Paperlib MCP
Paperlib MCP is an academic literature management system that enables PDF import, intelligent search, knowledge graph construction, and automated literature review generation.
Document Management & Processing: Import PDFs with automatic text extraction, chunking, and vector embedding generation. List, retrieve, update metadata, delete, re-chunk, and regenerate embeddings for documents. Monitor ingestion status and troubleshoot errors.
Search & Retrieval: Perform hybrid searches combining full-text (FTS) and semantic vector search with configurable weighting, or use FTS-only/vector-only modes. Retrieve specific chunks, explain search results with detailed breakdowns, and build reusable evidence packs for research queries.
Knowledge Graph Construction: Extract entities (topics, methods, measures, identification strategies), relationships, and claims using LLM-driven analysis. Canonicalize and merge duplicate entities, lock entities to prevent auto-merging, and build topic communities using the Leiden clustering algorithm for macro/micro analysis. Group and cluster similar claims across papers.
Literature Review Generation: Generate structured review outlines with deterministic, reproducible templates. Draft complete literature reviews or specific sections (methodology, findings, gaps) based on topics or evidence packs. Build section-specific evidence packs, validate citation compliance, and export evidence matrices (paper-level and claim-level) in JSON/CSV formats.
Data Export & Analysis: Export compact relation views, grouped claim matrices with representative claims, section packets with complete writing inputs, and full markdown templates with placeholders for composition.
System Management: Perform health checks for database, S3/MinIO storage, and GraphRAG layer. Execute batch operations (bulk graph extraction, community rebuilds, parallel summarization), clear graph data selectively or globally, manage taxonomy rules for controlled vocabulary, and pre-calculate document frequency and topic features for performance optimization.
Provides S3-compatible object storage for PDF documents and related files in the academic literature management system.
Stores document metadata, vector embeddings, knowledge graph entities and relations, and supports hybrid search combining full-text search with pgvector semantic search.
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@Paperlib MCP search for recent papers about quantum machine learning"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
Paperlib MCP
Academic literature management and retrieval MCP server - supporting PDF import, hybrid search, knowledge graph construction, and literature review generation.
✨ Features
Feature | Description |
PDF Import | Auto-extract text, chunk by page, generate vector embeddings |
Hybrid Search | FTS full-text search + pgvector semantic search |
Knowledge Graph | LLM-driven entity/relation/claim extraction, Leiden community detection |
Review Generation | Structured literature review auto-generation based on evidence packs |
📋 Prerequisites
PostgreSQL 16+ with pgvector extension
MinIO or S3-compatible storage
OpenRouter API Key
🚀 Installation & Usage
Method 1: Docker Compose (Recommended for Beginners)
One-click launch of complete environment (PostgreSQL + MinIO + MCP):
git clone https://github.com/h-lu/paperlib-mcp.git
cd paperlib-mcp
# Configure API Key
cp .env.example .env
# Edit .env and fill in OPENROUTER_API_KEY
# Start services
docker-compose up -dConfigure in Cursor
Add to claude_desktop_config.json:
{
"mcpServers": {
"paperlib-docker": {
"command": "docker",
"args": [
"exec",
"-i",
"paperlib-mcp",
"python",
"-m",
"paperlib_mcp.server"
]
}
}
}Method 2: uvx Install (Recommended)
Prerequisites: Requires available PostgreSQL (with pgvector) and MinIO/S3-compatible storage service.
docker-compose up -d postgres minio minio-initConfigure in Cursor/Claude Desktop, modify environment variables according to your actual service addresses:
{
"mcpServers": {
"paperlib": {
"command": "uvx",
"args": ["paperlib-mcp"],
"env": {
"POSTGRES_HOST": "localhost",
"POSTGRES_USER": "paper",
"POSTGRES_PASSWORD": "paper",
"POSTGRES_DB": "paperlib",
"S3_ENDPOINT": "http://localhost:9000",
"MINIO_ROOT_USER": "minio",
"MINIO_ROOT_PASSWORD": "minio123",
"OPENROUTER_API_KEY": "your-api-key"
}
}
}
}Method 3: pip Install
Prerequisites: Same as Method 2, requires available PostgreSQL and MinIO/S3 services.
pip install paperlib-mcpConfigure MCP client (modify according to your actual service addresses):
{
"mcpServers": {
"paperlib": {
"command": "paperlib-mcp",
"args": [],
"env": {
"POSTGRES_HOST": "localhost",
"POSTGRES_USER": "paper",
"POSTGRES_PASSWORD": "paper",
"POSTGRES_DB": "paperlib",
"S3_ENDPOINT": "http://localhost:9000",
"MINIO_ROOT_USER": "minio",
"MINIO_ROOT_PASSWORD": "minio123",
"OPENROUTER_API_KEY": "your-api-key"
}
}
}
}Method 4: Local Development
git clone https://github.com/your-org/paperlib-mcp.git
cd paperlib-mcp
uv sync
cp .env.example .env
# Edit .env
uv run python -m paperlib_mcp.server📖 Available Tools
Basic Tools
Tool | Description |
| System health check |
| Import PDF documents |
| Download PDF by title to local directory |
| Hybrid search (recommended) |
| Get document metadata |
| List all documents |
Graph Tools
Tool | Description |
| Extract knowledge graph |
| Build topic communities |
| Generate community summaries |
Writing Tools
Tool | Description |
| Build evidence pack |
| Generate review draft |
Full tool list (48+) available at docs/MCP_TOOLS_REFERENCE.md
💡 Usage Examples
# Import PDF
> import_pdf file_path="/papers/study.pdf" title="Study Title"
# Search literature
> search_hybrid query="monetary policy" k=10
# Build knowledge graph
> extract_graph_v1 doc_id="abc123"
> build_communities_v1 level="macro"
# Generate review
> build_evidence_pack query="CBDC" k=40
> draft_lit_review_v1 pack_id=1📚 Documentation
Document | Description |
Deployment Guide | |
System Architecture | |
Embedding & Retrieval | |
Knowledge Graph | |
Database Schema | |
Tools API Reference |
🛠️ Tech Stack
Component | Technology |
MCP Protocol | FastMCP |
Database | PostgreSQL 16 + pgvector |
Object Storage | MinIO (S3 Compatible) |
PDF Processing | PyMuPDF4LLM |
Embedding Model | OpenRouter (text-embedding-3-small) |
Graph Clustering | igraph + Leiden |
Environment Variables
Variable | Required | Default | Description |
| ✅ | - | OpenRouter API key |
| ❌ |
| Database host |
| ❌ |
| Database user |
| ❌ |
| Database password |
| ❌ |
| Database name |
| ❌ |
| MinIO endpoint |
| ❌ |
| MinIO user |
| ❌ |
| MinIO password |
📄 License
MIT
Available Tools
55 toolsassign_claim_features_v1_2C
为 claims 分配预计算特征(primary_topic, outcome/treatment family 等)
Inputs: scope. Returns: object
build_claim_groups_v1C
对结论进行分组/聚类。
Args: scope: 处理范围,"all", "comm_id:...", "doc_ids:id1,id2" max_claims_per_doc: 每个文档最多处理多少条结论 dry_run: 是否仅预览
Inputs: scope, max_claims_per_doc, dry_run. Returns: object
build_claim_groups_v1_2C
基于 claim_features 构建 v1.2 claim groups
Inputs: scope. Returns: object
build_communities_v1A
构建主题社区
从 Paper->Entity 关系构建共现图,使用 Leiden 算法聚类。
Args: level: 社区层级,"macro" 或 "micro" min_df: 节点至少出现在 N 篇 paper,默认 3 resolution: Leiden 分辨率参数,默认 1.0 max_nodes: 最大节点数,默认 20000 rebuild: 是否重建(清除同 level 旧结果),默认 False
Returns: 社区列表,每个包含 comm_id、大小和 top entities
Inputs: level, min_df, resolution, max_nodes, +1 more. Returns: object
build_community_evidence_packA
为社区构建证据包
从社区 top entities 的 mentions 中采样 chunks,写入证据包。
Args: comm_id: 社区 ID max_chunks: 最大 chunk 数量,默认 100 per_doc_limit: 每篇文档最多 chunk 数,默认 4
Returns: 证据包信息,包含 pack_id、文档数和 chunk 数
Inputs: comm_id (required), max_chunks, per_doc_limit. Returns: object
build_evidence_packA
构建证据包
搜索与主题相关的文献片段,并保存为可复用的证据包。 证据包可用于多次迭代综述写作,避免每次重新检索导致结果漂移。
Args: query: 搜索主题/研究问题 k: 检索数量,默认 40 per_doc_limit: 每篇文档最多返回的 chunk 数量,默认 3 alpha: 向量搜索权重,默认 0.6
Returns: 证据包信息,包含 pack_id 和检索到的条目
Inputs: query (required), k, per_doc_limit, alpha. Returns: object
build_section_evidence_pack_v1A
构建章节证据包
为指定章节生成固定的证据包(可复现)。
Args: outline_id: 大纲 ID section_id: 章节 ID max_chunks: 最大 chunk 数量,默认 60 per_doc_limit: 每篇文档最多 chunk 数,默认 4 rebuild: 是否重建,默认 False
Returns: pack_id, chunk_count, doc_count
Inputs: outline_id (required), section_id (required), max_chunks, per_doc_limit, +1 more. Returns: object
canonicalize_entities_v1A
规范化并合并重复实体
对指定类型的实体进行规范化处理,合并同一 canonical_key 的重复实体。
Args: types: 要处理的实体类型列表,默认 ["Topic", "MeasureProxy", "IdentificationStrategy", "Method"] suggest_only: 是否只返回建议而不执行合并,默认 False max_groups: 最大处理组数,默认 5000
Returns: 合并统计信息和建议列表
Inputs: types, suggest_only, max_groups. Returns: object
canonicalize_relations_v1A
规范化关系并合并重复项,保留所有证据。
Args: scope: 处理范围,"all", "doc_id:...", "comm_id:..." predicate_whitelist: 只处理这些谓词 qualifier_keys_keep: 规范化时保留哪些 qualifier 字段 dry_run: 仅计算建议,不写入数据库
Inputs: scope, predicate_whitelist, qualifier_keys_keep, dry_run. Returns: object
clear_graphB
清理 GraphRAG 数据
清理指定文档或全部的 GraphRAG 数据。
Args: doc_id: 文档 ID(清理单个文档) clear_all: 是否清理全部(危险操作)
Returns: 清理结果,包含删除的记录数
Inputs: doc_id, clear_all. Returns: object
collect_evidenceB
收集特定主题的文献证据
搜索与主题相关的文献片段,可选择聚焦于特定章节类型。
Args: topic: 搜索主题 section_focus: 聚焦的章节类型(如 "methodology", "findings") k: 返回结果数量
Returns: 按文献聚合的证据列表
Inputs: topic (required), section_focus, k. Returns: object
compose_full_template_v1C
生成全文结构模板
返回按顺序排列的章节和 markdown 模板(带占位符)。
Args: outline_id: 大纲 ID
Returns: ordered_sections[], template_markdown
Inputs: outline_id (required). Returns: object
compute_topic_df_cacheC
计算 Topic 实体的文档频率缓存
Inputs: no named parameters. Returns: object
delete_documentA
删除指定文档
从数据库删除文档及其所有关联数据(chunks、embeddings、导入记录等)。 可选择同时删除 MinIO 中的 PDF 文件。
Args: doc_id: 文档的唯一标识符 also_delete_object: 是否同时删除 MinIO 中的 PDF 文件,默认 False
Returns: 删除结果,包含删除的记录数量
Inputs: doc_id (required), also_delete_object. Returns: object
download_pdfA
根据论文标题从数据库下载 PDF 到本地目录
根据论文标题搜索数据库,找到匹配的文档后从 MinIO 存储下载 PDF 文件 并保存到指定的本地目录。
Args: title: 论文标题(支持模糊匹配) output_dir: 输出目录,默认为 ./data exact_match: 是否精确匹配标题,默认 False(使用模糊匹配)
Returns: 下载结果,包含: - success: 是否成功 - doc_id: 文档 ID - title: 论文标题 - file_path: 保存的文件路径 - size: 文件大小(字节)
Inputs: title (required), output_dir, exact_match. Returns: object
draft_lit_review_v1B
生成文献综述草稿
基于指定主题或已有证据包,按照学术标准结构组织成综述草稿。
Args: topic: 综述主题/研究问题(如果提供 pack_id 则可选) pack_id: 已有证据包 ID(如果提供则直接使用,不重新检索) k: 检索的相关 chunk 数量(仅当未提供 pack_id 时使用),默认 30 outline_style: 大纲样式,可选 "econ_finance_canonical"(经济金融)或 "general"(通用)
Returns: 综述草稿,包含: - sections: 按结构组织的章节列表 - all_citations: 所有引用的文献信息 - total_sources: 引用的文献总数
Inputs: topic, pack_id, k, outline_style. Returns: object
draft_sectionA
生成综述特定章节
基于证据包,只生成指定章节的内容。适合迭代写作某个特定部分。
Args: pack_id: 证据包 ID section: 章节类型,如 "methodology"、"findings"、"gaps" 等 outline_style: 大纲样式,默认 "econ_finance_canonical"
Returns: 章节内容和引用列表
Inputs: pack_id (required), section (required), outline_style. Returns: object
explain_searchA
详细解释搜索结果
执行混合搜索并返回详细的解释信息,包括 FTS-only 命中、向量-only 命中、交集命中等。 用于调试和优化搜索参数。
Args: query: 搜索查询字符串 k: 返回结果数量,默认 10 alpha: 向量搜索权重(0-1),默认 0.6 per_doc_limit: 每篇文档最多返回的 chunk 数量,默认 3 fts_topn: FTS 候选数量,默认 50 vec_topn: 向量候选数量,默认 50
Returns: 详细的搜索解释,包含: - final_results: 最终 top-k 结果 - fts_only_hits: 仅 FTS 命中的结果 - vec_only_hits: 仅向量命中的结果 - intersection_hits: 两者都命中的结果 - stats: 统计信息
Inputs: query (required), k, alpha, per_doc_limit, +2 more. Returns: object
export_claim_matrix_grouped_v1C
导出按分组聚合的结论矩阵。
Inputs: comm_id, pack_id. Returns: object
export_claim_matrix_grouped_v1_2C
导出分组 claim 矩阵,每组返回 top-k 代表 claims (按 confidence 排序,sign 分层)
Inputs: comm_id, pack_id, top_k_per_group, include_subgroups. Returns: object
export_evidence_matrix_v1B
导出证据矩阵
导出 PaperMatrix(论文级)和 ClaimMatrix(结论级)两张表。
Args: comm_id: 社区 ID(与 topic 二选一) topic: 主题名称或 canonical_key(与 comm_id 二选一) format: 输出格式,"json" 或 "csv" limit_docs: 限制文档数量
Returns: paper_matrix 和 claim_matrix
Inputs: comm_id, topic, format, limit_docs. Returns: object
export_relations_compact_v1C
导出紧凑的关系视图(按 canonical 关系聚合)。
Inputs: comm_id, pack_id. Returns: object
export_section_packet_v1C
导出章节写作输入包
生成包含所有必要信息的 JSON,供 Agent 写作使用。
Args: pack_id: 证据包 ID
Returns: evidence[], paper_matrix[], claim_matrix[], doc_citations[]
Inputs: pack_id (required). Returns: object
extract_graph_missingB
批量补跑未抽取的文档
找出没有 mentions 的文档,并对它们执行 extract_graph_v1。
Args: limit_docs: 最大处理文档数,默认 50 llm_model: LLM 模型,默认使用环境变量 LLM_MODEL 配置 min_confidence: 最小置信度阈值
Returns: 处理的文档数和文档 ID 列表
Inputs: limit_docs, llm_model, min_confidence, concurrency, +2 more. Returns: object
extract_graph_v1A
抽取结构化图谱要素 (Async Parallel)
从文档的 chunks 中抽取实体、关系和结论,写入 GraphRAG 表。 使用并行处理以加快速度。
执行过程会实时报告 chunk 处理进度。
Args: doc_id: 文档 ID chunk_ids: 指定 chunk ID 列表(可选) mode: 模式,默认 "high_value_only" max_chunks: 最大处理 chunk 数,默认 60 llm_model: LLM 模型,默认使用配置 min_confidence: 最小置信度阈值,默认 0.8 dry_run: 是否仅预览不写入,默认 False concurrency: 并发请求数,默认 60
Inputs: doc_id, chunk_ids, mode, max_chunks, +4 more. Returns: object
generate_review_outline_data_v1A
生成综述大纲(确定性,无 LLM)
从 topic 或 comm_ids 生成可复现的综述大纲结构,写入数据库。
Args: topic: 综述主题(与 comm_ids 二选一) comm_ids: 社区 ID 列表(与 topic 二选一) outline_style: 大纲样式,默认 "econ_finance_canonical" rebuild: 是否重建已存在的大纲,默认 False
Returns: outline_id, topic, sections 列表
Inputs: topic, comm_ids, outline_style, rebuild. Returns: object
get_chunkB
获取指定 chunk 的完整内容
根据 chunk_id 获取文本块的完整信息,包括全文、页码、所属文档等。
Args: chunk_id: chunk 的唯一标识符
Returns: chunk 的详细信息,包含: - chunk_id: chunk ID - doc_id: 所属文档 ID - text: 完整文本 - page_start/page_end: 页码范围 - has_embedding: 是否有 embedding
Inputs: chunk_id (required). Returns: object
get_documentA
获取指定文档的元数据和统计信息
根据 doc_id 获取文档的完整元数据,包括标题、作者、chunk 数量等。
Args: doc_id: 文档的唯一标识符(SHA256 哈希)
Returns: 文档的详细信息,包含: - 元数据:title, authors, year, venue, doi, url - 存储信息:pdf_bucket, pdf_key - 统计:chunk_count, embedded_chunk_count, total_tokens
Inputs: doc_id (required). Returns: object
get_document_chunksA
获取指定文档的所有 chunks 列表
根据 doc_id 获取该文档的所有文本块摘要信息。
Args: doc_id: 文档的唯一标识符
Returns: chunks 列表,每个包含 chunk_id、页码和文本摘要
Inputs: doc_id (required). Returns: object
get_evidence_pack_infoB
获取证据包详情
查看已保存的证据包内容和统计信息。
Args: pack_id: 证据包 ID
Returns: 证据包详情
Inputs: pack_id (required). Returns: object
get_outline_templatesA
获取可用的综述大纲模板
返回所有支持的文献综述结构模板。
Returns: 模板列表,每个包含名称和章节结构
Inputs: no named parameters. Returns: object
graph_health_checkA
检查 GraphRAG 层健康状态
验证 M2 GraphRAG 所需的表和索引是否存在,并返回统计信息。
Args: include_counts: 是否包含各表的行数统计,默认 True
Returns: 健康状态信息,包含: - ok: 整体状态是否正常 - db_ok: 数据库连接状态 - tables_ok: 必要表是否存在 - indexes_ok: 必要索引是否存在 - counts: 各表行数(可选)
Inputs: include_counts. Returns: object
graph_statusA
查看 GraphRAG 覆盖状态
统计每个文档(或全局)的 entities、mentions、claims 覆盖率。
Args: doc_id: 文档 ID(可选,若无则返回全局统计)
Returns: 覆盖率统计信息
Inputs: doc_id. Returns: object
health_checkB
检查系统健康状态
验证数据库连接、S3/MinIO 存储桶访问以及必要的数据库扩展是否正常。
Returns: 健康状态信息,包含: - ok: 整体状态是否正常 - db: 数据库连接状态 - s3: S3/MinIO 存储状态
Inputs: no named parameters. Returns: object
import_pdfA
导入 PDF 文献到知识库
将 PDF 文件导入到知识库,包括:
计算文件哈希
上传到 MinIO 存储
提取文本内容
分块处理
生成 embeddings
提交到数据库
执行过程会通过进度通知报告当前状态。
Args: file_path: PDF 文件的绝对路径 title: 文档标题(可选,会尝试从 PDF 元数据提取) authors: 作者(可选) year: 发表年份(可选) force: 是否强制重新导入已存在的文档
Inputs: file_path (required), title, authors, year, +1 more. Returns: object
ingest_statusA
查看导入状态
查看指定文档或作业的导入状态,包括各阶段进度和错误信息。
Args: doc_id: 文档 ID(通过 doc_id 查询最新作业) job_id: 作业 ID(直接查询特定作业)
Returns: 导入状态信息,包含各阶段状态、错误摘要和建议修复动作
Inputs: doc_id, job_id. Returns: object
lint_review_v1B
验证全文合规
检查完整综述是否符合所有引用规则。
Args: pack_ids: 允许的证据包 ID 列表(白名单) markdown: 完整的综述 markdown
Returns: passed, issues[], stats
Inputs: pack_ids (required), markdown (required). Returns: object
lint_section_v1B
验证章节引用合规
检查 Agent 写作的 markdown 是否符合引用规则。
Args: pack_id: 证据包 ID markdown: Agent 写作的 markdown 内容 require_citations_per_paragraph: 是否要求每段有引用,默认 False min_citations_per_paragraph: 每段最少引用数,默认 1
Returns: passed, issues[], stats
Inputs: pack_id (required), markdown (required), require_citations_per_paragraph, min_citations_per_paragraph. Returns: object
list_documentsA
列出所有已导入的文档
获取文献库中所有文档的摘要列表,支持排序和筛选。
Args: limit: 返回结果数量限制,默认 50 offset: 分页偏移量,默认 0 order_by: 排序字段,可选 "created_at"(默认)、"year"、"title" has_embeddings: 筛选条件,True=只显示有完整embedding的,False=只显示缺embedding的,None=显示全部
Returns: 文档列表,包含基本信息和 chunk/embedding 统计
Inputs: limit, offset, order_by, has_embeddings. Returns: object
list_evidence_packsB
列出所有证据包
查看已保存的证据包列表。
Args: limit: 返回数量限制,默认 20 offset: 分页偏移量,默认 0
Returns: 证据包列表
Inputs: limit, offset. Returns: object
lock_entityA
锁定或解锁实体
锁定的实体不会被自动规范化合并。
Args: entity_id: 实体 ID is_locked: 是否锁定,默认 True
Returns: 操作结果
Inputs: entity_id (required), is_locked. Returns: object
merge_entitiesA
手动合并两个实体
将 from_entity 的所有引用迁移到 to_entity,然后删除 from_entity。
Args: from_entity_id: 要被合并的实体 ID to_entity_id: 目标实体 ID reason: 合并原因
Returns: 操作结果
Inputs: from_entity_id (required), to_entity_id (required), reason (required). Returns: object
rebuild_communitiesA
重建社区
清除指定层级的旧社区并重新构建。
Args: level: 社区层级,"macro" 或 "micro" min_df: 节点最小文档频率,默认 3 resolution: Leiden 分辨率参数,默认 1.0
Returns: 新社区列表
Inputs: level, min_df, resolution. Returns: object
rechunk_documentA
重新分块文档
从 MinIO 获取 PDF,重新提取文本并分块,然后生成新的 embeddings。 会删除旧的 chunks 和 embeddings。
Args: doc_id: 文档的唯一标识符 strategy: 分块策略,目前支持 "page_v1"(按页分块) force: 是否强制执行(即使已有 chunks),默认 False
Returns: 处理结果,包含新的 chunk 数量
Inputs: doc_id (required), strategy, force. Returns: object
reembed_documentA
重新生成文档的 embedding
为文档的 chunks 生成 embedding。默认只处理缺失 embedding 的 chunks, 设置 force=True 可重新生成所有 embedding。
Args: doc_id: 文档的唯一标识符 batch_size: 批处理大小,默认 64 force: 是否强制重新生成所有 embedding,默认 False
Returns: 处理结果,包含处理的 chunk 数量
Inputs: doc_id (required), batch_size, force. Returns: object
search_fts_onlyA
纯全文搜索
仅使用 PostgreSQL 全文搜索,适合精确关键词匹配的场景。
Args: query: 搜索查询字符串(支持布尔运算符) k: 返回结果数量,默认 10
Returns: 搜索结果列表
Inputs: query (required), k. Returns: object
search_hybridA
混合搜索文献库
使用全文搜索(FTS)和向量相似度搜索的组合,找到与查询最相关的文本块。
Args: query: 搜索查询字符串 k: 返回结果数量,默认 10 alpha: 向量搜索权重(0-1),默认 0.6。FTS 权重为 1-alpha per_doc_limit: 每篇文档最多返回的 chunk 数量,默认 3(避免单篇论文刷屏) fts_topn: FTS 候选数量,默认 50 vec_topn: 向量候选数量,默认 50
Returns: 搜索结果,包含: - results: 按相关性排序的 chunk 列表 - fts_candidates: FTS 候选数量 - vec_candidates: 向量候选数量
Inputs: query (required), k, alpha, per_doc_limit, +2 more. Returns: object
search_vector_onlyA
纯向量搜索
仅使用向量相似度搜索,适合语义相关但关键词不匹配的场景。
Args: query: 搜索查询字符串 k: 返回结果数量,默认 10
Returns: 搜索结果列表
Inputs: query (required), k. Returns: object
select_high_value_chunksA
筛选高价值 chunks
从指定文档或证据包中筛选包含关键方法/识别/结果相关内容的 chunks。
Args: doc_id: 文档 ID(与 pack_id 二选一) pack_id: 证据包 ID(与 doc_id 二选一) max_chunks: 最大返回数量,默认 60 keyword_mode: 关键词模式,"default" 或 "strict"
Returns: 高价值 chunk 列表,每个包含 chunk_id、doc_id、页码和命中原因
Inputs: doc_id, pack_id, max_chunks, keyword_mode. Returns: object
split_large_claim_groups_v1_2C
拆分超大 claim groups (使用 TF-IDF + KMeans)
Inputs: split_threshold, target_size. Returns: object
summarize_all_communitiesA
批量/并行生成社区摘要
Args: level: 社区层级,"macro" 或 "micro"(或整数 1/2) concurrency: 并发数,默认 5 comm_ids: 指定社区 ID 列表 force: 是否强制重新生成
Inputs: level, concurrency, comm_ids, force. Returns: object
summarize_community_v1C
生成社区结构化摘要
Inputs: comm_id (required), pack_id, llm_model, max_chunks, +1 more. Returns: object
taxonomy_list_termsC
列出词表规则
Inputs: kind, enabled_only. Returns: object
taxonomy_upsert_termC
添加或更新词表规则
Inputs: kind (required), family (required), pattern (required), priority, +2 more. Returns: object
update_documentA
更新指定文档的元数据
根据 doc_id 更新文档的元数据信息。只有提供的字段会被更新, 未提供的字段保持原值不变。
Args: doc_id: 文档的唯一标识符(SHA256 哈希) title: 新的论文标题 authors: 新的作者列表 year: 新的发表年份 venue: 新的期刊/会议名称 doi: 新的 DOI 标识符 url: 新的论文链接
Returns: 更新结果,包含: - success: 是否成功 - doc_id: 文档 ID - updated_fields: 更新的字段列表 - document: 更新后的文档信息
Inputs: doc_id (required), title, authors, year, +3 more. Returns: object
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 55 tools
Multiple versioned tools (e.g., build_claim_groups_v1 and v1_2, export_claim_matrix_grouped_v1 and v1_2) overlap in purpose, and several tools like draft_lit_review_v1 and draft_section have unclear boundaries. This makes it difficult for an agent to reliably select the correct tool.
Most tools follow a verb_noun pattern with snake_case, but version suffixes (v1, v1_2) are inconsistent across the set. Some tools lack versions (e.g., lock_entity, merge_entities), while others have them, breaking uniformity.
With 55 tools, this server vastly exceeds the typical well-scoped range (3-15). Many tools are redundant versions of similar functionality, suggesting feature creep and unnecessary complexity for most use cases.
The tool set covers the full literature review pipeline: import, search, extraction, clustering, evidence packing, drafting, and linting. Minor gaps exist (e.g., no community or evidence pack deletion), but core workflows are well-supported.
Maintenance
Related MCP Connectors
Academic paper search, scientific literature, citation analysis, arXiv & semantic related-work.
Search 340M+ academic papers — citation graphs, semantic similarity, and AI literature reviews.
Search arXiv/Semantic Scholar/OpenAlex + medical evidence (PubMed/Europe PMC) + LaTeX/PDF tools.
Academic literature search, retrieval, and private library management on top of OpenAlex.