Skip to main content
Glama

Paperlib MCP

Academic literature management and retrieval MCP server - supporting PDF import, hybrid search, knowledge graph construction, and literature review generation.

Python 3.11+ License: MIT

中文 README

✨ 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

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 -d

Configure in Cursor

Add to claude_desktop_config.json:

{
  "mcpServers": {
    "paperlib-docker": {
      "command": "docker",
      "args": [
        "exec",
        "-i",
        "paperlib-mcp",
        "python",
        "-m",
        "paperlib_mcp.server"
      ]
    }
  }
}

Prerequisites: Requires available PostgreSQL (with pgvector) and MinIO/S3-compatible storage service.

docker-compose up -d postgres minio minio-init

Configure 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-mcp

Configure 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

health_check

System health check

import_pdf

Import PDF documents

download_pdf

Download PDF by title to local directory

search_hybrid

Hybrid search (recommended)

get_document

Get document metadata

list_documents

List all documents

Graph Tools

Tool

Description

extract_graph_v1

Extract knowledge graph

build_communities_v1

Build topic communities

summarize_community_v1

Generate community summaries

Writing Tools

Tool

Description

build_evidence_pack

Build evidence pack

draft_lit_review_v1

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.md

Deployment Guide

ARCHITECTURE.md

System Architecture

EMBEDDING_SYSTEM.md

Embedding & Retrieval

KNOWLEDGE_GRAPH.md

Knowledge Graph

DATABASE_SCHEMA.md

Database Schema

MCP_TOOLS_REFERENCE.md

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

✅

-

OpenRouter API key

POSTGRES_HOST

❌

localhost

Database host

POSTGRES_USER

❌

paper

Database user

POSTGRES_PASSWORD

❌

paper

Database password

POSTGRES_DB

❌

paperlib

Database name

S3_ENDPOINT

❌

http://localhost:9000

MinIO endpoint

MINIO_ROOT_USER

❌

minio

MinIO user

MINIO_ROOT_PASSWORD

❌

minio123

MinIO password


📄 License

MIT

Available Tools

55 tools
assign_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

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:

  1. 计算文件哈希

  2. 上传到 MinIO 存储

  3. 提取文本内容

  4. 分块处理

  5. 生成 embeddings

  6. 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

    C2.8/5.0

    Scored across 55 tools

    Disambiguation2/5

    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.

    Naming Consistency3/5

    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.

    Tool Count1/5

    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.

    Completeness4/5

    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

    ActivityNo data
    ResponsivenessSyncing

    Related MCP Connectors