AI 研究助手 MCP

一个基于 MCP 的 AI 研究助手，用于发现、理解、比较和组织学术论文。

该服务器连接 arXiv 进行论文发现，并使用 Gemini 进行面向研究的分析。它旨在帮助研究人员从找到论文到理解其方法、局限性和潜在研究空白。

功能

🔎 论文发现

使用研究主题或关键词搜索 arXiv。

服务器返回：

• 论文标题

• 作者

• 摘要

• 发布日期

• 更新日期

• arXiv URL

• PDF URL

📄 论文检索

使用 arXiv ID 或 URL 检索特定论文的详细信息。

📝 论文摘要

生成结构化的、面向研究的摘要，涵盖：

• 研究问题

• 提出的方法

• 关键结果

• 主要贡献

• 这项工作为何重要

⚖️ 论文比较

比较多篇论文的以下方面：

• 研究问题

• 核心方法

• 模型/检索架构

• 数据集或评估

• 结果

• 优势

• 劣势

• 差异

• 共同发现

• 研究机会

🔬 方法论分析

提取并解释论文的方法论，包括：

• 研究目标

• 架构

• 主要技术

• 使用的数据

• 训练/检索过程

• 评估方法

• 技术组件

⚠️ 局限性分析

分析论文的以下方面：

• 明确的局限性

• 方法论弱点

• 评估局限性

• 数据集局限性

• 泛化问题

• 计算问题

• 未来研究问题

该助手区分论文明确支持的局限性和从可用信息中推断出的潜在研究问题。

💡 研究空白发现

给定一个研究主题和多篇论文，识别潜在的研究空白并提供：

• 空白

• 文献证据

• 为什么这个空白很重要

• 可能的研究问题

• 可能的实验

• 预期贡献

系统被指示不要将未经证实的空白作为既定事实呈现。

💾 研究库

论文可以本地保存，以创建个人研究库。

可用的操作包括：

• 保存论文

• 列出已保存的论文

• 搜索已保存的论文

已保存的论文存储在 saved_papers.json 中。

Related MCP server: LitSynth MCP Server

架构

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

该服务器使用 FastMCP 实现，并将研究能力作为 MCP 工具公开。

MCP 工具

当前服务器提供：

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

技术栈

• Python 3.11+

• FastMCP

• Model Context Protocol (MCP)

• arXiv API

• Google Gemini API

• Requests

• 基于 JSON 的本地存储

项目结构

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

设置

使用以下命令安装项目依赖：

uv sync

将您的 Gemini API 密钥设置为环境变量：

GEMINI_API_KEY=your_api_key

不要将 API 密钥或 .env 文件提交到 GitHub。

运行服务器

在本地运行 MCP 服务器：

uv run server.py

使用 MCP Inspector 进行测试

运行：

uv run fastmcp dev inspector server.py

然后可以使用 MCP Inspector 来测试可用的工具并验证其响应。

示例工作流

典型的研究工作流可以如下所示：

研究主题 ↓ 搜索论文 ↓ 选择相关论文 ↓ 检索论文详情 ↓ 总结论文 ↓ 比较论文 ↓ 分析方法论 ↓ 分析局限性 ↓ 识别潜在研究空白 ↓ 保存重要论文

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

该助手可以搜索文献、检索相关论文、分析它们，并利用可用的论文信息来识别潜在的研究方向。

研究重点

该项目开发时特别关注生成式 AI 和检索增强生成 (RAG) 研究。

未来潜在的研究工作流包括研究：

• CRAG

• Self-RAG

• RAG 评估

• 检索质量

• 减少幻觉

• 语义检索

• 冲突证据

• 研究论文比较

• 文献空白发现

当前状态

🚧 积极开发中

当前能力侧重于：

论文发现 → 论文分析 → 论文比较 → 研究空白探索 → 个人论文库

未来版本可以将其扩展到更深入的论文级分析、全文研究、对已保存论文的检索以及更高级的研究工作流。

作者

Khushi Sonwane

作为一个实践项目构建，探索生成式 AI、MCP、学术研究工作流和 RAG 系统。