Token导航 LogoToken导航TokenDH.com
中转站排行榜
Analysis Alpaca Researcher logo
搜索检索stdio官方级别未说明来源级核验

Analysis Alpaca Researcher

MCP Server

一个基于MCP协议的生产级AI研究分析服务器，集成了网络和学术搜索功能，支持交互式研究和AI驱动的报告生成。

工具数

0

提示词数

0

GitHub Stars

1

资源数

0
报告生成PythonClaude搜索Claude DesktopClaude

安装说明

本站只整理中文说明和来源信息，不托管安装包，也不代用户安装。

GitHub

作者 / 组织

DeepKariaX

提供方

DeepKariaX

最后核验

2026/5/17 20:22

运行时

Python

快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

python -m venv venv

详细介绍

羊驼分析🦙

![License: MIT](https://opensource.org/licenses/MIT) ![MCP Compatible](https://github.com/modelcontextprotocol) ![PRs Welcome](https://github.com/DeepKariaX/Analysis-Alpaca-Researcher/pulls) ](https://github.com/DeepKariaX/Analysis-Alpaca-Researcher/issues) ](https://github.com/DeepKariaX/Analysis-Alpaca-Researcher/stargazers) ](https://github.com/DeepKariaX/Analysis-Alpaca-Researcher/network)

一个生产就绪的MCP（模型上下文协议）服务器，为Claude和其他兼容MCP的AI助手提供全面的研究和分析能力。该服务器将网络和学术搜索功能与可选的网络界面集成在一起，用于交互式研究和人工智能驱动的报告生成。

🚀 快速开始

# 1. Clone and navigate to the project
git clone https://github.com/DeepKariaX/Analysis-Alpaca-Researcher.git
cd Analysis-Alpaca-Researcher

# 2. Install dependencies (use virtual environment recommended)
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
pip install -e .

# 3. Start the MCP server
python http_server.py

# Server runs on http://localhost:8001
# API documentation: http://localhost:8001/docs

📋 目录

✨ 特性

核心研究能力

  • 多源搜索：结合DuckDuckGo网络搜索和语义学者学术研究
  • 内容提取：从网页中智能提取相关信息
  • 学术整合：直接访问学术文章和研究论文
  • 智能格式化：具有引文和结构化输出的格式正确的研究
  • 速率限制：内置重试逻辑和API限制的优雅处理

Web界面功能

  • 互动研究：用户友好的网络界面，用于进行研究
  • 作业管理：通过进度监控跟踪多个研究工作
  • AI驱动的报告：使用OpenAI、Anthropic或Groq生成全面的PDF报告
  • PDF导出：将研究结果下载为正确命名的PDF文件
  • 实时更新：使用类似WebSocket的轮询进行实时进度跟踪

生产特点

  • 全面的错误处理：服务不可用时性能下降
  • 广泛的日志记录：调试和监控的详细日志记录
  • 可配置设置：基于环境的配置管理
  • 自动依赖安装：自动安装缺失的依赖项
  • 模块化架构：易于扩展和定制

🏗 建筑

组件概述

analysis_alpaca/
├── src/analysis_alpaca/          # Core MCP server implementation
│   ├── core/                     # Server and research orchestration
│   ├── search/                   # Search engine implementations
│   ├── models/                   # Data models and schemas
│   ├── utils/                    # Utility functions and helpers
│   └── exceptions/               # Custom exception handling
├── web_ui/                       # Optional web interface
│   ├── frontend/                 # React.js frontend application
│   └── backend/                  # FastAPI backend for web UI
├── tests/                        # Test suite
├── http_server.py               # HTTP API wrapper for MCP server
└── requirements.txt             # Unified dependencies

核心组件

  1. MCP服务器 (src/analysis_alpaca/core/server.py)

- 基于FastMCP的服务器向Claude展示研究工具 - 主要工具： deep_research() 用于综合研究 - 结构化研究方法的内置提示模板

  1. 研究服务 (src/analysis_alpaca/core/research_service.py)

- 协调整个研究工作流程 - 协调网络和学术搜索 - 管理内容提取和结果格式化 - 处理并行执行和错误恢复

  1. 搜索实现

- WebSearcher：带有结果解析的DuckDuckGo网络搜索 - 学术搜索者：语义学者API与重试逻辑集成 - 内容提取器：网页内容提取和处理

  1. HTTP服务器 (http_server.py)

- 用于MCP功能的REST API包装器 - 允许直接通过HTTP访问研究功能 - 启用CORS以实现web界面集成

  1. web界面

- 前端：带有PDF生成功能的React.js应用程序 - 后端：用于作业管理和AI报告生成的FastAPI服务器

🔧 安装

先决条件

  • Python 3.8+ （推荐：Python 3.11+）
  • Node.js 16+ （仅当使用web界面时）
  • npm或纱线 （仅当使用web界面时）

基本安装

# Clone the repository
git clone https://github.com/DeepKariaX/Analysis-Alpaca-Researcher.git
cd Analysis-Alpaca-Researcher

# Create virtual environment (recommended)
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install the package
pip install -e .

# Or install with all optional dependencies
pip install -e ".[dev,ai]"

Web界面设置

# Install frontend dependencies
cd web_ui/frontend
npm install

# Return to project root
cd ../..

依赖关系概述

核心依赖关系：

  • httpx>=0.25.0 -API请求的HTTP客户端
  • beautifulsoup4>=4.12.0 -用于内容提取的HTML解析
  • mcp>=0.1.0 -模型上下文协议服务器框架
  • fastapi>=0.104.0 -用于HTTP API的Web框架
  • uvicorn>=0.24.0 -FastAPI的ASGI服务器

可选AI依赖关系：

pip install -e ".[ai]"  # Installs OpenAI, Anthropic, and Groq clients

开发依赖性：

pip install -e ".[dev]"  # Installs testing and linting tools

⚙️ 配置

环境变量

创建一个 .env 项目根目录中的文件：

# Search Configuration
AA_MAX_RESULTS=5              # Maximum results per search
AA_DEFAULT_NUM_RESULTS=3      # Default number of results
AA_WEB_TIMEOUT=15.0          # Web search timeout (seconds)
AA_USER_AGENT="AnalysisAlpaca 1.0"

# Content Configuration
AA_MAX_CONTENT_SIZE=10000    # Maximum response size
AA_MAX_EXTRACTION_SIZE=150000 # Maximum content to extract

# Server Configuration
AA_LOG_LEVEL=INFO            # Logging level (DEBUG, INFO, WARNING, ERROR)
AA_LOG_FILE="logs/research.log"  # Optional log file path
AA_AUTO_INSTALL_DEPS=true    # Auto-install missing dependencies

# AI Provider API Keys (Optional - for web interface)
OPENAI_API_KEY=your_openai_key_here
ANTHROPIC_API_KEY=your_anthropic_key_here
GROQ_API_KEY=your_groq_key_here

# Web UI Configuration
MCP_SERVER_URL=http://localhost:8001  # URL of the MCP HTTP server

配置文件

该系统使用分层配置方法：

  1. 中的默认值 config.py
  2. 环境变量（覆盖默认值）
  3. 可选的 .env 文件（覆盖环境）

🚀 用法

MCP服务器（用于克劳德桌面）

添加到您的Claude Desktop配置中：

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

{
  "mcpServers": {
    "analysis-alpaca": {
      "command": "/path/to/python",
      "args": ["/path/to/analysis_alpaca/http_server.py"],
      "env": {
        "AA_MAX_RESULTS": "5",
        "AA_LOG_LEVEL": "INFO"
      }
    }
  }
}

独立HTTP服务器

# Start the HTTP API server
python http_server.py

# Server runs on http://localhost:8001
# API documentation available at http://localhost:8001/docs

Web界面（可选）

网络界面提供了一种用户友好的方式，可以通过浏览器与AnalysisAlpaca进行交互。

要求：

  • 前端使用Node.js 16+和npm
  • MCP HTTP服务器必须正在运行（见上文）

设置：

# Install frontend dependencies
cd web_ui/frontend
npm install
cd ../..

手动启动（需要2个终端）：

终端1-后端API服务器：

cd web_ui/backend
python main.py

# Backend runs on http://localhost:8000
# API documentation: http://localhost:8000/docs

终端2-前端开发服务器：

cd web_ui/frontend
npm start

# Frontend runs on http://localhost:3000
# Access the web interface at http://localhost:3000

完成设置（共3台服务器）：

  1. MCP服务器 （1号航站楼）： python http_server.py → http://localhost:8001
  2. 后端API （2号航站楼）： cd web_ui/backend && python main.py → http://localhost:8000
  3. 前端用户界面 （3号航站楼）： cd web_ui/frontend && npm start → http://localhost:3000

研究工具使用

主要 deep_research 工具接受以下参数：

  • 怎么翻译 （必填）：研究问题或主题
  • 来源 （可选）：“网络”、“学术”或“两者皆有”（默认值：“两者都有”）
  • num_结果 （可选）：要检查的源数量（默认值：2）

克劳德提示示例

Research the latest developments in quantum computing using both web and academic sources.

Can you do comprehensive research on climate change mitigation strategies? Focus on academic sources and examine 3 results.

I need detailed information about the impact of artificial intelligence on healthcare. Use the deep_research tool with web sources only.

API直接使用

# Research via HTTP API
curl -X POST "http://localhost:8001/deep_research" \
  -H "Content-Type: application/json" \
  -d '{
    "query": "artificial intelligence in healthcare",
    "sources": "both",
    "num_results": 3
  }'

🌐 web界面

特性

  • 研究表格：提交研究查询的交互式表单
  • 进度跟踪：具有详细日志的实时进度更新
  • 作业管理：查看和管理多个研究作业
  • AI报告生成：使用各种LLM提供商生成综合报告
  • PDF导出：将报告下载为正确命名的PDF文件
  • 历史：浏览以前的研究工作和结果

支持的LLM提供商

  • OpenAI：GPT-4、GPT-3.5涡轮增压和其他型号
  • Anthropic：克劳德3（十四行诗、歌剧、俳句）
  • 希腊：使用各种开源模型进行快速推理

文件命名约定

下载的报告使用以下格式： {sanitized_title}_{source_type}.pdf

例子： artificial_intelligence_healthcare_web_academic.pdf

📚 api参考

MCP工具

deep_research

对一个主题进行全面的研究。

参数：

  • query （string，必填）：研究问题或主题
  • sources （字符串，可选）：源类型（“web”、“academic”、“both”）
  • num_results （整数，可选）：要检查的源数量

退货： 有来源和内容的格式化研究成果

research_prompt

为多阶段研究生成结构化的研究提示。

参数：

  • topic （string，必填）：研究主题

退货： 方法论综合研究提示

HTTP API终结点

POST /deep_research

通过HTTP执行研究查询。

{
  "query": "string",
  "sources": "both",
  "num_results": 2
}

GET /health

健康检查端点。

GET /docs

交互式API文档（Swagger UI）。

Web UI API端点

POST /research

开始一项新的研究工作。

GET /research/{job_id}

获取研究工作状态和结果。

GET /research/{job_id}/progress

获取研究工作的详细进展。

🛠 发展

项目结构

analysis_alpaca/
├── src/analysis_alpaca/
│   ├── __init__.py
│   ├── config.py              # Configuration management
│   ├── core/
│   │   ├── __init__.py
│   │   ├── server.py          # MCP server implementation
│   │   └── research_service.py # Research orchestration
│   ├── search/
│   │   ├── __init__.py
│   │   ├── base.py           # Base searcher class
│   │   ├── web_search.py     # DuckDuckGo implementation
│   │   ├── academic_search.py # Semantic Scholar implementation
│   │   └── content_extractor.py # Content extraction
│   ├── models/
│   │   ├── __init__.py
│   │   └── research.py       # Data models
│   ├── utils/
│   │   ├── __init__.py
│   │   ├── logging.py        # Logging utilities
│   │   └── text.py          # Text processing
│   └── exceptions/
│       ├── __init__.py
│       └── base.py          # Custom exceptions
├── web_ui/
│   ├── frontend/            # React.js application
│   └── backend/             # FastAPI backend
├── tests/                   # Test suite
├── http_server.py          # HTTP wrapper
├── requirements.txt        # Dependencies
├── pyproject.toml         # Package configuration
└── Makefile              # Development commands

开发设置

# Install with development dependencies
pip install -e ".[dev,ai]"

# Set up pre-commit hooks (optional)
pre-commit install

# Run tests
make test

# Code formatting
make format

# Linting
make lint

# Type checking
make type-check

添加新的搜索提供商

  1. 创建一个新的搜索器类，继承自 BaseSearcher
  2. 实施 search() 方法
  3. 将搜索者添加到 ResearchService
  4. 更新配置和文档

例子：

from .base import BaseSearcher

class NewSearcher(BaseSearcher):
    async def search(self, query: str, num_results: int) -> List[SearchResult]:
        # Implement search logic
        pass

🧪 测试

运行测试

# Run all tests
make test

# Run with coverage
make test-cov

# Run specific test file
pytest tests/test_models.py

# Run with verbose output
pytest -v

测试结构

  • tests/test_models.py -数据模型测试
  • tests/test_utils.py -实用功能测试
  • tests/conftest.py -测试配置和夹具

写作测试

测试使用pytest和pytest-asyncio进行异步测试：

import pytest
from analysis_alpaca.models.research import ResearchQuery

@pytest.mark.asyncio
async def test_research_query():
    query = ResearchQuery(query="test", sources="web", num_results=2)
    assert query.query == "test"

🚀 部署

生产部署

Docker部署

FROM python:3.11-slim

WORKDIR /app
COPY . .

RUN pip install -e .

EXPOSE 8001
CMD ["python", "http_server.py"]

环境配置

对于生产环境，设置以下环境变量：

AA_LOG_LEVEL=WARNING
AA_LOG_FILE=/var/log/analysis-alpaca.log
AA_AUTO_INSTALL_DEPS=false
AA_MAX_RESULTS=3
AA_WEB_TIMEOUT=20.0

反向代理设置（Nginx）

server {
    listen 80;
    server_name your-domain.com;

    location / {
        proxy_pass http://127.0.0.1:8001;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

监控

该应用程序提供全面的日志记录。监控这些关键指标：

  • 研究请求率
  • 搜索成功/失败率
  • 内容提取成功率
  • 响应时间
  • 错误模式

缩放注意事项

  • 该应用程序是无状态的，可以水平扩展
  • 考虑实现Redis来缓存搜索结果
  • 在高流量场景中使用适当的消息队列进行后台处理

🔍 故障排除

常见问题

导入错误

# Ensure proper installation
pip install -e .

# Check Python path
python -c "import analysis_alpaca; print('OK')"

搜索超时

# Increase timeout values
export AA_WEB_TIMEOUT=30.0
export AA_ACADEMIC_TIMEOUT=30.0

学术搜索率限制

系统通过以下方式自动处理语义学者速率限制：

  • 指数退避重试逻辑
  • 温和降级（仅返回网络结果）
  • 请求间距

内容提取失败

  • 检查网络连接
  • 验证目标站点可用性
  • 某些网站可能会阻止自动请求

大响应截断

# Increase content size limits
export AA_MAX_CONTENT_SIZE=15000
export AA_MAX_EXTRACTION_SIZE=200000

调试模式

启用详细日志记录：

export AA_LOG_LEVEL=DEBUG
export AA_LOG_FILE="debug.log"
python http_server.py

查看日志：

tail -f debug.log

获取帮助

  1. 检查日志以了解详细的错误消息
  2. 根据示例验证您的配置
  3. 先用简单的查询进行测试
  4. 确保所有依赖项都已正确安装

🤝 贡献

开发工作流程

  1. 分叉存储库
  2. 创建要素分支： git checkout -b feature-name
  3. 通过测试进行更改
  4. 运行质量检查： make check-all
  5. 提交拉取请求

代码的风格

该项目使用：

  • 黑色 用于代码格式化
  • isort 用于进口分拣
  • 薄片8 对于linting
  • mypy 用于类型检查

运行所有检查：

make check-all

提交指导方针

使用常规提交：

  • feat: 对于新功能
  • fix: 用于修复错误
  • docs: 用于文件编制
  • test: 用于测试
  • refactor: 用于重构

📄 许可证

MIT许可证-有关详细信息，请参阅许可证文件。

🙏 致谢

  • 语义学者 用于学术搜索API
  • DuckDuckGo 用于网络搜索功能
  • 模型上下文协议 对于集成框架
  • FastMCP 用于服务器实现
  • React.js 和 快速 API 对于web界面

📊 路线图

计划的功能

  • \[ \] 其他搜索提供商

- 谷歌学术集成 - Bing学术搜索 - ArXiv直接集成

  • \[ \] 增强的内容处理

- PDF内容提取 - 图像和图表分析 - 表数据提取

  • \[ \] 性能改进

- Redis缓存层 - 异步处理优化 - 响应流

  • \[ \] 高级功能

- 引文图分析 - 研究趋势检测 - 多语言支持

  • \[ \] 企业功能

- 用户认证 - 使用情况分析 - API速率限制 - 自定义搜索域

版本历史记录

  • v1.0.0 -具有核心研究功能的初始版本
  • v1.1.0版本 -添加了web界面和PDF导出
  • v1.2.0版本 -增强的错误处理和速率限制
  • 当前 -全面清理和记录

______________________________________________________________________

有关最新更新和详细的更改日志，请访问 .

目录标签

目录标签

报告生成PythonClaude搜索AI研究本地部署学术搜索网络爬取MCP协议

支持客户端

Claude DesktopClaude

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

Analysis-Alpaca-Researcher logo

MCP World

mcpworld.com

/detail/984f35f172114a06301f29ac45097deb

一个基于MCP协议的生产级AI研究分析服务器，集成了网络和学术搜索功能，支持交互式研究和AI驱动的报告生成。

继续浏览同类 MCP

更多搜索检索 MCP（7,303）返回 MCP 目录

上一个 MCP

An Agent Development Repository Of Muyuan

一个用于学习代理开发（包括MCP和RAG）的代码库。

下一个 MCP

Analytical MCP Server

Analytical MCP Server: Enhancing AI with Structured Problem-Solving Tools