간단한 API 인터페이스를 통해 미국 의회 도서관 주제명 표목(LCSH)에 대한 액세스를 제공하는 모델 컨텍스트 프로토콜(MCP) 서버입니다.
이 MCP 서버를 사용하면 Claude와 같은 AI 어시스턴트가 공개 suggest2 API를 사용하여 미국 의회 도서관 주제명 표목(LCSH)을 검색할 수 있습니다. LCSH 데이터를 쿼리하고 API의 다양한 응답 형식을 처리하기 위한 깔끔한 인터페이스를 제공합니다.
Related MCP server: MeSH MCP
cataloger mcp 서버를 설치하는 가장 쉬운 방법은 PyPI에서 직접 설치하는 것입니다:
pip install cataloger-mcp-server소스에서 설치하려면 다음을 수행하세요:
git clone https://github.com/kltng/cataloger-mcp-server.git
cd cataloger-mcp-server
pip install -e .https://claude.ai/desktop에서 Claude Desktop을 설치하세요 (아직 설치하지 않은 경우).
위의 설치 방법 중 하나를 사용하여 cataloger mcp 서버를 설치하세요.
Claude Desktop을 열고 설정으로 이동하세요:
왼쪽 하단 모서리에 있는 프로필 사진을 클릭하세요.
메뉴에서 "Settings"를 선택하세요.
MCP 서버 구성:
설정 패널에서 "MCP Servers"를 클릭하세요.
"Add Server"를 클릭하세요.
다음 세부 정보를 입력하세요:
Name: cataloger mcp search
Command: cataloger-mcp-server
"Save"를 클릭하세요.
서버 활성화:
cataloger mcp search 서버 옆의 스위치를 토글하여 활성화하세요.
이제 Claude가 LCSH 검색 기능을 사용할 수 있게 됩니다.
Cherry 문서의 지침에 따라 Cherry Studio를 설치하세요: https://docs.cherry-ai.com/docs/en-us/advanced-basic/mcp/install
위의 설치 방법 중 하나를 사용하여 cataloger mcp 서버를 설치하세요.
Cherry Studio를 위한 MCP JSON 구성을 준비하세요. 다음과 같은 스니펫으로 "Import JSON" 방법을 사용하세요:
{
"mcpServers": {
"cataloger-mcp": {
"command": "uvx",
"args": ["cataloger-mcp-server"]
}
}
}Cherry Studio에서 원하는 레이블로 "cataloger-mcp" 키를 변경할 수 있습니다.
Cherry Studio로 가져오기:
Cherry Studio를 열고 Settings → MCP (또는 MCP Servers)로 이동하세요.
Add / Import from JSON을 클릭하세요 (버전에 따라 문구가 약간 다를 수 있음).
위의 JSON 스니펫을 붙여넣고 확인하여 서버를 추가하세요.
서버 확인:
새 cataloger-mcp-server 항목이 MCP 목록에 나타나고 활성화되어 있는지 확인하세요.
새 채팅을 시작하고 Cherry Studio가 cataloger MCP 도구를 호출할 수 있는지 확인하세요.
Claude Desktop에서 서버가 설정되고 활성화되면, Claude에게 미국 의회 도서관 주제명 표목을 검색하도록 요청할 수 있습니다. 다음은 몇 가지 예시 프롬프트입니다:
"미국 의회 도서관 주제명 표목에서 'artificial intelligence'를 검색해 줄래?"
"LCSH에서 'climate change'를 찾아보고 공식 주제명 표목을 알려줘."
"'quantum computing'과 관련된 LCSH 용어는 무엇인가요?"
Claude는 MCP 서버를 사용하여 LCSH 및 LCNAF 데이터베이스를 쿼리하고 결과를 반환합니다.
"'Smith, John Adam'에 대한 이름 권위 레코드를 찾아줘."
"LCSH에서 'environmental policy'에 대한 키워드 검색을 수행해줘."
MCP 도구 통합: AI 어시스턴트가 사용할 수 있는 search_lcsh (주제명 표목용, 기본 왼쪽 정렬 검색), search_lcsh_keyword (주제명 표목용, 키워드 검색), search_name_authority (인명용) 도구를 노출합니다.
리소스 엔드포인트: lcsh://search/{query} 및 lcnaf://search/{query}에서 리소스 엔드포인트를 제공합니다.
강력한 오류 처리: API 오류, 연결 문제 및 예상치 못한 응답 형식을 원활하게 처리합니다.
다중 응답 형식: LCSH API의 사전(hits) 및 목록 응답 형식을 모두 지원합니다.
MCP 서버에서 문제가 발생하면 다음을 확인하세요:
서버 상태 확인: Claude Desktop에서 Settings > MCP Servers로 이동하여 서버가 활성화되어 실행 중인지 확인하세요.
서버 재시작: 서버를 껐다가 다시 켜보세요.
콘솔 출력 확인: 서버를 수동으로 실행하는 경우, 콘솔 출력에서 오류 메시지를 확인하세요.
네트워크 연결 확인: 컴퓨터가 LCSH API에 액세스할 수 있는 활성 인터넷 연결 상태인지 확인하세요.
이 프로젝트는 MIT 라이선스에 따라 라이선스가 부여됩니다. 자세한 내용은 LICENSE 파일을 참조하세요.
서버 구현, API 참조 및 테스트 정보에 대한 자세한 문서는 references.md 파일을 참조하세요.
Search Library of Congress Subject Headings (LCSH) using the public suggest2 API. Returns a dictionary with the top results.
| Name | Required | Description | Default |
|---|---|---|---|
| query | Yes |
Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?
No annotations are provided, so the description carries full burden. It discloses the API source ('public suggest2 API') and return type ('dictionary with the top results'), but lacks details on error handling, rate limits, authentication needs, or what 'top results' entails (e.g., ranking criteria, number of results). This leaves behavioral gaps for a search tool.
Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.
Is the description appropriately sized, front-loaded, and free of redundancy?
The description is concise with two sentences, front-loading the main action and resource. It avoids unnecessary words, though it could be slightly more structured (e.g., separating API details from return values). Every sentence contributes meaning, making it efficient.
Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.
Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?
Given the tool's complexity (a search operation with no annotations, 0% schema coverage, and no output schema), the description is incomplete. It omits parameter details, behavioral traits like error handling, and specifics on the return value (e.g., dictionary structure). This is inadequate for effective tool use.
Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.
Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?
Schema description coverage is 0%, so the description must compensate. It does not mention the 'query' parameter at all, failing to explain its purpose, format, or constraints. The description adds no semantic value beyond what the bare schema provides, leaving the parameter undocumented.
Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.
Does the description clearly state what the tool does and how it differs from similar tools?
The description clearly states the action ('Search Library of Congress Subject Headings') and the resource (LCSH), with the specific verb 'search' and target 'LCSH'. It distinguishes itself by mentioning the 'public suggest2 API', though there are no sibling tools for comparison. The purpose is specific and unambiguous.
Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.
Does the description explain when to use this tool, when not to, or what alternatives exist?
The description provides no guidance on when to use this tool versus alternatives, prerequisites, or exclusions. It mentions the 'public suggest2 API', but does not explain its context or limitations. With no sibling tools, this is less critical, but still lacks usage context.
Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
v1.0.0search_lcshScored across 1 tool
With only one tool, there is no possibility of ambiguity or overlap between tools. The single tool 'search_lcsh' has a clearly defined and distinct purpose.
The naming follows a consistent verb_noun pattern with 'search_lcsh'. With only one tool, there is no inconsistency to evaluate, and the pattern is clear and appropriate.
A single tool is too few for a server focused on LCSH, as it lacks basic operations like browsing, filtering, or retrieving detailed subject information. This minimal set limits functionality and agent workflows.
The server is severely incomplete for LCSH operations; it only offers search without supporting actions like get_subject_details, list_subjects_by_category, or related term lookups. This creates significant gaps for agent tasks.
Curated knowledge API for AI agents - skill packs, semantic search, validated patterns.
Provides AI assistants with access to Seltz's powerful Web Search capabilities.
Search US grants + federal contracts (Grants.gov + SAM.gov) from any LLM.
Academic literature search, retrieval, and private library management on top of OpenAlex.
