AI Research Assistant MCP

MCP 기반 AI 연구 어시스턴트로, 학술 논문을 발견, 이해, 비교, 정리하는 데 사용됩니다.

서버는 논문 발견을 위해 arXiv에 연결하고, 연구 지향적 분석을 위해 Gemini를 사용합니다. 연구자들이 논문을 찾는 것에서부터 방법론, 한계, 잠재적 연구 공백을 이해하는 데까지 나아갈 수 있도록 설계되었습니다.

기능

🔎 논문 검색

연구 주제나 키워드를 사용하여 arXiv를 검색합니다.

서버는 다음을 반환합니다:

• 논문 제목

• 저자

• 초록

• 발행일

• 업데이트 날짜

• arXiv URL

• PDF URL

📄 논문 조회

arXiv ID 또는 URL을 사용하여 특정 논문에 대한 상세 정보를 조회합니다.

📝 논문 요약

다음을 포함하는 구조화된 연구 지향적 요약을 생성합니다:

• 연구 문제

• 제안된 접근법

• 주요 결과

• 주요 기여

• 이 연구가 중요한 이유

⚖️ 논문 비교

다음 측면에서 여러 논문을 비교합니다:

• 연구 문제

• 핵심 방법

• 모델/검색 아키텍처

• 데이터셋 또는 평가

• 결과

• 강점

• 약점

• 차이점

• 공통 발견 사항

• 연구 기회

🔬 방법론 분석

논문의 방법론을 추출하고 설명합니다. 포함 사항:

• 연구 목표

• 아키텍처

• 주요 기법

• 사용된 데이터

• 훈련/검색 과정

• 평가 방법

• 기술 구성 요소

⚠️ 한계 분석

다음 항목에 대해 논문을 분석합니다:

• 명시적 한계

• 방법론적 약점

• 평가 한계

• 데이터셋 한계

• 일반화 우려

• 계산적 우려

• 향후 연구 질문

어시스턴트는 논문에 명시적으로 뒷받침된 한계와 사용 가능한 정보에서 추론된 잠재적 연구 질문을 구분합니다.

💡 연구 공백 발견

연구 주제와 여러 논문이 주어지면 잠재적 연구 공백을 식별하고 다음을 제공합니다:

• 공백

• 문헌에서의 증거

• 공백이 중요한 이유

• 가능한 연구 질문

• 가능한 실험

• 기대 기여

시스템은 검증되지 않은 공백을 확립된 사실로 제시하지 않도록 지시받습니다.

💾 연구 라이브러리

논문을 로컬에 저장하여 개인 연구 라이브러리를 만들 수 있습니다.

사용 가능한 작업은 다음과 같습니다:

• 논문 저장

• 저장된 논문 목록

• 저장된 논문 검색

저장된 논문은 saved_papers.json에 저장됩니다.

Related MCP server: LitSynth MCP Server

아키텍처

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

서버는 FastMCP로 구현되며 연구 기능을 MCP 도구로 노출합니다.

MCP 도구

현재 서버는 다음을 제공합니다:

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

기술 스택

• Python 3.11+

• FastMCP

• Model Context Protocol (MCP)

• arXiv API

• Google Gemini API

• Requests

• JSON 기반 로컬 저장소

프로젝트 구조

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

설정

다음 명령으로 프로젝트 의존성을 설치합니다:

uv sync

Gemini API 키를 환경 변수로 설정합니다:

GEMINI_API_KEY=your_api_key

API 키나 .env 파일을 GitHub에 커밋하지 마십시오.

서버 실행

MCP 서버를 로컬에서 실행합니다:

uv run server.py

MCP Inspector로 테스트

실행:

uv run fastmcp dev inspector server.py

그런 다음 MCP Inspector를 사용하여 사용 가능한 도구를 테스트하고 응답을 확인할 수 있습니다.

예시 워크플로우

일반적인 연구 워크플로우는 다음과 같을 수 있습니다:

연구 주제 ↓ 논문 검색 ↓ 관련 논문 선택 ↓ 논문 세부 정보 조회 ↓ 논문 요약 ↓ 논문 비교 ↓ 방법론 분석 ↓ 한계 분석 ↓ 잠재적 연구 공백 식별 ↓ 중요한 논문 저장

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

어시스턴트는 문헌을 검색하고, 관련 논문을 조회하고, 분석하고, 사용 가능한 논문 정보를 사용하여 잠재적 연구 방향을 식별할 수 있습니다.

연구 초점

이 프로젝트는 생성형 AI 및 검색 증강 생성(RAG) 연구에 특히 관심을 두고 개발되고 있습니다.

잠재적인 향후 연구 워크플로우에는 다음을 연구하는 것이 포함됩니다:

• CRAG

• Self-RAG

• RAG 평가

• 검색 품질

• 환각 감소

• 의미론적 검색

• 상충되는 증거

• 연구 논문 비교

• 문헌 공백 발견

현재 상태

🚧 활발한 개발 중

현재 기능은 다음에 중점을 둡니다:

논문 발견 → 논문 분석 → 논문 비교 → 연구 공백 탐색 → 개인 논문 라이브러리

향후 버전에서는 더 깊은 논문 수준 분석, 전체 텍스트 연구, 저장된 논문에 대한 검색, 더 고급 연구 워크플로우로 확장할 수 있습니다.

저자

Khushi Sonwane

생성형 AI, MCP, 학술 연구 워크플로우, RAG 시스템을 탐구하는 실습 프로젝트로 구축되었습니다.