ScholarFetch

ScholarFetch es un entorno de investigación académica multi-motor para:

• exploración de literatura centrada en la terminal

• flujos de trabajo de agentes impulsados por MCP

• construcción de listas de lectura seleccionadas y corpus de investigación exportables

Combina:

• una CLI interactiva rica para humanos

• un servidor MCP clásico (stdio)

• un servidor FastMCP (stdio, sse, streamable-http)

La idea central es simple: comenzar desde palabras clave, DOI o autores, recorrer artículos y referencias, inspeccionar resúmenes y texto completo, guardar lo que importa y luego exportar un corpus compacto para síntesis.

Qué hace ScholarFetch

• Busca en múltiples motores académicos en paralelo

• Resuelve identidades de autor ambiguas y expande listas de artículos de autores

• Recorre referencias como nodos de investigación de primera clase

• Recupera resúmenes y texto completo legible por máquina cuando está disponible

• Realiza un seguimiento de un conjunto de artículos guardados durante una sesión de investigación interactiva

• Exporta citas, resúmenes, BibTeX o corpus de texto completo

• Expone el mismo flujo de trabajo de investigación a agentes MCP

• Mantiene colecciones de artículos guardados con estado dentro de una sesión MCP

Related MCP server: paper-search-mcp

Motores

• Elsevier (Scopus / Resumen / Recuperación de artículos)

• OpenAlex

• Crossref

• arXiv

• Europe PMC

• Springer Nature (metadatos + acceso abierto)

• Semantic Scholar (ruta de enriquecimiento de DOI)

Instalación

git clone https://github.com/laibniz/scholarfetch.git
cd scholarfetch
python3 -m venv .venv
source .venv/bin/activate
pip install -e .
scholarfetch

Scripts de consola:

• scholarfetch

• scholarfetch-mcp

• scholarfetch-fastmcp

Alternativa:

python3 scholarfetch.py

Credenciales

ScholarFetch carga las credenciales del proveedor del lado del servidor / del lado del cliente desde el entorno.

Archivo de entorno predeterminado:

• .scholarfetch.env

Variables típicas:

ELSEVIER_API_KEY=...
ELSEVIER_INSTTOKEN=...
SPRINGER_META_API_KEY=...
SPRINGER_OPENACCESS_API_KEY=...

Notas:

• ELSEVIER_INSTTOKEN es opcional

• los derechos de proveedor y los límites de tasa siguen aplicándose

• las herramientas MCP no aceptan claves API en argumentos de herramientas

Flujo de trabajo de investigación CLI

La CLI de ScholarFetch está diseñada para la travesía de investigación.

Flujo típico:

1. Comience desde un tema, DOI o autor.

2. Inspeccione artículos.

3. Lea resúmenes o texto completo.

4. Expanda referencias.

5. Salte a autores relacionados.

6. Guarde artículos prometedores.

7. Exporte un corpus para trabajo posterior.

Ejemplo:

/search graph neural networks
/author Albert Einstein
/papers 1 has:abstract
/article 1
/refs 1
/saved
/export fulltext dummy corpus.txt

Características de la CLI

• Selector interactivo con navegación de árbol

• Migas de pan para la posición de investigación actual

• Barra de acciones para OPEN, ABSTRACT, TEXT, REFS y AUTHOR

• Backspace para ir al nodo padre

• Esc para volver al prompt

• S para guardar un artículo de listas de artículos o listas de referencias

• X para eliminar de la lista guardada

• La acción AUTHOR desde un artículo ahora le permite seleccionar:

  • un solo autor

  • ALL AUTHORS

• Las listas de referencias se comportan como listas de artículos:

  • open

  • abstract

  • text

  • refs

  • author

• Indicaciones automáticas de disponibilidad de artículos:

  • disponibilidad de resumen

  • disponibilidad de texto completo

• Retroalimentación de progreso para transiciones costosas

• Construcción de vista previa de referencias interrumpible con resultados parciales conservados

Comandos principales de la CLI

• /search <palabras clave|doi|nombre de persona>

• /author <nombre>

• /papers <nombre de autor|índice> [filtros]

• /doi <doi>

• /open <índice>

• /abstract <doi|índice>

• /article <doi|índice>

• /refs <doi|índice>

• /ref <índice>

• /saved

• /export [formato estilo ruta ...]

• /import [ruta]

• /pick [modo]

• /config

• /engines

• /help

Filtros de artículos

Use con /papers:

• year>=YYYY, year<=YYYY, year=YYYY

• has:abstract, has:doi, has:pdf, has:fulltext

• venue:<texto>, title:<texto>, doi:<texto>

Ejemplos:

/papers 1 year>=2020 has:abstract
/papers 1 has:fulltext
/papers andrea de mauro venue:marketing

Modos de exportación

ScholarFetch admite cuatro modos de exportación desde el conjunto de artículos guardados.

• bib

  • BibTeX para gestores de citas y herramientas bibliográficas

• citations

  • exportación solo de citas en harvard, apa o ieee

• abstracts

  • metadatos + resumen para cada artículo guardado

• fulltext

  • metadatos + resumen + texto completo cuando esté disponible

  • inclusión opcional de referencias

Esto hace que ScholarFetch sea útil como un constructor de corpus para agentes de síntesis posteriores.

Servidor MCP

ScholarFetch expone el mismo modelo de investigación a través de MCP.

Modos:

• MCP clásico (stdio): python3 scholarfetch_mcp.py

• FastMCP stdio: python3 scholarfetch_fastmcp.py --transport stdio

• FastMCP SSE: python3 scholarfetch_fastmcp.py --transport sse --host 127.0.0.1 --port 8000

• FastMCP HTTP transmisible: python3 scholarfetch_fastmcp.py --transport streamable-http --host 127.0.0.1 --port 8000 --http-path /mcp

Validación:

python3 scholarfetch_mcp.py --self-test
python3 scholarfetch_fastmcp.py --self-test

Puntos finales de demostración públicos:

• Interfaz web: https://huggingface.co/spaces/Laibniz/ScholarFetch_Web

• Punto final MCP público: https://laibniz-scholarfetch-web.hf.space/mcp/

• Listado del registro MCP: io.github.laibniz/scholarfetch

Modelo de investigación MCP

El servidor MCP está diseñado para flujos de trabajo de agentes, no solo para llamadas únicas.

Un agente puede:

1. Buscar artículos

2. Resolver autores

3. Expandir a artículos de autores

4. Leer resúmenes / texto completo

5. Expandir referencias

6. Guardar artículos prometedores en una lista de lectura con nombre en memoria

7. Exportar la lista de lectura como:

   • citas

   • resúmenes

   • BibTeX

   • corpus de texto completo

Esto permite que un agente construya un conjunto de investigación enfocado dentro de una sesión MCP y luego entregue un artefacto de exportación a otro paso de síntesis.

Consulte MCP_SERVER.md para el modelo de herramientas detallado.

Archivos del repositorio

• scholarfetch.py: punto de entrada de la CLI

• scholarfetch_cli.py: CLI principal + lógica de recuperación

• scholarfetch_mcp.py: servidor MCP clásico

• scholarfetch_fastmcp.py: servidor FastMCP

• MCP_SERVER.md: guía de uso de MCP

• AGENTS.md: guía de flujo de trabajo orientada a agentes

• SKILL.md: guía de habilidades de investigación estructurada

• SKILLS.md: índice de documentos de habilidades orientados a agentes

• CONTRIBUTING.md: notas para contribuyentes

Para agentes

Si está ejecutando ScholarFetch desde un sistema compatible con MCP, lea:

• AGENTS.md

• SKILL.md

• SKILLS.md

Estos documentos explican cómo usar ScholarFetch como un entorno de investigación de literatura en lugar de una API de búsqueda plana.

Contribuciones

Consulte CONTRIBUTING.md.

Seguridad

Consulte SECURITY.md.

Licencia

Licencia MIT. Consulte LICENSE.