AI Research Assistant MCP

MCP-ассистент для исследований в области ИИ, предназначенный для поиска, понимания, сравнения и организации академических статей.

Сервер подключается к arXiv для поиска статей и использует Gemini для исследовательского анализа. Он создан, чтобы помочь исследователям перейти от поиска статей к пониманию их методов, ограничений и потенциальных пробелов в исследованиях.

Возможности

🔎 Поиск статей

Поиск по arXiv с использованием исследовательской темы или ключевого слова.

Сервер возвращает:

• Название статьи

• Авторов

• Аннотацию

• Дату публикации

• Дату обновления

• URL на arXiv

• URL на PDF

📄 Получение статьи

Получение подробной информации о конкретной статье по её arXiv ID или URL.

📝 Суммаризация статей

Создание структурированного исследовательского резюме, охватывающего:

• Исследовательскую проблему

• Предлагаемый подход

• Ключевые результаты

• Основной вклад

• Почему эта работа важна

⚖️ Сравнение статей

Сравнение нескольких статей по следующим параметрам:

• Исследовательская проблема

• Основной метод

• Архитектура модели/поиска

• Набор данных или оценка

• Результаты

• Сильные стороны

• Слабые стороны

• Различия

• Общие выводы

• Исследовательские возможности

🔬 Анализ методологии

Извлечение и объяснение методологии статьи, включая:

• Исследовательскую цель

• Архитектуру

• Основной метод

• Используемые данные

• Процесс обучения/поиска

• Метод оценки

• Технические компоненты

⚠️ Анализ ограничений

Анализ статей на предмет:

• Явных ограничений

• Методологических слабостей

• Ограничений оценки

• Ограничений набора данных

• Проблем обобщения

• Вычислительных проблем

• Будущих исследовательских вопросов

Ассистент различает ограничения, явно подтверждённые статьёй, и потенциальные исследовательские вопросы, выведенные из доступной информации.

💡 Поиск исследовательских пробелов

По заданной исследовательской теме и нескольким статьям выявление потенциальных исследовательских пробелов с предоставлением:

• Пробела

• Доказательств из литературы

• Почему пробел важен

• Возможного исследовательского вопроса

• Возможного эксперимента

• Ожидаемого вклада

Система настроена так, чтобы не представлять непроверенный пробел как установленный факт.

💾 Исследовательская библиотека

Статьи можно сохранять локально для создания личной исследовательской библиотеки.

Доступные операции включают:

• Сохранение статьи

• Список сохранённых статей

• Поиск по сохранённым статьям

Сохранённые статьи хранятся в saved_papers.json.

Related MCP server: LitSynth MCP Server

Архитектура

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

Сервер реализован с помощью FastMCP и предоставляет исследовательские возможности в виде MCP-инструментов.

MCP-инструменты

Текущий сервер предоставляет:

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

Технологический стек

• Python 3.11+

• FastMCP

• Model Context Protocol (MCP)

• arXiv API

• Google Gemini API

• Requests

• JSON-хранилище на локальном устройстве

Структура проекта

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

Установка

Установите зависимости проекта с помощью:

uv sync

Задайте ваш Gemini API-ключ как переменную окружения:

GEMINI_API_KEY=your_api_key

Не коммитьте API-ключи или файлы .env в GitHub.

Запуск сервера

Запустите MCP-сервер локально:

uv run server.py

Тестирование с MCP Inspector

Выполните:

uv run fastmcp dev inspector server.py

Затем MCP Inspector можно использовать для тестирования доступных инструментов и проверки их ответов.

Пример рабочего процесса

Типичный исследовательский процесс может выглядеть так:

Исследовательская тема ↓ Поиск статей ↓ Выбор релевантных статей ↓ Получение деталей статей ↓ Суммаризация статей ↓ Сравнение статей ↓ Анализ методологии ↓ Анализ ограничений ↓ Выявление потенциальных исследовательских пробелов ↓ Сохранение важных статей

Например: text "Найдите статьи о retrieval augmented generation и выявите потенциальные исследовательские пробелы."

Ассистент может искать литературу, получать релевантные статьи, анализировать их и использовать доступную информацию о статьях для выявления потенциальных направлений исследований.

Исследовательский фокус

Проект разрабатывается с особым интересом к исследованиям в области Generative AI и Retrieval-Augmented Generation (RAG).

Потенциальные будущие исследовательские процессы включают изучение:

• CRAG

• Self-RAG

• Оценки RAG

• Качества поиска

• Снижения галлюцинаций

• Семантического поиска

• Конфликтующих доказательств

• Сравнения исследовательских статей

• Выявления пробелов в литературе

Текущий статус

🚧 Активная разработка

Текущие возможности сосредоточены на:

Поиск статей → Анализ статей → Сравнение статей → Исследование пробелов → Личная библиотека статей

Будущие версии могут расширить это до более глубокого анализа статей, полнотекстовых исследований, поиска по сохранённым статьям и более продвинутых исследовательских процессов.

Автор

Khushi Sonwane

Создано как практический проект по изучению Generative AI, MCP, академических исследовательских процессов и RAG-систем.