用和多 Agent 协作

  • 长期记忆、RAG、知识图谱和上下文管理

  • Agent benchmark、评测闭环、可复现实验和工程框架

  • ReAct、MemGPT、Generative Agents、AutoGen、LangGraph 等代表性论文与系统

Architecture

ScholarMind/
├── CLAUDE.md                   <- 宿主入口文档
├── install.py                  <- 一键安装脚本
├── mcp_config.example.json     <- MCP 注册模板
├── memory/                     <- 文件系统记忆
│   ├── MEMORY.md               <- 经验记忆
│   ├── USER.md                 <- 用户画像
│   ├── experiences/            <- 搜索策略、分析模式等经验
│   └── knowledge_export/       <- 图谱可读导出
├── .agents/workflows/          <- 工作流脚本
│   ├── paper-analysis.md       <- /paper-analysis
│   ├── knowledge-build.md      <- /knowledge-build
│   ├── paper-watch.md          <- /paper-watch
│   └── simulation.md           <- /simulation
├── skills/                     <- Skills 与 CLI 脚本
│   ├── paper_reader/           <- PDF -> 文本 + 图表
│   ├── learning_path/          <- 盲区检测 + 路径规划
│   └── paper_watch/            <- 论文追踪
├── src/
│   ├── mcp_servers/            <- MCP Server
│   ├── core/                   <- PDF 解析、多模态图表分析等核心能力
│   ├── knowledge/              <- 知识图谱 Schema、抽取、存储、分析
│   ├── report/                 <- 结构化研究报告与仪表盘
│   └── execution/              <- 代码沙箱与实验模板
├── prompts/                    <- Prompt 模板库
└── tests/                      <- 测试套件

Quick Start

1. 克隆并安装依赖

git clone https://github.com/Jennyee1/AcademicAgent.git
cd AcademicAgent
pip install -r requirements.txt

2. 配置 API Key

cp .env.example .env   # Windows: copy .env.example .env
# 编辑 .env，填入 MINIMAX_API_KEY

3. 一键安装

python install.py

安装脚本会检查关键文件、创建 data/ 目录、生成 mcp_config.json，并输出注册到 MCP 宿主的指引。

4. 注册到宿主

将生成的 mcp_config.json 内容合并到你的宿主配置：

宿主

配置文件位置

Antigravity

~/.gemini/antigravity/mcp_config.json

Claude Code

~/.claude/mcp_config.json

5. 开始使用

> "帮我搜索关于 LLM Agent memory 的最新论文"
> "分析这篇 ReAct 论文，并把核心概念写入知识图谱"
> /paper-analysis
> /knowledge-build

Tech Stack

类别

技术

协议

MCP (Model Context Protocol)

PDF 解析

PyMuPDF，Generator 模式防 OOM

知识图谱

NetworkX + Pydantic Structured Output + 时间维度

检索

TF-IDF 语义检索 + 关键词回退

论文搜索

Semantic Scholar API + arXiv API 自动降级

记忆

Hermes-style MEMORY.md + USER.md + Markdown 导出

实验执行

subprocess 沙箱 + numpy/scipy/matplotlib

Memory System

项目借鉴 Hermes Agent、ReMe、MemU、Zep/Graphiti 等记忆框架，实现轻量级文件系统记忆：

记忆层

实现

灵感来源

用户画像

memory/USER.md

用户研究偏好建模

经验记忆

memory/MEMORY.md

Hermes MEMORY.md + ReMe

时间维度

schema.py 时间字段

Zep/Graphiti 时序图谱

语义检索

graph_store.py TF-IDF

ReMe hybrid retrieval

可审计导出

export_to_markdown()

MemU 文件系统记忆

GitHub Description 建议

用于仓库简介的一句话可以写成：

A multimodal academic research Agent for LLM Agent papers: search, PDF/figure understanding, knowledge graph memory, learning paths, and reproducible experiments via MCP.

License

MIT

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityInactive
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • scholar-mcp

    Liyux3
    A
    license
    A
    quality
    A
    maintenance
    Multi-source academic paper search, citation graph exploration, and PDF download as an MCP server, designed for LLM agents doing research.
    6
    156 PyPI
    3
    Apache 2.0

  • MCP-based Academic Paper

    Ta-Gu
    F
    license
    Not graded
    quality
    C
    maintenance
    Enables AI coding assistants to query private academic paper collections via standard MCP tools, with hybrid retrieval, reranking, and inline citations.
    -