AI Research Assistant MCP

学術論文の発見、理解、比較、整理のためのMCP を活用した AI リサーチアシスタントです。

このサーバーは、論文の発見に arXiv を、研究指向の分析に Gemini を利用します。研究者が論文を見つける段階から、その手法、限界、潜在的な研究ギャップを理解する段階へと進むのを支援するように設計されています。

機能

🔎 論文の発見

研究トピックやキーワードを使用して arXiv を検索します。

サーバーは以下を返します:

• 論文タイトル

• 著者

• 要約

• 公開日

• 更新日

• arXiv URL

• PDF URL

📄 論文の取得

arXiv ID または URL を使用して、特定の論文の詳細情報を取得します。

📝 論文の要約

以下をカバーする、構造化された研究指向の要約を生成します:

• 研究課題

• 提案されたアプローチ

• 主な結果

• 主な貢献

• その研究が重要な理由

⚖️ 論文の比較

複数の論文を以下の観点で比較します:

• 研究課題

• コア手法

• モデル/検索アーキテクチャ

• データセットまたは評価

• 結果

• 強み

• 弱み

• 相違点

• 共通する発見

• 研究機会

🔬 方法論の分析

論文の方法論を抽出して説明します。以下を含みます:

• 研究目的

• アーキテクチャ

• 主要な手法

• 使用されたデータ

• トレーニング/検索プロセス

• 評価方法

• 技術的コンポーネント

⚠️ 限界の分析

論文を以下の観点で分析します:

• 明示的な限界

• 方法論上の弱点

• 評価の限界

• データセットの限界

• 一般化に関する懸念

• 計算上の懸念

• 将来の研究課題

このアシスタントは、論文によって明示的に裏付けられた限界と、利用可能な情報から推測される潜在的な研究課題を区別します。

💡 研究ギャップの発見

研究トピックと複数の論文が与えられた場合、潜在的な研究ギャップを特定し、以下を提供します:

• ギャップ

• 文献からの証拠

• そのギャップが重要な理由

• 考えられる研究課題

• 考えられる実験

• 期待される貢献

このシステムは、未検証のギャップを確定した事実として提示しないように指示されています。

💾 研究ライブラリ

論文をローカルに保存して、個人の研究ライブラリを作成できます。

利用可能な操作は次のとおりです:

• 論文を保存

• 保存済み論文の一覧表示

• 保存済み論文の検索

保存された論文は saved_papers.json に保存されます。

Related MCP server: LitSynth MCP Server

アーキテクチャ

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

このサーバーは FastMCP で実装されており、研究機能を MCP ツールとして公開しています。

MCP ツール

現在のサーバーが提供するもの:

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

技術スタック

• Python 3.11+

• FastMCP

• Model Context Protocol (MCP)

• arXiv API

• Google Gemini API

• Requests

• JSON ベースのローカルストレージ

プロジェクト構造

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

セットアップ

以下のコマンドでプロジェクトの依存関係をインストールします:

uv sync

Gemini API キーを環境変数として設定します:

GEMINI_API_KEY=your_api_key

API キーや .env ファイルを GitHub にコミットしないでください。

サーバーの実行

MCP サーバーをローカルで実行します:

uv run server.py

MCP Inspector でのテスト

以下を実行します:

uv run fastmcp dev inspector server.py

MCP Inspector を使用して、利用可能なツールをテストし、その応答を検証できます。

ワークフロー例

典型的な研究ワークフローは次のようになります:

研究トピック ↓ 論文の検索 ↓ 関連論文の選択 ↓ 論文詳細の取得 ↓ 論文の要約 ↓ 論文の比較 ↓ 方法論の分析 ↓ 限界の分析 ↓ 潜在的な研究ギャップの特定 ↓ 重要な論文の保存

例: text "Find papers about retrieval augmented generation and identify potential research gaps."

このアシスタントは、文献を検索し、関連論文を取得して分析し、利用可能な論文情報を使用して潜在的な研究の方向性を特定できます。

研究の焦点

このプロジェクトは、生成 AI と検索拡張生成 (RAG) の研究に特に関心を持って開発されています。

将来の研究ワークフローには、以下の研究が含まれる可能性があります:

• CRAG

• Self-RAG

• RAG 評価

• 検索品質

• 幻覚の低減

• 意味的検索

• 矛盾する証拠

• 研究論文の比較

• 文献ギャップの発見

現在のステータス

🚧 開発中

現在の機能は以下に焦点を当てています:

論文の発見 → 論文の分析 → 論文の比較 → 研究ギャップの探索 → 個人の論文ライブラリ

将来のバージョンでは、より深い論文レベルの分析、全文研究、保存された論文に対する検索、より高度な研究ワークフローに拡張できます。

著者

Khushi Sonwane

生成 AI、MCP、学術研究ワークフロー、RAG システムを探求する実践的なプロジェクトとして構築されました。