AI Research Assistant MCP

Ein MCP-gestützter KI-Forschungsassistent zum Entdecken, Verstehen, Vergleichen und Organisieren wissenschaftlicher Arbeiten.

Der Server verbindet sich mit arXiv zur Papiererkennung und verwendet Gemini für forschungsorientierte Analysen. Er wurde entwickelt, um Forschern zu helfen, von der Suche nach Papieren zum Verständnis ihrer Methoden, Einschränkungen und potenziellen Forschungslücken zu gelangen.

Funktionen

🔎 Papiererkennung

Durchsuchen Sie arXiv nach einem Forschungsthema oder einem Schlüsselwort.

Der Server gibt Folgendes zurück:

• Papiertitel

• Autoren

• Zusammenfassung

• Veröffentlichungsdatum

• Aktualisierungsdatum

• arXiv-URL

• PDF-URL

📄 Papierabruf

Rufen Sie detaillierte Informationen zu einem bestimmten Papier über seine arXiv-ID oder URL ab.

📝 Papierzusammenfassung

Erstellen Sie eine strukturierte, forschungsorientierte Zusammenfassung, die Folgendes abdeckt:

• Forschungsproblem

• Vorgeschlagener Ansatz

• Wichtigste Ergebnisse

• Hauptbeitrag

• Warum die Arbeit wichtig ist

⚖️ Papiervergleich

Vergleichen Sie mehrere Papiere hinsichtlich:

• Forschungsproblem

• Kernmethode

• Modell-/Retrieval-Architektur

• Datensatz oder Evaluierung

• Ergebnisse

• Stärken

• Schwächen

• Unterschiede

• Gemeinsame Erkenntnisse

• Forschungsmöglichkeiten

🔬 Methodenanalyse

Extrahieren und erklären Sie die Methodik eines Papiers, einschließlich:

• Forschungsziel

• Architektur

• Haupttechnik

• Verwendete Daten

• Trainings-/Retrieval-Prozess

• Evaluierungsmethode

• Technische Komponenten

⚠️ Einschränkungsanalyse

Analysieren Sie Papiere auf:

• Explizite Einschränkungen

• Methodische Schwächen

• Evaluierungseinschränkungen

• Datensatzeinschränkungen

• Generalisierungsbedenken

• Rechenbedenken

• Zukünftige Forschungsfragen

Der Assistent unterscheidet zwischen Einschränkungen, die explizit durch das Papier gestützt werden, und potenziellen Forschungsfragen, die aus den verfügbaren Informationen abgeleitet werden.

💡 Entdeckung von Forschungslücken

Identifizieren Sie bei einem Forschungsthema und mehreren Papieren potenzielle Forschungslücken und liefern Sie:

• Lücke

• Belege aus der Literatur

• Warum die Lücke wichtig ist

• Mögliche Forschungsfrage

• Mögliches Experiment

• Erwarteter Beitrag

Das System ist angewiesen, eine unverifizierte Lücke nicht als gesicherte Tatsache darzustellen.

💾 Forschungsbibliothek

Papiere können lokal gespeichert werden, um eine persönliche Forschungsbibliothek zu erstellen.

Verfügbare Operationen umfassen:

• Ein Papier speichern

• Gespeicherte Papiere auflisten

• Gespeicherte Papiere durchsuchen

Gespeicherte Papiere werden in saved_papers.json gespeichert.

Related MCP server: LitSynth MCP Server

Architektur

             AI Client
                │
                │ MCP
                ▼
      ┌─────────────────────┐
      │  AI Research        │
      │  Assistant Server   │
      └──────────┬──────────┘
                 │
         ┌───────┴────────┐
         │                │
         ▼                ▼
       arXiv            Gemini
    Paper Search      AI Analysis
         │                │
         └───────┬────────┘
                 ▼
          Research Insights

Der Server ist mit FastMCP implementiert und stellt Forschungsfunktionen als MCP-Tools bereit.

MCP-Tools

Der aktuelle Server bietet:

search_papers() get_paper() summarize_paper() compare_papers() extract_methodology() extract_limitations() find_research_gaps() save_paper() list_saved_papers() search_saved_papers()

Technologie-Stack

• Python 3.11+

• FastMCP

• Model Context Protocol (MCP)

• arXiv-API

• Google Gemini API

• Requests

• JSON-basierter lokaler Speicher

Projektstruktur

research-assistant/
│
├── src/
│   └── research_assistant/
│       └── __init__.py
│
├── server.py
├── pyproject.toml
├── README.md
├── .gitignore
└── .python-version

Einrichtung

Installieren Sie die Projektabhängigkeiten mit:

uv sync

Setzen Sie Ihren Gemini-API-Schlüssel als Umgebungsvariable:

GEMINI_API_KEY=your_api_key

Committen Sie keine API-Schlüssel oder .env-Dateien auf GitHub.

Ausführen des Servers

Führen Sie den MCP-Server lokal aus:

uv run server.py

Testen mit dem MCP Inspector

Führen Sie Folgendes aus:

uv run fastmcp dev inspector server.py

Der MCP Inspector kann dann verwendet werden, um die verfügbaren Tools zu testen und ihre Antworten zu überprüfen.

Beispiel-Workflow

Ein typischer Forschungs-Workflow kann wie folgt aussehen:

Forschungsthema ↓ Papiere suchen ↓ Relevante Papiere auswählen ↓ Papierdetails abrufen ↓ Papiere zusammenfassen ↓ Papiere vergleichen ↓ Methodik analysieren ↓ Einschränkungen analysieren ↓ Potenzielle Forschungslücken identifizieren ↓ Wichtige Papiere speichern

Zum Beispiel: text "Finden Sie Papiere über Retrieval-Augmented Generation und identifizieren Sie potenzielle Forschungslücken."

Der Assistent kann die Literatur durchsuchen, relevante Papiere abrufen, sie analysieren und die verfügbaren Papierinformationen nutzen, um potenzielle Forschungsrichtungen zu identifizieren.

Forschungsfokus

Das Projekt wird mit besonderem Interesse an Generativer KI und Retrieval-Augmented Generation (RAG) Forschung entwickelt.

Potenzielle zukünftige Forschungs-Workflows umfassen die Untersuchung von:

• CRAG

• Self-RAG

• RAG-Evaluierung

• Retrieval-Qualität

• Halluzinationsreduktion

• Semantisches Retrieval

• Widersprüchliche Belege

• Vergleich von Forschungspapieren

• Entdeckung von Literaturlücken

Aktueller Status

🚧 Aktive Entwicklung

Die aktuellen Fähigkeiten konzentrieren sich auf:

Papiererkennung → Papieranalyse → Papiervergleich → Erforschung von Forschungslücken → Persönliche Papierbibliothek

Zukünftige Versionen können dies auf tiefere Papieranalysen, Volltextforschung, Retrieval über gespeicherte Papiere und fortgeschrittenere Forschungs-Workflows erweitern.

Autor

Khushi Sonwane

Entwickelt als praktisches Projekt zur Erkundung von Generativer KI, MCP, akademischen Forschungs-Workflows und RAG-Systemen.