研究论文摄入MCP服务器
   
从学术研究论文中自主获取知识，以促进AGI的自我提升。
部分 代理系统 -具有持久内存的24/7自主AI框架。
特性
纸张发现
- arXiv集成：从arXiv.org搜索并下载
- 语义学者：引文分析和学术影响力指标
- PDF下载：自动纸张检索和存储
知识提取
- 洞察力提取：确定主要发现和贡献
- 引文分析：了解论文的影响和关系
- 技术鉴定：提取新的方法和途径
内存集成
- 增强记忆：存储提取的知识以供AGI学习
- 结构化实体：创建可搜索的内存表示
- 引文图：跟踪知识传承
安装
cd ${AGENTIC_SYSTEM_PATH:-/opt/agentic}/agentic-system/mcp-servers/research-paper-mcp
pip install -r requirements.txt配置
添加 ~/.claude.json:
{
"mcpServers": {
"research-paper-mcp": {
"command": "python3",
"args": [
"${AGENTIC_SYSTEM_PATH:-/opt/agentic}/agentic-system/mcp-servers/research-paper-mcp/server.py"
],
"env": {},
"disabled": false
}
}
}可用工具
search_arxiv
通过查询在arXiv上搜索研究论文。
参数:
query（必填）：搜索查询（例如“递归自我改进AGI”）max_results：最大结果（默认值：10）sort_by：排序顺序-相关性、上次更新日期、提交日期
示例:
results = mcp__research-paper-mcp__search_arxiv({
"query": "meta-learning neural networks",
"max_results": 20,
"sort_by": "relevance"
})搜索_浪漫学者
在Semantic Scholar中搜索具有引文指标的论文。
参数:
query（必填）：搜索查询fields：要检索的元数据字段limit：最大结果（默认值：10）
示例:
results = mcp__research-paper-mcp__search_semantic_scholar({
"query": "transformer architecture attention",
"fields": ["title", "authors", "citationCount", "year"],
"limit": 15
})download_paper
从URL下载研究论文PDF。
参数:
url（必填）：PDF URLpaper_id（必需）：文件名的唯一标识符
示例:
result = mcp__research-paper-mcp__download_paper({
"url": "https://arxiv.org/pdf/1234.5678.pdf",
"paper_id": "arxiv-1234.5678"
})extract_insights
从论文文本中提取关键见解和发现。
参数:
paper_text（必填）：全文或摘要focus_areas：可选择关注的特定领域
示例:
insights = mcp__research-paper-mcp__extract_insights({
"paper_text": paper_abstract,
"focus_areas": ["methodology", "results"]
})分析
分析引文关系和论文影响。
参数:
paper_id（必填）：语义学者或arXiv论文IDdepth：引文图深度1-3（默认值：1）
示例:
analysis = mcp__research-paper-mcp__analyze_citations({
"paper_id": "arxiv:1706.03762", # "Attention Is All You Need"
"depth": 2
})商店_个人_知识
将提取的知识存储在增强的内存中，用于AGI学习。
参数:
paper_metadata（必填）：纸质元数据字典insights（必填）：关键见解列表techniques：新技术列表
示例:
stored = mcp__research-paper-mcp__store_paper_knowledge({
"paper_metadata": {
"id": "arxiv-1234.5678",
"title": "Novel AGI Approach",
"authors": ["Smith", "Jones"],
"year": 2024
},
"insights": [
"Achieves 95% accuracy on benchmark",
"10x faster than previous methods"
],
"techniques": [
"Recursive meta-optimization",
"Self-modifying architectures"
]
})使用模式
自主研究工作流程
# 1. Search for relevant papers
arxiv_results = mcp__research-paper-mcp__search_arxiv({
"query": "recursive self-improvement",
"max_results": 10
})
# 2. Get citation metrics
for paper in arxiv_results['papers']:
scholar_data = mcp__research-paper-mcp__search_semantic_scholar({
"query": paper['title'],
"limit": 1
})
# 3. Download high-impact papers
if scholar_data['papers'][0]['citationCount'] > 50:
pdf = mcp__research-paper-mcp__download_paper({
"url": paper['pdf_url'],
"paper_id": paper['id']
})
# 4. Extract and store insights
insights = mcp__research-paper-mcp__extract_insights({
"paper_text": paper['abstract']
})
mcp__research-paper-mcp__store_paper_knowledge({
"paper_metadata": paper,
"insights": insights['insights']
})引文网络分析
# Analyze citation influence
analysis = mcp__research-paper-mcp__analyze_citations({
"paper_id": "influential-paper-id",
"depth": 2
})
# Identify most influential papers in field
if analysis['citation_graph']['influential_citations'] > 100:
# Download and study this foundational paper
pass存储
- 论文目录:
${AGENTIC_SYSTEM_PATH:-/opt/agentic}/agentic-system/research-papers/ - PDF文件：另存为
{paper_id}.pdf - 内存集成：通过增强内存mcp create_entities
依赖项
- arXiv：arXiv API Python包装器
- 意图tp：语义学者API的异步HTTP客户端
- 主控程序：模型上下文协议SDK
未来的增强功能
- PDF文本提取：从PDF解析全文
- 图/图表分析：提取视觉见解
- 代码库链接：查找实现代码
- 相关论文：自动发现关联研究
- 趋势检测：确定新兴研究方向
- LLM驱动的洞察力提取：使用GPT-4进行更深入的分析
与AGI系统集成
此MCP服务器关闭了AGI_Gap_ANALYSIS.md中的间隙#1：
知识获取基础设施 ✅
- ✓ 研究论文摄入（arXiv+语义学者）
- ⏳ 视频转录处理（单独的MCP）
- ⏳ GitHub存储库分析（未来）
- ⏳ 文件报废（未来）
- ⏳ 知识图谱集成（未来）
影响：系统现在可以自主学习最新的人工智能研究！