MCP驱动的人工智能研究工程师

将单个提示转化为完整的研究报告（网络+笔记+代码+图表）。

![License: MIT](https://opensource.org/licenses/MIT) ![Python 3.10+](https://www.python.org/downloads/) ![MCP](https://modelcontextprotocol.io/)

![PRs Welcome](https://github.com/prabureddy/ai-research-agent-mcp/pulls) ![YouTube](https://youtu.be/_cQLKpfDTBY)

](https://github.com/prabureddy/ai-research-agent-mcp)

一个自主的人工智能代理，使用模型上下文协议（MCP）进行研究、编码和编写综合报告。

⚡ 单层安装

选项1：使用紫外线（推荐-快速！）

git clone https://github.com/prabureddy/ai-research-agent-mcp.git \
  && cd ai-research-agent-mcp/server \
  && uv venv \
  && source .venv/bin/activate \
  && uv pip install -r requirements.txt

选项2：使用pip（传统）

git clone https://github.com/prabureddy/ai-research-agent-mcp.git \
  && cd ai-research-agent-mcp/server \
  && python3 -m venv venv \
  && source venv/bin/activate \
  && pip3 install -r requirements.txt

⚡ 快速入门： 克隆→ 安装→ 配置Claude桌面→ 5分钟后开始研究！

______________________________________________________________________

📸 在行动中看到它

Demo

📺 在YouTube上观看完整的视频演示

Research Output Example

示例任务→ 输出：

"Research top 3 programming languages in 2026 and create a comparison chart"

→ research_runs/2026-02-07_143022_programming-languages/
  ├── report.md              # Full analysis with sources
  ├── comparison_chart.png   # Visual comparison
  ├── data.json             # Raw statistics
  └── code/analysis.py      # Generated code

代理人的职责： 搜索网页→ 写入代码→ 创建图表→ 生成报告→ 自我评估（约60秒内完成）

______________________________________________________________________

这是给谁的？

从事研究的人工智能工程师
独立黑客原型创意
居住在Claude Desktop或Cursor中的知识工作者

概述

该系统允许您发出以下单个命令：

“比较我通勤时的电动滑板车和自行车，并制作一个储蓄计算器的原型”

代理自主地：

🔍 研究网络中的相关数据
📚 查询您的个人知识库（笔记、论文、文档）
💻 编写和执行代码（模型、模拟、可视化）
📊 生成包含图表和分析的综合报告
🎯 自我评估并记录质量指标

______________________________________________________________________

特性

✅ 自主多步骤研究
✅ 网络搜索和内容提取
✅ 基于个人知识库的RAG
✅ 通过输出捕获安全执行代码
✅ 结构化报告生成
✅ 自我评估和质量指标
✅ 全面的日志记录和跟踪
✅ 可重复的研究运行

______________________________________________________________________

快速开始

5分钟后起床跑步。

先决条件

Python 3.10或更高版本 （推荐使用Python 3.11+）
克劳德桌面版 或 光标IDE （MCP兼容客户端）
Git （用于克隆存储库）
紫外线 （可选但推荐- 在此处安装)或点
（可选）用于增强功能的API密钥

安装步骤

1.克隆存储库

git clone https://github.com/prabureddy/ai-research-agent-mcp.git
cd ai-research-agent-mcp

2.安装依赖项

选项A：使用紫外线（建议-快10-100倍！）

# Navigate to server directory
cd server

# Install uv if you haven't already
# macOS/Linux:
curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows:
# powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

# Create and activate virtual environment
uv venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# Install required packages (much faster than pip!)
uv pip install -r requirements.txt

选项B：使用pip（传统）

# Navigate to server directory
cd server

# Create and activate virtual environment
python3.11 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# Install required packages
pip install -r requirements.txt

3.配置环境

# Return to project root
cd ..

# Copy example environment file
cp .env.example .env

# Edit .env with your preferred text editor (optional)
nano .env  # or vim, code, etc.

环境配置（可选）：

# Optional: For Brave Search (better than DuckDuckGo)
BRAVE_API_KEY=your_brave_api_key_here

# Optional: For future Anthropic integrations
ANTHROPIC_API_KEY=your_anthropic_api_key_here

# Optional: Customize paths
RESEARCH_RUNS_DIR=./research_runs
KNOWLEDGE_BASE_DIR=./knowledge_base

# RAG uses local embeddings by default (no API key needed!)
USE_LOCAL_EMBEDDINGS=true
EMBEDDING_MODEL=all-MiniLM-L6-v2

⚠️ 重要提示： 永远不要承诺你的 .env 文件到版本控制。它已经包含在 .gitignore.

注：系统默认使用本地语句转换器嵌入，因此RAG功能不需要API密钥！

4.创建所需目录

# Create directories for data storage
mkdir -p research_runs knowledge_base data/vector_db logs

5.配置克劳德桌面

macOS： 编辑 ~/Library/Application Support/Claude/claude_desktop_config.json

窗户： 编辑 %APPDATA%\Claude\claude_desktop_config.json

Linux： 编辑 ~/.config/Claude/claude_desktop_config.json

先找到你的绝对路径：

# In your project directory, run:
pwd
# Example output: /Users/yourname/Projects/ai-research-agent-mcp

# Find your Python path (if using venv):
which python  # or: which python3.11
# Example output: /Users/yourname/Projects/ai-research-agent-mcp/server/venv/bin/python3.11

配置模板：

添加以下配置，用实际值替换路径和环境变量：

{
  "mcpServers": {
    "research-engineer": {
      "command": "/absolute/path/to/python",
      "args": [
        "/absolute/path/to/ai-research-agent-mcp/server/src/server.py"
      ],
      "env": {
        "BRAVE_API_KEY": "your_brave_api_key_here_or_remove_this_line",
        "ANTHROPIC_API_KEY": "your_anthropic_api_key_here_or_remove_this_line",
        "SEARCH_PROVIDER": "duckduckgo",
        "MAX_SEARCH_RESULTS": "10",
        "EMBEDDING_MODEL": "all-MiniLM-L6-v2",
        "USE_LOCAL_EMBEDDINGS": "true",
        "VECTOR_DB_PATH": "/absolute/path/to/ai-research-agent-mcp/data/vector_db",
        "CHUNK_SIZE": "1000",
        "CHUNK_OVERLAP": "200",
        "SANDBOX_TIMEOUT": "30",
        "SANDBOX_MAX_MEMORY_MB": "512",
        "ALLOWED_PACKAGES": "numpy,pandas,matplotlib,seaborn,scipy,scikit-learn",
        "RESEARCH_RUNS_DIR": "/absolute/path/to/ai-research-agent-mcp/research_runs",
        "KNOWLEDGE_BASE_DIR": "/absolute/path/to/ai-research-agent-mcp/knowledge_base",
        "LOG_LEVEL": "INFO",
        "LOG_FILE": "/absolute/path/to/ai-research-agent-mcp/logs/research_engineer.log"
      }
    }
  }
}

⚠️ 重要提示：

使用 绝对路径 对于所有文件路径（否 ~ 或相对路径）
如果使用虚拟环境，请使用venv内部的Python路径
移除或清空您没有的任何API密钥（DuckDuckGo在没有密钥的情况下工作）
所有路径 env 必须是绝对路径

macOS/Linux示例（使用venv）：

{
  "mcpServers": {
    "research-engineer": {
      "command": "/Users/yourname/Projects/ai-research-agent-mcp/server/venv/bin/python3.11",
      "args": [
        "/Users/yourname/Projects/ai-research-agent-mcp/server/src/server.py"
      ],
      "env": {
        "SEARCH_PROVIDER": "duckduckgo",
        "MAX_SEARCH_RESULTS": "10",
        "USE_LOCAL_EMBEDDINGS": "true",
        "EMBEDDING_MODEL": "all-MiniLM-L6-v2",
        "VECTOR_DB_PATH": "/Users/yourname/Projects/ai-research-agent-mcp/data/vector_db",
        "RESEARCH_RUNS_DIR": "/Users/yourname/Projects/ai-research-agent-mcp/research_runs",
        "KNOWLEDGE_BASE_DIR": "/Users/yourname/Projects/ai-research-agent-mcp/knowledge_base",
        "LOG_FILE": "/Users/yourname/Projects/ai-research-agent-mcp/logs/research_engineer.log"
      }
    }
  }
}

macOS/Linux示例（带uv）：

{
  "mcpServers": {
    "research-engineer": {
      "command": "uv",
      "args": [
        "run",
        "--directory",
        "/Users/yourname/Projects/ai-research-agent-mcp/server",
        "python",
        "src/server.py"
      ],
      "env": {
        "SEARCH_PROVIDER": "duckduckgo",
        "MAX_SEARCH_RESULTS": "10",
        "USE_LOCAL_EMBEDDINGS": "true",
        "EMBEDDING_MODEL": "all-MiniLM-L6-v2",
        "VECTOR_DB_PATH": "/Users/yourname/Projects/ai-research-agent-mcp/data/vector_db",
        "RESEARCH_RUNS_DIR": "/Users/yourname/Projects/ai-research-agent-mcp/research_runs",
        "KNOWLEDGE_BASE_DIR": "/Users/yourname/Projects/ai-research-agent-mcp/knowledge_base",
        "LOG_FILE": "/Users/yourname/Projects/ai-research-agent-mcp/logs/research_engineer.log"
      }
    }
  }
}

Windows示例：

{
  "mcpServers": {
    "research-engineer": {
      "command": "C:/Users/yourname/Projects/ai-research-agent-mcp/server/venv/Scripts/python.exe",
      "args": [
        "C:/Users/yourname/Projects/ai-research-agent-mcp/server/src/server.py"
      ],
      "env": {
        "SEARCH_PROVIDER": "duckduckgo",
        "MAX_SEARCH_RESULTS": "10",
        "USE_LOCAL_EMBEDDINGS": "true",
        "EMBEDDING_MODEL": "all-MiniLM-L6-v2",
        "VECTOR_DB_PATH": "C:/Users/yourname/Projects/ai-research-agent-mcp/data/vector_db",
        "RESEARCH_RUNS_DIR": "C:/Users/yourname/Projects/ai-research-agent-mcp/research_runs",
        "KNOWLEDGE_BASE_DIR": "C:/Users/yourname/Projects/ai-research-agent-mcp/knowledge_base",
        "LOG_FILE": "C:/Users/yourname/Projects/ai-research-agent-mcp/logs/research_engineer.log"
      }
    }
  }
}

6.重新启动克劳德桌面

完全退出并重新启动Claude Desktop以使更改生效。

验证安装

在Claude Desktop中，键入：

List available tools

您应该看到： web_search, web_research, execute_code, create_research_run等等。

你的第一个研究任务

试试这个简单的任务：

Research the current state of electric vehicles in 2026. 
Include market size, major players, and growth trends. 
Create a simple visualization showing EV adoption over time.

代理人将：

在网络上搜索电动汽车数据
编写Python代码以创建图表
提供调查结果及来源

______________________________________________________________________

建筑

系统概述

┌─────────────────────────────────────────────────────────────┐
│                    Claude Desktop / Cursor                   │
│                     (MCP Client/Host)                        │
└────────────────────────┬────────────────────────────────────┘
                         │ MCP Protocol (stdio)
                         │
┌────────────────────────▼────────────────────────────────────┐
│                    MCP Server (Python)                       │
│  ┌──────────────────────────────────────────────────────┐  │
│  │              Tool Registry & Router                   │  │
│  └──────────────────────────────────────────────────────┘  │
│                                                              │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐     │
│  │ Web Research │  │   RAG Tool   │  │Code Sandbox  │     │
│  │              │  │              │  │              │     │
│  │ • Search     │  │ • Embeddings │  │ • Restricted │     │
│  │ • Scrape     │  │ • ChromaDB   │  │   Python     │     │
│  │ • Extract    │  │ • Query      │  │ • Safe Exec  │     │
│  └──────────────┘  └──────────────┘  └──────────────┘     │
│                                                              │
│  ┌──────────────┐  ┌──────────────┐                        │
│  │  Workspace   │  │  Evaluator   │                        │
│  │              │  │              │                        │
│  │ • File I/O   │  │ • Metrics    │                        │
│  │ • Organize   │  │ • Critique   │                        │
│  │ • Manage     │  │ • Quality    │                        │
│  └──────────────┘  └──────────────┘                        │
└─────────────────────────────────────────────────────────────┘
                         │
                         ▼
        ┌────────────────────────────────────┐
        │      External Services              │
        │                                     │
        │  • DuckDuckGo / Brave Search       │
        │  • OpenAI Embeddings API           │
        │  • Web Scraping (HTTP)             │
        └────────────────────────────────────┘
                         │
                         ▼
        ┌────────────────────────────────────┐
        │      Local Storage                  │
        │                                     │
        │  • research_runs/                  │
        │  • knowledge_base/                 │
        │  • data/vector_db/                 │
        │  • logs/                           │
        └────────────────────────────────────┘

核心组件

1.MCP服务器(`server/src/server.py`)

责任：

通过MCP协议公开工具
将工具调用路由到适当的处理程序
处理错误和记录
管理服务器生命周期

技术：

Python 3.10+
MCP-SDK(mcp 包装）
异步/等待I/O操作

2.网络研究工具(`server/src/tools/web_research.py`)

责任：

在网上搜索信息
刮除并提取干净的内容物
处理速率限制和重试

组件：

搜索提供商： DuckDuckGo（默认，无API密钥），勇敢搜索（可选）
内容提取： Trafiltura为主要内容，BeautifulSoup为元数据

3.RAG工具(`server/src/tools/rag_tool.py`)

责任：

将文档索引到矢量数据库中
基于知识库的语义搜索
支持多种文件格式（Markdown、PDF、DOCX）

组件：

矢量数据库： ChromaDB（持久、本地）
嵌入： 开放人工智能 text-embedding-3-small
分块策略：1000个字符，200个字符重叠

4.代码沙盒(`server/src/tools/code_sandbox.py`)

责任：

安全执行Python代码
捕获输出和绘图
执行资源限制

安全层：

RestrictedPython:AST级代码限制
资源限制：内存和CPU限制
超时：执行时间限制
允许的包：安全库白名单（numpy、pandas、matplotlib等）

5.工作空间工具(`server/src/tools/workspace.py`)

责任：

组织研究成果
管理文件I/O
跟踪研究运行

目录结构：

research_runs/
└── YYYY-MM-DD_HHMMSS_task-name/
    ├── metadata.json
    ├── report.md
    ├── evaluation.json
    ├── sources.json
    ├── code/
    │   └── *.py
    ├── charts/
    │   └── *.png
    └── data/
        └── *.json

6.评估工具(`server/src/tools/evaluator.py`)

责任：

质量评估
自我批评一代
指标跟踪

质量指标（0-10分）：

清晰度、数据基础、完整性、代码质量、可操作性、信心

______________________________________________________________________

配置

环境变量

看 .env.example 对于所有可用的配置选项：

# Search Configuration
BRAVE_API_KEY=...           # Optional: Better search than DuckDuckGo
SEARCH_PROVIDER=duckduckgo  # duckduckgo or brave
MAX_SEARCH_RESULTS=10

# RAG Configuration (uses local embeddings by default)
USE_LOCAL_EMBEDDINGS=true
EMBEDDING_MODEL=all-MiniLM-L6-v2
VECTOR_DB_PATH=./data/vector_db
CHUNK_SIZE=1000
CHUNK_OVERLAP=200

# Code Sandbox Configuration
SANDBOX_TIMEOUT=30
SANDBOX_MAX_MEMORY_MB=512

# Directory Configuration
RESEARCH_RUNS_DIR=./research_runs
KNOWLEDGE_BASE_DIR=./knowledge_base

# Logging
LOG_LEVEL=INFO

光标IDE配置（备选）

1.打开光标设置

按 Cmd+, （Mac）或 Ctrl+, （Windows/Linux）

2.搜索“MCP”

找到MCP服务器配置部分。

3.添加服务器配置

添加与Claude Desktop相同的配置（详细示例请参见上文第5节）。

基本示例：

{
  "research-engineer": {
    "command": "/absolute/path/to/python",
    "args": [
      "/absolute/path/to/ai-research-agent-mcp/server/src/server.py"
    ],
    "env": {
      "SEARCH_PROVIDER": "duckduckgo",
      "USE_LOCAL_EMBEDDINGS": "true",
      "VECTOR_DB_PATH": "/absolute/path/to/data/vector_db",
      "RESEARCH_RUNS_DIR": "/absolute/path/to/research_runs",
      "KNOWLEDGE_BASE_DIR": "/absolute/path/to/knowledge_base"
    }
  }
}

使用紫外线：

{
  "research-engineer": {
    "command": "uv",
    "args": [
      "run",
      "--directory",
      "/absolute/path/to/ai-research-agent-mcp/server",
      "python",
      "src/server.py"
    ],
    "env": {
      "SEARCH_PROVIDER": "duckduckgo",
      "USE_LOCAL_EMBEDDINGS": "true"
    }
  }
}

______________________________________________________________________

用法

基础研究任务

简单查询

Research the pros and cons of electric scooters vs bikes for urban commuting.

代理人将：

在网上搜索相关信息
整理调查结果
提交总结

代码综合研究

Deep dive: Compare electric scooters vs bikes for my 5-mile daily commute. 
Build a cost calculator in Python that shows total cost of ownership over 3 years.
Include purchase price, maintenance, electricity/none, and create visualizations.

代理人将：

研究成本、维护和使用数据
构建Python成本计算器
创建比较图表
撰写一份全面的报告
将所有内容保存到研究运行目录
自我评估工作

工具使用示例

网络研究

仅搜索：

Use web_search to find the latest news about AI regulation in 2026

刮擦综合研究：

Use web_research to gather detailed information about multifamily real estate cap rates, 
and scrape the top 5 results for full content

删除特定URL：

Scrape this article and summarize the key points: https://example.com/article

知识库（RAG）

为笔记建立索引：

Index all files in my knowledge_base directory so I can query them later

查询知识库：

Query my knowledge base for information about real estate investment strategies

结合网络+知识库：

Research current EV market trends using both web search and my personal notes 
in the knowledge base

代码执行

简单计算：

Write Python code to calculate the compound annual growth rate (CAGR) 
for an investment that grew from $10,000 to $25,000 over 5 years

数据分析：

Create a Python script that:
1. Generates sample sales data for 12 months
2. Calculates moving averages
3. Creates a line chart with trend line
4. Prints summary statistics

财务建模：

Build a mortgage calculator in Python that:
- Takes loan amount, interest rate, and term
- Calculates monthly payment
- Shows amortization schedule
- Creates a chart showing principal vs interest over time

最佳实践

1.具体点

❌ 模糊：

Research AI

✅ 具体：

Research the current state of large language models in 2026, focusing on:
- Model sizes and capabilities
- Training costs
- Commercial applications
- Regulatory challenges

2.请求结构

❌ 非结构化：

Tell me about real estate

✅ 结构化的：

Research multifamily real estate investment in 2026:
1. Current market conditions
2. Financial modeling
3. Risk analysis
4. Recommendations

3.组合工具

✅ 有效期：

Research electric vehicle adoption rates using:
1. Web search for latest statistics
2. My knowledge base for past analysis
3. Python code to project future adoption
4. Visualizations of trends

4.请求评估

✅ 注重质量：

After completing the analysis, evaluate your work and tell me:
- What data sources were most valuable?
- What are the limitations of this analysis?
- What would make this analysis more robust?

______________________________________________________________________

项目结构

完整的文件和目录结构：

ai-research-agent-mcp/
│
├── README.md                          # This file - complete documentation
├── LICENSE                            # MIT License
├── .gitignore                         # Git ignore rules
├── .env.example                       # Example environment variables
│
├── server/                            # MCP Server implementation
│   ├── requirements.txt               # Python dependencies
│   ├── pyproject.toml                 # Project metadata and build config
│   │
│   └── src/                           # Source code
│       ├── __init__.py                # Package initialization
│       ├── server.py                  # Main MCP server entry point
│       ├── config.py                  # Configuration management
│       │
│       └── tools/                     # Tool implementations
│           ├── __init__.py            # Tools package initialization
│           ├── web_research.py        # Web search and scraping
│           ├── rag_tool.py            # Vector RAG for knowledge base
│           ├── code_sandbox.py        # Safe Python code execution
│           ├── workspace.py           # File and workspace management
│           └── evaluator.py           # Quality evaluation and critique
│
├── agent/                             # Agent orchestration
│   └── prompts/                       # System prompts and templates
│       └── research_agent.md          # Main research agent prompt
│
├── config/                            # Configuration files
│   └── claude_desktop_config.json     # Example Claude Desktop config
│
├── examples/                          # Example tasks and outputs
│   └── example_research_task.md       # Detailed example with expected output
│
├── knowledge_base/                    # Personal knowledge base (user content)
│   └── example_notes.md               # Example notes for RAG
│
├── research_runs/                     # Research output directory (created at runtime)
│   └── YYYY-MM-DD_HHMMSS_task-name/   # Individual research run
│       ├── metadata.json              # Run metadata
│       ├── report.md                  # Final report
│       ├── evaluation.json            # Self-evaluation
│       ├── sources.json               # Data sources
│       ├── code/                      # Generated code
│       │   └── *.py
│       ├── charts/                    # Visualizations
│       │   └── *.png
│       └── data/                      # Data files
│           └── *.json
│
├── data/                              # Data storage (created at runtime)
│   └── vector_db/                     # ChromaDB vector database
│
└── logs/                              # Log files (created at runtime)
    └── research_engineer.log          # Application logs

关键文件说明

文件	目的
`server/src/server.py`	带工具注册表的主MCP服务器
`server/src/config.py`	配置加载和验证
`server/src/tools/web_research.py`	网络搜索和抓取
`server/src/tools/rag_tool.py`	矢量数据库与语义搜索
`server/src/tools/code_sandbox.py`	安全的Python代码执行
`server/src/tools/workspace.py`	文件I/O和研究运行管理
`server/src/tools/evaluator.py`	质量指标和自我批评

______________________________________________________________________

故障排除

常见问题及解决方案

ImportError:尝试在没有已知父包的情况下进行相对导入

问题：

ImportError: attempted relative import with no known parent package

解决方案： 服务器已更新，可以处理直接执行和模块执行。运行：

cd server
python3.11 src/server.py

文件锁版本不兼容

问题：

TypeError: BaseFileLock.__init__() got an unexpected keyword argument 'mode'

解决方案：

pip3 install --upgrade filelock

Claude Desktop中的服务器未启动

问题： Claude Desktop显示“找不到服务器”或服务器未出现在工具列表中。

检查表：

✅ 验证中的路径 claude_desktop_config.json 是绝对的
✅ 检查是否安装了Python 3.11： which python3.11
✅ 确保安装了所有依赖项： pip3 install -r requirements.txt
✅ 完全重新启动Claude Desktop（退出并重新打开）
✅ 检查日志是否有错误

句子转换器模型下载

问题： 首次运行需要很长时间或显示下载进度。

解决方案： 这是正常的行为。首次使用时，正在下载句子转换器模型（约90MB）。该模型在本地缓存，后续运行将快得多。

未找到模块错误

问题：

ModuleNotFoundError: No module named 'mcp'

解决方案：

cd server
pip3 install -r requirements.txt

# Or if using a virtual environment:
python3.11 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

调试提示

检查服务器日志

tail -f logs/research_engineer.log

测试服务器导入

cd server
python3.11 -c "from src.server import app; print('✓ Server imports successfully')"

验证Python版本

python3.11 --version
# Should be 3.11 or higher

检查环境变量

cat .env

______________________________________________________________________

输出示例

每项研究任务都会产生一个结构化的输出：

research_runs/
└── 2026-02-06_multifamily-real-estate/
    ├── report.md              # Final comprehensive report
    ├── model.py               # Cash-flow model code
    ├── analysis.ipynb         # Jupyter notebook
    ├── charts/                # Generated visualizations
    │   ├── sensitivity.png
    │   └── cashflow.png
    ├── sources.json           # Data sources and citations
    └── evaluation.json        # Quality metrics and self-critique

______________________________________________________________________

发展

# Run tests
pytest tests/

# Format code
black server/ agent/

# Type checking
mypy server/ agent/

______________________________________________________________________

卸载

要从系统中完全删除MCP研究工程师：

1.从克劳德桌面删除

编辑您的Claude Desktop配置文件：

macOS： ~/Library/Application Support/Claude/claude_desktop_config.json 窗户： %APPDATA%\Claude\claude_desktop_config.json Linux： ~/.config/Claude/claude_desktop_config.json

移除 research-engineer 入口从 mcpServers:

{
  "mcpServers": {
    // Remove this entire block:
    // "research-engineer": { ... }
  }
}

重新启动克劳德桌面。

2.停用虚拟环境

如果您有一个活动的虚拟环境：

deactivate

3.删除项目目录

# Navigate to parent directory
cd ..

# Remove the entire project
rm -rf ai-research-agent-mcp

⚠️ 警告： 这将永久删除您的所有研究运行、知识库和配置。请确保先备份任何重要数据！

4.可选：备份重要数据

卸载之前，您可能需要备份：

# Backup your research outputs
cp -r ai-research-agent-mcp/research_runs ~/backup/research_runs

# Backup your knowledge base
cp -r ai-research-agent-mcp/knowledge_base ~/backup/knowledge_base

# Backup your configuration
cp ai-research-agent-mcp/.env ~/backup/.env

5.清理Python包（可选）

如果你想删除已安装的Python包：

# If you used a virtual environment, just delete it
rm -rf ai-research-agent-mcp/server/venv

# If you installed globally (not recommended), uninstall packages:
pip uninstall -y mcp chromadb sentence-transformers duckduckgo-search trafilatura httpx beautifulsoup4 lxml pypdf python-docx RestrictedPython

______________________________________________________________________

贡献

欢迎投稿！以下是您可以提供帮助的方式：

报告问题

如果您发现错误或有功能请求：

检查问题是否已存在于
如果没有，请使用以下命令创建新问题：

- 对问题或功能的清晰描述 - 复制步骤（针对bug） - 预期行为与实际行为 - 您的环境（操作系统、Python版本等）

拉取请求

克隆该仓库
创建要素分支： git checkout -b feature/your-feature-name
进行更改
彻底测试
以明确的信息承诺： git commit -m "Add feature: description"
推你的叉子： git push origin feature/your-feature-name
打开一个带有清晰描述的拉取请求

开发设置

# Clone your fork
git clone https://github.com/prabureddy/ai-research-agent-mcp.git
cd ai-research-agent-mcp

# Create virtual environment
cd server
python3.11 -m venv venv
source venv/bin/activate

# Install dependencies including dev tools
pip install -r requirements.txt
pip install pytest black mypy

# Run tests
pytest tests/

# Format code
black server/ agent/

# Type checking
mypy server/ agent/

代码风格

遵循PEP 8指南
在适当的情况下使用类型提示
将文档字符串添加到函数和类中
为新功能编写测试
保持提交原子性和良好的描述

贡献领域

🐛 错误修复
✨ 新工具实施
📚 文档改进
🧪 测试覆盖率
🎨 UI/UX改进
🌐 其他搜索提供商
📊 新的可视化类型
🔒 增强的安全性

______________________________________________________________________

接下来是什么？

尝试逐步执行更复杂的任务：

第一级：简单研究

Research the benefits of meditation

第二级：研究+代码

Research average home prices in major US cities and create a bar chart

第三级：综合分析

Analyze whether solar panels are worth it for a home in California.
Include cost analysis, payback period calculation, and recommendations.

第四级：完整的研究项目

Deep dive: Should I invest in multifamily real estate in 2026?
- Research market conditions
- Build cash-flow model
- Run sensitivity analysis
- Create visualizations
- Write comprehensive report
- Self-evaluate the analysis

______________________________________________________________________

获取帮助

如果您遇到问题：

检查日志： tail -f logs/research_engineer.log
验证环境变量： cat .env
测试Python导入：

   python -c "import mcp; print('MCP OK')"
   python -c "import chromadb; print('ChromaDB OK')"

检查克劳德桌面日志（帮助→ 查看日志）
查看故障排除以上章节
如果您需要进一步的帮助，请在GitHub上打开问题

______________________________________________________________________

支持

📖 文档
🐛 问题追踪
💬 讨论

______________________________________________________________________

致谢

内置于模型上下文协议（MCP）
由...驱动克劳德通过Anthropic
用途 ChromaDB 用于矢量存储
网络抓取编织

______________________________________________________________________

许可证

麻省理工学院

______________________________________________________________________

享受你的AI研究工程师！ 🚀

AI Research Agent MCP

快速接入

详细介绍

MCP驱动的人工智能研究工程师

⚡ 单层安装

选项1：使用紫外线（推荐-快速！）

选项2：使用pip（传统）

📸 在行动中看到它

这是给谁的？

概述

目录

特性

快速开始

先决条件

安装步骤

1.克隆存储库

2.安装依赖项

3.配置环境

4.创建所需目录

5.配置克劳德桌面

6.重新启动克劳德桌面

验证安装

你的第一个研究任务

建筑

系统概述

核心组件

1.MCP服务器(server/src/server.py)

2.网络研究工具(server/src/tools/web_research.py)

3.RAG工具(server/src/tools/rag_tool.py)

4.代码沙盒(server/src/tools/code_sandbox.py)

5.工作空间工具(server/src/tools/workspace.py)

6.评估工具(server/src/tools/evaluator.py)

配置

环境变量

光标IDE配置（备选）

1.打开光标设置

2.搜索“MCP”

3.添加服务器配置

用法

基础研究任务

简单查询

代码综合研究

工具使用示例

网络研究

知识库（RAG）

代码执行

最佳实践

1.具体点

2.请求结构

3.组合工具

4.请求评估

项目结构

关键文件说明

故障排除

常见问题及解决方案

ImportError:尝试在没有已知父包的情况下进行相对导入

文件锁版本不兼容

Claude Desktop中的服务器未启动

句子转换器模型下载

未找到模块错误

调试提示

检查服务器日志

测试服务器导入

验证Python版本

检查环境变量

输出示例

发展

卸载

1.从克劳德桌面删除

2.停用虚拟环境

3.删除项目目录

4.可选：备份重要数据

5.清理Python包（可选）

贡献

报告问题

拉取请求

开发设置

代码风格

贡献领域

接下来是什么？

1.MCP服务器(`server/src/server.py`)

2.网络研究工具(`server/src/tools/web_research.py`)

3.RAG工具(`server/src/tools/rag_tool.py`)

4.代码沙盒(`server/src/tools/code_sandbox.py`)

5.工作空间工具(`server/src/tools/workspace.py`)

6.评估工具(`server/src/tools/evaluator.py`)