Asistente de Investigación con IA MCP

Un asistente de investigación con IA impulsado por MCP para descubrir, comprender, comparar y organizar artículos académicos.

El servidor se conecta a arXiv para el descubrimiento de artículos y utiliza Gemini para realizar análisis orientados a la investigación. Está diseñado para ayudar a los investigadores a pasar de encontrar artículos a comprender sus métodos, limitaciones y posibles brechas de investigación.

Características

🔎 Descubrimiento de Artículos

Busca en arXiv usando un tema de investigación o palabra clave.

El servidor devuelve:

• Título del artículo

• Autores

• Resumen

• Fecha de publicación

• Fecha de actualización

• URL de arXiv

• URL del PDF

📄 Recuperación de Artículos

Recupera información detallada sobre un artículo específico usando su ID o URL de arXiv.

📝 Resumen de Artículos

Genera un resumen estructurado orientado a la investigación que cubre:

• Problema de investigación

• Enfoque propuesto

• Resultados clave

• Contribución principal

• Por qué el trabajo es importante

⚖️ Comparación de Artículos

Compara múltiples artículos en cuanto a:

• Problema de investigación

• Método central

• Arquitectura de modelo/recuperación

• Conjunto de datos o evaluación

• Resultados

• Fortalezas

• Debilidades

• Diferencias

• Hallazgos comunes

• Oportunidades de investigación

🔬 Análisis de Metodología

Extrae y explica la metodología de un artículo, incluyendo:

• Objetivo de investigación

• Arquitectura

• Técnica principal

• Datos utilizados

• Proceso de entrenamiento/recuperación

• Método de evaluación

• Componentes técnicos

⚠️ Análisis de Limitaciones

Analiza artículos en busca de:

• Limitaciones explícitas

• Debilidades metodológicas

• Limitaciones de evaluación

• Limitaciones del conjunto de datos

• Preocupaciones de generalización

• Preocupaciones computacionales

• Preguntas de investigación futuras

El asistente distingue entre limitaciones explícitamente respaldadas por el artículo y posibles preguntas de investigación inferidas de la información disponible.

💡 Descubrimiento de Brechas de Investigación

Dado un tema de investigación y múltiples artículos, identifica posibles brechas de investigación y proporciona:

• Brecha

• Evidencia de la literatura

• Por qué la brecha es importante

• Posible pregunta de investigación

• Posible experimento

• Contribución esperada

El sistema está instruido para no presentar una brecha no verificada como un hecho establecido.

💾 Biblioteca de Investigación

Los artículos se pueden guardar localmente para crear una biblioteca de investigación personal.

Las operaciones disponibles incluyen:

• Guardar un artículo

• Listar artículos guardados

• Buscar artículos guardados

Los artículos guardados se almacenan en saved_papers.json.

Related MCP server: LitSynth MCP Server

Arquitectura

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

El servidor está implementado con FastMCP y expone capacidades de investigación como herramientas MCP.

Herramientas MCP

El servidor actual proporciona:

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

Pila Tecnológica

• Python 3.11+

• FastMCP

• Protocolo de Contexto de Modelo (MCP)

• API de arXiv

• API de Google Gemini

• Requests

• Almacenamiento local basado en JSON

Estructura del Proyecto

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

Configuración

Instala las dependencias del proyecto con:

uv sync

Establece tu clave de API de Gemini como variable de entorno:

GEMINI_API_KEY=your_api_key

No comprometas claves de API ni archivos .env en GitHub.

Ejecutar el Servidor

Ejecuta el servidor MCP localmente:

uv run server.py

Pruebas con MCP Inspector

Ejecuta:

uv run fastmcp dev inspector server.py

El MCP Inspector se puede usar entonces para probar las herramientas disponibles y verificar sus respuestas.

Flujo de Trabajo de Ejemplo

Un flujo de trabajo de investigación típico puede verse así:

Tema de Investigación ↓ Buscar Artículos ↓ Seleccionar Artículos Relevantes ↓ Recuperar Detalles de Artículos ↓ Resumir Artículos ↓ Comparar Artículos ↓ Analizar Metodología ↓ Analizar Limitaciones ↓ Identificar Posibles Brechas de Investigación ↓ Guardar Artículos Importantes

Por ejemplo: text "Encuentra artículos sobre generación aumentada por recuperación e identifica posibles brechas de investigación."

El asistente puede buscar en la literatura, recuperar artículos relevantes, analizarlos y usar la información disponible de los artículos para identificar posibles direcciones de investigación.

Enfoque de Investigación

El proyecto se está desarrollando con un interés particular en la investigación de IA Generativa y Generación Aumentada por Recuperación (RAG).

Los posibles flujos de trabajo de investigación futuros incluyen el estudio de:

• CRAG

• Self-RAG

• Evaluación de RAG

• Calidad de recuperación

• Reducción de alucinaciones

• Recuperación semántica

• Evidencia conflictiva

• Comparación de artículos de investigación

• Descubrimiento de brechas en la literatura

Estado Actual

🚧 Desarrollo activo

Las capacidades actuales se centran en:

Descubrimiento de artículos → Análisis de artículos → Comparación de artículos → Exploración de brechas de investigación → Biblioteca personal de artículos

Las versiones futuras pueden extenderse a un análisis más profundo a nivel de artículo, investigación de texto completo, recuperación sobre artículos guardados y flujos de trabajo de investigación más avanzados.

Autor

Khushi Sonwane

Construido como un proyecto práctico que explora IA Generativa, MCP, flujos de trabajo de investigación académica y sistemas RAG.