ScholarFetch

ScholarFetch 是一个多引擎学术研究环境，用于：

• 终端优先的文献探索

• 基于 MCP 的智能体工作流

• 构建精选阅读列表和可导出的研究语料库

它结合了：

• 一个功能丰富的交互式 CLI（面向人类用户）

• 一个经典 MCP 服务器（stdio）

• 一个 FastMCP 服务器（stdio、sse、streamable-http）

核心理念很简单：从关键词、DOI 或作者出发，遍历论文和参考文献，查看摘要和全文，保存重要内容，然后导出一个紧凑的语料库用于综合分析。

ScholarFetch 的功能

• 并行跨多个学术引擎搜索

• 解析模糊的作者身份并扩展作者论文列表

• 将参考文献作为一等研究节点进行遍历

• 在可用时获取摘要和机器可读的全文

• 在交互式研究会话中跟踪已保存的论文集合

• 导出引文、摘要、BibTeX 或全文语料库

• 将相同的研究工作流暴露给 MCP 智能体

• 在单个 MCP 会话中维护有状态的已保存论文集合

Related MCP server: Academic Research Intelligence MCP

引擎

• Elsevier（Scopus / 摘要 / 文章检索）

• OpenAlex

• Crossref

• arXiv

• Europe PMC

• Springer Nature（元数据 + 开放获取）

• Semantic Scholar（DOI 增强路径）

安装

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

控制台脚本：

• scholarfetch

• scholarfetch-mcp

• scholarfetch-fastmcp

备选方案：

python3 scholarfetch.py

凭据

ScholarFetch 从环境中加载服务端/客户端提供商的凭据。

默认环境文件：

• .scholarfetch.env

典型变量：

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

注意：

• ELSEVIER_INSTTOKEN 是可选的

• 提供商的使用权限和速率限制仍然适用

• MCP 工具不接受工具参数中的 API 密钥

CLI 研究工作流

ScholarFetch CLI 专为研究遍历而设计。

典型流程：

1. 从主题、DOI 或作者开始。

2. 查看论文。

3. 阅读摘要或全文。

4. 扩展参考文献。

5. 跳转到相关作者。

6. 保存有价值的论文。

7. 导出语料库供下游工作使用。

示例：

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

CLI 功能

• 带树形导航的交互式选择器

• 当前研究位置的路径导航

• 操作栏支持 OPEN、ABSTRACT、TEXT、REFS 和 AUTHOR

• Backspace 返回父节点

• Esc 返回提示符

• S 从论文列表或参考文献列表中保存论文

• X 从已保存列表中移除

• 从论文触发的 AUTHOR 操作允许选择：

  • 单个作者

  • ALL AUTHORS

• 参考文献列表的行为与论文列表相同：

  • open

  • abstract

  • text

  • refs

  • author

• 自动论文可用性提示：

  • 摘要可用性

  • 全文可用性

• 耗时转换的进度反馈

• 可中断的参考文献预览构建，保留部分结果

核心 CLI 命令

• /search <关键词|doi|人名>

• /author <姓名>

• /papers <作者姓名|索引> [过滤器]

• /doi <doi>

• /open <索引>

• /abstract <doi|索引>

• /article <doi|索引>

• /refs <doi|索引>

• /ref <索引>

• /saved

• /export [格式 样式 路径 ...]

• /import [路径]

• /pick [模式]

• /config

• /engines

• /help

论文过滤器

与 /papers 一起使用：

• year>=YYYY、year<=YYYY、year=YYYY

• has:abstract、has:doi、has:pdf、has:fulltext

• venue:<文本>、title:<文本>、doi:<文本>

示例：

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

导出模式

ScholarFetch 支持从已保存论文集合中进行四种导出模式。

• bib

  • 用于文献管理器和书目工具的 BibTeX

• citations

  • 仅引文导出，支持 harvard、apa 或 ieee 格式

• abstracts

  • 每篇已保存论文的元数据 + 摘要

• fulltext

  • 元数据 + 摘要 + 全文（可用时）

  • 可选包含参考文献

这使得 ScholarFetch 成为下游综合智能体的语料库构建工具。

MCP 服务器

ScholarFetch 通过 MCP 暴露相同的研究模型。

模式：

• 经典 MCP（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 streamable HTTP：python3 scholarfetch_fastmcp.py --transport streamable-http --host 127.0.0.1 --port 8000 --http-path /mcp

验证：

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

公共演示端点：

• Web 界面：https://huggingface.co/spaces/Laibniz/ScholarFetch_Web

• 公共 MCP 端点：https://laibniz-scholarfetch-web.hf.space/mcp/

• MCP 注册表条目：io.github.laibniz/scholarfetch

MCP 研究模型

MCP 服务器专为智能体工作流设计，而不仅仅是一次性调用。

智能体可以：

1. 搜索论文

2. 解析作者

3. 扩展到作者论文

4. 阅读摘要 / 全文

5. 扩展参考文献

6. 将有价值的论文保存到命名的内存阅读列表中

7. 将阅读列表导出为：

   • 引文

   • 摘要

   • BibTeX

   • 全文语料库

这使得智能体可以在一个 MCP 会话中构建一个聚焦的研究集合，然后将导出产物移交给另一个综合步骤。

详细工具模型请参阅 MCP_SERVER.md。

仓库文件

• scholarfetch.py：CLI 入口点

• scholarfetch_cli.py：核心 CLI + 检索逻辑

• scholarfetch_mcp.py：经典 MCP 服务器

• scholarfetch_fastmcp.py：FastMCP 服务器

• MCP_SERVER.md：MCP 使用指南

• AGENTS.md：面向智能体的工作流指南

• SKILL.md：结构化研究技能指南

• SKILLS.md：面向智能体的技能文档索引

• CONTRIBUTING.md：贡献者说明

面向智能体

如果你正在从兼容 MCP 的系统运行 ScholarFetch，请阅读：

• AGENTS.md

• SKILL.md

• SKILLS.md

这些文档说明了如何将 ScholarFetch 用作文献研究环境，而不是一个扁平的搜索 API。

贡献

请参阅 CONTRIBUTING.md。

安全

请参阅 SECURITY.md。

许可证

MIT 许可证。请参阅 LICENSE。