Super MCP Server 2

🧠 Perfect Research MCP Server v2.0-先进的人工智能研究智能系统

一个尖端的人工智能研究智能平台，通过智能PDF处理、语义搜索、研究分析和自动生成演示文稿来改变学术工作流程。采用完全符合MCP协议v2.0和企业级架构构建。

     

🎯 项目概述

Perfect Research MCP Server v2.0代表了学术和专业研究工作流程的范式转变。这个复杂的人工智能研究智能系统结合了最先进的自然语言处理、计算机视觉和机器学习技术，创建了最全面的研究自动化平台。

🆕 v2.0中的新功能：完全符合MCP协议，具有实时进度跟踪、操作取消、AI模型采样、研究工作流程模板和生产级监控功能等高级功能。

🌟 是什么让这场革命？

• 🧠 AI研究智能引擎：使用GPT-4o-mini进行高级方法分析、质量评估和贡献识别
• 🔍 语义研究发现：使用OpenAI嵌入和Pinecone进行基于矢量的内容检索，准确率超过95%
• 🎨 完美演示文稿生成：基于人工智能的幻灯片创作，具有3个专业主题和针对特定受众的改编
• 📊 统计内容挖掘：自动检测和分析p值、相关性、效应大小和显著性检验
• 🌐 多源情报收集：集成了谷歌网络、学者、新闻和图像搜索，并具有人工智能增强功能
• 💰 成本优化架构：通过智能选型，在保持优质品质的同时降低85%的成本
• 🔌 企业级集成：具有HTTP REST API的FastAPI兼容微服务架构
• 🚀 可扩展的基础设施：支持10000多篇具有亚秒级语义搜索的研究论文
• 📡 实时操作：进度通知、取消支持和全面监控
• 🤖 AI模型灵活性：客户端AI采样，支持Claude、GPT-4和自动选择
• 📋 研究工作流自动化：用于常见学术和商业场景的预构建模板
• 🔒 企业安全：API密钥管理、命名空间隔离和符合隐私的数据处理

✨ 核心架构和高级功能

🆕 MCP协议v2.0合规性和高级功能

完成协议实施：

• 实时进度跟踪：所有操作的粒度进度通知（5%、10%、40%、50%、60%、75%、85%、95%、100%）
• 高级操作控制：完全取消支持，具有优雅的关机和资源清理功能
• 研究工作流程模板：4个复杂的预先构建的研究场景：

- research_analysis_workflow -综合学术论文分析 - presentation_creation_workflow -专业演示文稿生成管道 - literature_review_workflow -系统文献综述方法 - research_insights_workflow -深度洞察提取与综合

• AI模型集成：客户端AI采样，具有智能模型偏好处理（Claude、GPT-4、自动选择）
• 结构化监控：先进的日志记录、通知系统和全面的健康诊断
• 运营生命周期管理：唯一的操作ID、状态跟踪和完整的审核跟踪
• 完全能力声明：全面的功能协商，以实现最佳的客户端集成

🔍 高级研究情报与发现

多源情报平台：

• 学术搜索集成：通过SerpAPI定位谷歌学术、网络、新闻和图片
• AI增强结果：自动主题提取、研究差距识别和趋势分析
• 语义论文导航：具有上下文理解的基于矢量的内容检索
• 引文网络分析：综合参考跟踪、密度分析和影响评估
• 研究景观测绘：地理和时间研究趋势可视化

统计内容智能：

• 自动统计检测：P值、效应大小、置信区间和显著性检验
• 方法分类：实验设计识别和严谨性评估
• 质量评分算法：多维研究质量评价（0-1.0分）
• 贡献识别：新颖性检测和突破性评估
• 未来研究建议：人工智能生成下一步和研究方向

📄 智能PDF处理引擎

双层提取系统：

• 加急处理：LlamaParse API具有卓越的准确性（文本提取率为95-99%）
• 智能回退：具有学术结构意识的pypdf（准确率85-95%）
• 多模态内容提取：文本、表格、图形、方程式和复杂布局
• 学术结构识别：自动检测摘要、方法、结果、讨论、结论
• 研究元素挖掘：假设、目标、局限性、发现和含义提取

内容智能功能：

• 节意识块化：保留学术结构的文本分割
• 上下文元数据丰富：页码、章节类型和相关性评分
• 多语言支持：国际研究论文的处理能力
• 复杂的文档处理：支持多列布局、脚注和学术格式

🧠 AI驱动的研究分析引擎

综合分析能力：

• 方法论评估：研究设计评估、控制变量识别和实验有效性评分
• 统计分析：统计方法、样本量和结果显著性的自动检测
• 贡献评估：新颖性评分、理论影响评估和实际应用识别
• 局限性分析：研究约束识别、偏差评估和有效性威胁评估
• 引文影响分析：参考模式分析、引用密度评分和学术影响力测量
• 质量指标：完整性评估、结构评估和学术标准合规性

高级AI功能：

• 跨纸张比较：多文件分析，包括方法、调查结果和贡献比较
• 研究合成：自动生成文献综述并识别差距
• 趋势分析：时间研究模式识别和未来方向预测
• 影响预测：基于内容分析的研究意义预测

🎨 完美的演示文稿生成系统

专业主题架构：

• 学术专业人员：具有适当引用和学术格式的传统学术风格
• 现代研究：具有数据可视化和简洁美学的当代设计
• 行政清洁：以业务为重点的演示文稿，采用执行摘要结构

智能内容生成：

• 针对特定受众的改编：学术、商业、综合和高管演讲风格
• 语义内容集成：从矢量搜索结果中获取相关内容
• 动态幻灯片规划：基于内容和受众的人工智能结构优化
• 引文整合：自动学术参考格式化和来源归因
• 视觉增强：研究适当的图形、图表和专业布局

高级演示功能：

• 可定制长度：5-25张幻灯片，具有智能内容分发功能
• 重点区域定位：用户定义的对方法、结果、影响或特定主题的强调
• 多纸张合成：结合多篇研究论文的见解的演示
• 出口灵活性：PowerPoint格式，可定制模板和品牌

🔧 企业基础架构和可扩展性

矢量数据库架构：

• 松果集成：可扩展的矢量存储，支持10000多篇研究论文
• 高级嵌入策略：OpenAI文本嵌入-3大，3072个维度
• 智能索引：了解学术结构的矢量组织
• 上下文搜索：特定于部分的增强查询处理
• 命名空间管理：多租户环境的用户和文档隔离

成本优化框架：

• 模型选择智能：GPT-4o-mini在保持质量的同时节省85%的成本
• 高效嵌入策略：优化了分块和向量生成
• API使用优化：智能批处理和缓存机制
• 资源管理：动态扩展和高效的内存利用率

🚀 安装和快速入门指南

先决条件和系统要求

• python：3.8+（建议3.9+以获得最佳性能）
• 记忆：4GB+RAM，用于处理大型文档
• 存储：500MB+可用磁盘空间用于缓存和临时文件
• 网络：API服务的稳定互联网连接
• API密钥：OpenAI、SerpAPI、松果体（必需）、LlamaParse（可选）

🔧 自动安装（推荐）

# 1. Clone the repository
git clone https://github.com/Ved0715/mcp-server-reserch-assistent.git
cd mcp-server-reserch-assistent

# 2. Run automated setup (creates virtual environment, installs dependencies)
python run.py

# 3. Follow interactive prompts for environment configuration
# - API key setup
# - Service configuration
# - Health check validation

🔑 环境配置

1.复制环境模板：

cp .env.template .env

2.在中配置API密钥 .env:

# === REQUIRED API KEYS ===
OPENAI_API_KEY=your_openai_api_key_here
SERPAPI_KEY=your_serpapi_key_here
PINECONE_API_KEY=your_pinecone_api_key_here
PINECONE_INDEX_NAME=research-papers
PINECONE_ENVIRONMENT=us-east-1-aws

# === OPTIONAL (Enhanced Features) ===
LLAMA_PARSE_API_KEY=your_llamaparse_key_here
UNSPLASH_ACCESS_KEY=your_unsplash_key_here

# === AI MODEL CONFIGURATION ===
LLM_MODEL=gpt-4o-mini
EMBEDDING_MODEL=text-embedding-3-large
EMBEDDING_DIMENSIONS=3072

# === PROCESSING SETTINGS ===
CHUNK_SIZE=1000
CHUNK_OVERLAP=200
PPT_MAX_SLIDES=25
ENABLE_RESEARCH_INTELLIGENCE=true
ENABLE_STATISTICAL_EXTRACTION=true

🎮 运行应用程序

选项1:HTTP MCP服务器（生产就绪）

# Start the enterprise-grade HTTP server with full MCP v2.0 compliance
python start_mcp_server.py --host localhost --port 3001

# Server available at: http://localhost:3003
# Health check: curl http://localhost:3003/health
# Tool inventory: curl http://localhost:3003/tools

选项2：交互式Web界面

# Launch the Streamlit web application
streamlit run perfect_app.py --server.port 8501

# Access at: http://localhost:8501

选项3：命令行MCP服务器

# Traditional MCP server for direct integration
python perfect_mcp_server.py

🛠️ 完整工具参考-14项高级功能

该系统提供 14种精密工具 可通过模型上下文协议访问：

1. 🔍 高级多源搜索

工具: advanced_search_web

{
  "tool": "advanced_search_web",
  "arguments": {
    "query": "machine learning healthcare applications 2024",
    "search_type": "scholar",           // "web", "scholar", "news", "images"
    "num_results": 10,
    "location": "United States",
    "time_period": "year",             // "all", "year", "month", "week", "day"
    "enhance_results": true            // AI theme extraction and gap analysis
  }
}

2. 📄 智能研究论文处理

工具: process_research_paper

{
  "tool": "process_research_paper",
  "arguments": {
    "file_content": "base64_encoded_pdf_content",
    "file_name": "research_paper.pdf",
    "paper_id": "paper_001",
    "enable_research_analysis": true,
    "enable_vector_storage": true,
    "analysis_depth": "comprehensive"    // "basic", "standard", "comprehensive"
  }
}

3. 🎯 完美演示文稿生成

工具: create_perfect_presentation

{
  "tool": "create_perfect_presentation",
  "arguments": {
    "paper_id": "paper_001",
    "user_prompt": "Focus on methodology and statistical results for academic conference",
    "title": "Research Findings Presentation",
    "author": "Your Name",
    "theme": "academic_professional",     // "academic_professional", "research_modern", "executive_clean"
    "slide_count": 15,
    "audience_type": "academic",          // "academic", "business", "general", "executive"
    "include_search_results": false,
    "search_query": "related research context"
  }
}

4.🧠 研究情报分析

工具: research_intelligence_analysis

{
  "tool": "research_intelligence_analysis",
  "arguments": {
    "paper_id": "paper_001",
    "analysis_types": ["methodology", "contributions", "quality", "citations", "statistical", "limitations"],
    "provide_recommendations": true
  }
}

5. 🔍 语义论文搜索

工具: semantic_paper_search

{
  "tool": "semantic_paper_search",
  "arguments": {
    "query": "statistical significance and p-values methodology",
    "user_id": 5,
    "document_uuid": "7346b737-9b41-4d9a-a652-4c7b2757bb06",
    "search_type": ["general", "methodology", "results"],
    "max_results": 15,
    "similarity_threshold": 0.2
  }
}

6.⚖️ 多纸张比较引擎

工具: compare_research_papers

{
  "tool": "compare_research_papers",
  "arguments": {
    "paper_ids": ["paper_001", "paper_002", "paper_003"],
    "comparison_aspects": ["methodology", "findings", "contributions", "limitations", "citations", "quality"],
    "generate_summary": true
  }
}

7. 💡 研究见解生成

工具: generate_research_insights

{
  "tool": "generate_research_insights",
  "arguments": {
    "paper_id": "paper_001",
    "focus_area": "future_research",      // "methodology_improvement", "future_research", "practical_applications", "theoretical_implications"
    "insight_depth": "detailed",          // "overview", "detailed", "comprehensive"
    "include_citations": true
  }
}

8. 📤 研究总结导出

工具: export_research_summary

{
  "tool": "export_research_summary",
  "arguments": {
    "paper_id": "paper_001",
    "export_format": "markdown",          // "markdown", "json", "academic_report"
    "include_analysis": true,
    "include_presentation_ready": false
  }
}

9. 📚 已处理纸张库存

工具: list_processed_papers

{
  "tool": "list_processed_papers",
  "arguments": {
    "include_stats": true,
    "sort_by": "quality_score"           // "name", "date", "quality_score"
  }
}

10. 🏥 系统运行状况和状态

工具: system_status

{
  "tool": "system_status",
  "arguments": {
    "include_config": false,
    "run_health_check": true
  }
}

11. 🤖 AI增强分析

工具: ai_enhanced_analysis

{
  "tool": "ai_enhanced_analysis",
  "arguments": {
    "paper_id": "paper_001",
    "analysis_type": "insights",          // "insights", "quality_assessment", "general"
    "model_preference": "auto",           // "claude", "gpt-4", "auto"
    "enhancement_focus": "methodology"
  }
}

12. 🛑 操作取消

工具: cancel_operation

{
  "tool": "cancel_operation",
  "arguments": {
    "operation_id": "proc_12345",
    "reason": "User requested cancellation"
  }
}

13. 📋 主动操作监控

工具: list_active_operations

{
  "tool": "list_active_operations",
  "arguments": {
    "include_completed": false,
    "max_results": 10
  }
}

14. 📊 运行状态跟踪

工具: get_operation_status

{
  "tool": "get_operation_status",
  "arguments": {
    "operation_id": "proc_12345"
  }
}

📁 高级项目架构

Perfect Research MCP Server v2.0/
├── 🧠 Core Intelligence Engine
│   ├── perfect_mcp_server.py          # Main MCP server (14 tools, v2.0 compliance)
│   ├── enhanced_pdf_processor.py      # Dual-layer PDF processing (LlamaParse + pypdf)
│   ├── vector_storage.py              # Pinecone integration & semantic search
│   ├── research_intelligence.py       # AI research analysis engine
│   ├── perfect_ppt_generator.py       # Presentation generation (3 themes)
│   └── search_client.py               # SerpAPI multi-source search
├── 🚀 Enterprise HTTP Infrastructure
│   ├── start_mcp_server.py            # Production HTTP server launcher
│   ├── mcp_services/                  # HTTP transport layer
│   │   ├── transports/
│   │   │   └── http_transport.py      # HTTP/REST transport implementation
│   │   └── core/
│   │       └── server_wrapper.py     # MCP server wrapper
│   └── api_integration/               # FastAPI integration
│       ├── mcp_client.py              # HTTP client for FastAPI
│       └── fastapi_routes.py          # Production-ready FastAPI routes
├── 🎨 User Interfaces
│   ├── perfect_app.py                 # Streamlit web application
│   ├── kb_api.py                      # Knowledge base API
│   └── run.py                         # Setup validation & launcher
├── 📊 Advanced Data Processing
│   ├── knowledge_base_retrieval.py    # Hybrid retrieval (vector + BM25)
│   └── retrieval/                     # Specialized retrievers
│       └── paper_retriver.py          # Enhanced paper retrieval system
├── ⚙️ Configuration & Infrastructure
│   ├── config.py                      # Advanced configuration (50+ settings)
│   ├── requirements.txt               # Dependencies (40+ packages)
│   ├── .env.template                  # Environment configuration template
│   └── prompts/                       # AI prompt templates (YAML)
├── 📁 Runtime Generated Content
│   ├── presentations/                 # Generated PowerPoint files
│   ├── cache/                         # Document processing cache
│   ├── logs/                          # Structured system logs
│   ├── exports/                       # Research summaries and reports
│   └── temp/                          # Temporary processing workspace
└── 📚 Documentation & Testing
    ├── README.md                      # Comprehensive documentation
    ├── INTEGRATION_GUIDE.md           # FastAPI integration guide
    └── tests/                         # Automated test suite

🔄 高级工作流示例

示例1：带有进度监控的学术研究管道

# 1. Start enterprise HTTP server
python start_mcp_server.py --host localhost --port 3003

# 2. Monitor system health and active operations
{"tool": "system_status", "arguments": {"run_health_check": true}}
{"tool": "list_active_operations", "arguments": {"include_completed": false}}

# 3. Process research paper with real-time progress tracking
{"tool": "process_research_paper", "arguments": {
  "file_content": "base64_encoded_content",
  "paper_id": "nature_study_2024",
  "enable_research_analysis": true,
  "analysis_depth": "comprehensive"
}}
# → Progress updates: 5% → 10% → 40% → 50% → 60% → 75% → 85% → 95% → 100%

# 4. AI-enhanced research intelligence analysis
{"tool": "ai_enhanced_analysis", "arguments": {
  "paper_id": "nature_study_2024",
  "analysis_type": "insights",
  "model_preference": "gpt-4",
  "enhancement_focus": "statistical_significance"
}}

# 5. Generate professional presentation using workflow template
{"tool": "create_perfect_presentation", "arguments": {
  "paper_id": "nature_study_2024",
  "user_prompt": "presentation_creation_workflow",
  "theme": "academic_professional",
  "audience_type": "academic",
  "slide_count": 18
}}

示例2：多篇论文分析的文献综述

// 1. Process multiple research papers
{"tool": "process_research_paper", "arguments": {"file_content": "...", "paper_id": "paper_ml_healthcare_01"}}
{"tool": "process_research_paper", "arguments": {"file_content": "...", "paper_id": "paper_ml_healthcare_02"}}
{"tool": "process_research_paper", "arguments": {"file_content": "...", "paper_id": "paper_ml_healthcare_03"}}

// 2. Comprehensive multi-paper comparison
{"tool": "compare_research_papers", "arguments": {
  "paper_ids": ["paper_ml_healthcare_01", "paper_ml_healthcare_02", "paper_ml_healthcare_03"],
  "comparison_aspects": ["methodology", "findings", "contributions", "limitations", "statistical_results"],
  "generate_summary": true
}}

// 3. Generate literature review insights
{"tool": "generate_research_insights", "arguments": {
  "paper_id": "paper_ml_healthcare_01",
  "focus_area": "theoretical_implications",
  "insight_depth": "comprehensive",
  "include_citations": true
}}

// 4. Export comprehensive academic report
{"tool": "export_research_summary", "arguments": {
  "paper_id": "paper_ml_healthcare_01",
  "export_format": "academic_report",
  "include_analysis": true
}}

示例3：具有运营控制的商业智能

// 1. Advanced web search with AI enhancement
{"tool": "advanced_search_web", "arguments": {
  "query": "artificial intelligence market trends healthcare 2024",
  "search_type": "web",
  "num_results": 15,
  "enhance_results": true,
  "location": "United States",
  "time_period": "year"
}}

// 2. Process market research paper with monitoring
{"tool": "process_research_paper", "arguments": {
  "file_content": "base64_content",
  "paper_id": "ai_healthcare_market_2024"
}}

// 3. Check processing status
{"tool": "get_operation_status", "arguments": {"operation_id": "proc_67890"}}

// 4. Generate business-focused insights
{"tool": "ai_enhanced_analysis", "arguments": {
  "paper_id": "ai_healthcare_market_2024",
  "analysis_type": "general",
  "model_preference": "auto",
  "enhancement_focus": "business_implications"
}}

// 5. Create executive presentation
{"tool": "create_perfect_presentation", "arguments": {
  "paper_id": "ai_healthcare_market_2024",
  "user_prompt": "research_insights_workflow",
  "theme": "executive_clean",
  "audience_type": "business",
  "slide_count": 12
}}

🎯 用例和专业应用程序

🎓 学术与研究机构

会议演示文稿和出版物：

• 为学术会议生成带有适当引用的专业幻灯片
• 通过系统的论文比较创建全面的文献综述
• 根据论文章节编写论文答辩报告
• 编制赠款提案摘要，包括方法和影响要点

研究质量评估：

• 自动同行评审协助，提供质量评分和限制识别
• 统计内容验证和显著性检验验证
• 方法论评估和实验设计评估
• 引文分析和学术影响力衡量

💼 商业智能与咨询

市场研究与战略：

• 将学术研究转化为可操作的商业见解
• 从技术研究论文中生成高管简报
• 使用研究支持的数据创建竞争分析报告
• 基于行业研究开发战略规划材料

投资与尽职调查：

• 分析研究论文进行投资机会评估
• 为投资组合公司生成技术趋势报告
• 通过研究验证创建尽职调查总结
• 在学术支持下制作投资者演示文稿

🔬 研发机构

产品开发与创新：

• 提取产品创新渠道的研究见解
• 从研究论文中生成技术文档
• 从学术文献中创建专利景观分析
• 利用研究基础制定研发战略演示文稿

临床与医疗保健研究：

• 处理医疗保健应用的医学研究论文
• 生成临床试验总结和方法评估
• 根据研究数据创建监管提交材料
• 根据最新研究开发医学教育内容

📚 教育机构和培训

课程开发：

• 从前沿研究论文中创建课程材料
• 为不同学术水平生成教育演示文稿
• 开发具有研究支持内容的培训模块
• 制作用于专业发展的车间材料

💰 企业成本分析和投资回报率

详细成本明细（优化配置）

根据研究论文处理：

• PDF处理（LlamaParse）：0.02-0.05美元
• 研究分析（GPT-4o-mini）：0.03-0.05美元
• 矢量嵌入（文本嵌入-3大）：$0.01-0.02
• 统计分析和质量评估：0.01-0.02美元
• 每篇论文总计: $0.07-0.14

每一代演示文稿：

• 内容分析和规划（GPT-4o-mini）：0.05-0.08美元
• 语义搜索和内容检索：0.001-0.002美元
• 幻灯片生成和格式化：0.02-0.03美元
• 视觉增强和引用：0.01-0.02美元
• 每份演示文稿总计: $0.08-0.13

根据高级搜索查询：

• SerpAPI搜索：$0.005（每月100次免费搜索）
• 人工智能增强和主题提取：0.01-0.02美元
• 结果处理和分析：0.005-0.01美元
• 每次搜索总计: $0.02-0.035

月度使用场景

学术研究者 （20篇论文，10场演讲，100次搜索）：

• 纸张处理：2.80美元
• 演示文稿：1.30美元
• 搜索操作：3.50美元
• 松果体矢量存储：$0.75
• 每月总成本: $8.35

商业智能团队 （50篇论文，25场演讲，250次搜索）：

• 纸张处理：7.00美元
• 演示文稿：3.25美元
• 搜索操作：8.75美元
• 松果矢量存储：1.50美元
• 每月总成本: $20.50

企业研究部 （100篇论文，50场演讲，500次搜索）：

• 纸张处理：14.00美元
• 演示文稿：6.50美元
• 搜索操作：17.50美元
• 松果矢量存储：3.00美元
• 每月总成本: $41.00

ROI计算

传统研究工作流程与人工智能自动化：

• 手动论文分析：4-6小时→ 自动化：15分钟（节省90%的时间）
• 手动演示文稿创建：6-8小时→ 自动化：30分钟（节省95%的时间）
• 手动文献检索：2-3小时→ 自动化：5分钟（节省97%的时间）

企业价值主张：

• 节省时间：研究工作流程时间减少90-97%
• 质量改进：具有AI洞察力的一致、全面的分析
• 成本效益：比高级AI配置便宜85%
• 可扩展性：同时处理数百篇论文
• 准确度：95%以上的含量提取和分析准确率

🔧 FastAPI企业集成

🏗️ 生产架构

Client Applications (Web, Mobile, Desktop)
        ↓ HTTPS/REST
Your FastAPI Application Server (Port 8000)
        ↓ HTTP Internal
Perfect Research MCP Server (Port 3003)
        ↓ API Calls
External AI Services (OpenAI, Pinecone, SerpAPI)

🚀 快速集成（3步）

步骤1：启动MCP服务器

cd /path/to/perfect-research-mcp-server
python start_mcp_server.py --host localhost --port 3003

步骤2：与您的FastAPI应用程序集成

# your_existing_app.py
from fastapi import FastAPI
import sys
from pathlib import Path

# Add MCP integration
mcp_dir = Path("/path/to/perfect-research-mcp-server")
sys.path.insert(0, str(mcp_dir))

from api_integration.fastapi_routes import router as mcp_router, cleanup_mcp_client

app = FastAPI(title="Your Application with Research Intelligence")

# Your existing routes
@app.get("/")
def read_root():
    return {"message": "Your existing API with AI research capabilities"}

# Add research intelligence capabilities
app.include_router(mcp_router, prefix="/api/v1")

# Cleanup on shutdown
@app.on_event("shutdown")
async def shutdown_event():
    await cleanup_mcp_client()

步骤3：测试集成

# Health check
curl http://localhost:8000/api/v1/mcp/health

# Upload and process research paper
curl -X POST http://localhost:8000/api/v1/mcp/papers/upload \
  -F "file=@research_paper.pdf" \
  -F "paper_id=test_paper_001"

# Generate presentation
curl -X POST http://localhost:8000/api/v1/mcp/presentations/generate \
  -H "Content-Type: application/json" \
  -d '{"paper_id": "test_paper_001", "theme": "academic_professional"}'

📡 可用的集成端点

研究处理：

• POST /api/v1/mcp/papers/upload -上传和处理研究论文
• GET /api/v1/mcp/papers/{paper_id} -检索纸张信息
• POST /api/v1/mcp/analysis/research -综合研究分析

搜索与发现：

• POST /api/v1/mcp/search/web -多源网络搜索
• POST /api/v1/mcp/search/semantic -论文中的语义搜索

演示文稿生成：

• POST /api/v1/mcp/presentations/generate -创建演示文稿
• GET /api/v1/mcp/presentations/{filename}/download -下载文件

系统管理：

• GET /api/v1/mcp/health -系统健康检查
• GET /api/v1/mcp/status -综合系统状态
• GET /api/v1/mcp/tools -可用工具库存

🚨 生产部署和故障排除

系统需求与优化

最低要求：

• CPU：2核，2.5GHz
• 内存：4GB（推荐8GB）
• 存储空间：1GB可用空间
• 网络：稳定的互联网连接

生产优化：

• CPU:4+核用于并发处理
• RAM:8-16GB，适用于大批量文档
• 存储：SSD用于更快的缓存
• 网络：API调用的高带宽

常见问题及解决方案

PDF处理失败

# Issue: LlamaParse API key missing
⚠️ LLAMA_PARSE_API_KEY not configured - using fallback processing

# Solutions:
1. Add LlamaParse API key to .env file
2. Verify API key validity and quota
3. Check network connectivity to LlamaParse servers

矢量数据库连接错误

# Issue: Pinecone configuration mismatch
❌ Vector dimension 1536 does not match the dimension of the index 3072

# Solutions:
1. Ensure EMBEDDING_MODEL=text-embedding-3-large
2. Set EMBEDDING_DIMENSIONS=3072
3. Recreate Pinecone index with correct dimensions
4. Verify Pinecone environment and API key

API速率限制

# Issue: OpenAI API rate limits
❌ Rate limit exceeded for requests

# Solutions:
1. Implement exponential backoff in config.py
2. Reduce concurrent processing batch sizes
3. Upgrade OpenAI API plan
4. Use gpt-4o-mini for cost and rate optimization

性能监控和健康检查

# Comprehensive system validation
python run.py

# API connectivity test
python -c "from config import AdvancedConfig; print(AdvancedConfig().validate_config())"

# Vector database connection test
python -c "from vector_storage import AdvancedVectorStorage; vs = AdvancedVectorStorage(); print('Vector DB: Connected')"

# Server health check
curl http://localhost:3003/health

📈 绩效基准和指标

处理速度基准

PDF处理性能：

• 小论文（1-10页）：5-15秒
• 中型论文（11-30页）：15-45秒
• 大型论文（31-100+页）：45-120秒
• 批量处理（10篇论文）：5-15分钟

分析和生成速度：

• 研究情报分析：10-30秒
• 演示文稿生成：15-45秒
• 语义搜索查询：\<1秒
• 多纸张比较：30-90秒

准确性和质量指标

内容提取精度：

• LlamaParse（高级）：95-99%的文本提取准确率
• PyPDF（回退）：85-95%的文本提取准确率
• 学术结构检测：准确率90-95%
• 统计内容挖掘：准确率92-97%

分析质量指标：

• 研究质量评估：与专家评分的相关性为85-90%
• 引文检测：标准格式的准确率为95-98%
• 方法分类：准确率88-93%
• 贡献识别：精度83-88%

可扩展性特征

并发处理：

• 同时操作：5-10（取决于硬件）
• 矢量数据库容量：10000+篇研究论文
• 搜索性能：亚秒级响应时间
• 内存使用量：2-8GB，具体取决于工作负载

🤝 贡献与发展

开发环境设置

# Clone for development
git clone https://github.com/Ved0715/mcp-server-reserch-assistent.git
cd mcp-server-reserch-assistent

# Create development environment
python -m venv dev_env
source dev_env/bin/activate  # Windows: dev_env\Scripts\activate

# Install development dependencies
pip install -r requirements.txt
pip install pytest black flake8 mypy pre-commit

# Install pre-commit hooks
pre-commit install

# Run test suite
pytest tests/ -v

# Code formatting and linting
black *.py **/*.py
flake8 *.py **/*.py
mypy *.py

贡献指南

规范标准：

• 遵循黑色格式的PEP 8风格指南
• 所有函数和方法都需要类型提示
• 类和函数的综合文档字符串
• 所有新功能的单元测试

开发工作流程：

1. 分叉存储库并创建功能分支
2. 通过适当的测试实施更改
3. 运行完整的测试套件和linting检查
4. 更新新功能的文档
5. 提交带有详细描述的拉取请求

扩展机会

高级功能：

• 多语言研究论文支持
• 自定义组织演示主题
• 高级统计分析模块
• 实时协作功能
• 与机构存储库集成

AI模型增强：

• 针对特定领域的微调模型
• 针对特定内容的自定义嵌入模型
• 高级引文网络分析
• 自动同行评审协助

📄 许可证和法律信息

开源许可

该项目根据 MIT许可证 -看看 许可证 文件以获取完整的详细信息。

第三方服务依赖性

所需服务：

• OpenAI：GPT模型和嵌入（需要API密钥）
• 松果：矢量数据库基础设施（需要API密钥）
• SerpAPI：Web搜索功能（需要API密钥）

可选服务：

• 打电话给自己：高级PDF处理（API密钥可选）
• Unsplash：图像集成（API密钥可选）

数据隐私与合规

隐私原则：

• 本地处理：所有文档处理都在您的基础架构上进行
• 无数据保留：系统不将研究论文存储在外部服务器上
• API隐私：遵循每个服务提供商的隐私政策
• 学术合规：适用于机构和商业研究环境

安全功能：

• API密钥加密和安全存储
• 多用户环境的命名空间隔离
• 所有操作的审计跟踪
• 遵守学术数据处理标准

🙏 致谢与致谢

技术合作伙伴：

• OpenAI -先进的语言模型和嵌入技术
• 打电话给自己 -卓越的PDF处理和内容提取
• 松果 -可扩展的矢量数据库基础架构
• SerpAPI -全面的网络搜索集成
• 模型上下文协议 -无缝的AI集成框架

研究社区：

• 学术研究人员提供工作流见解和反馈
• 代码改进和扩展的开源贡献者
• 用于测试和验证的教育机构
• 企业用例开发的商业智能专业人员

📞 支持和资源

获得帮助

主要支持渠道：

• GitHub问题: 错误报告
• GitHub讨论: 社区讨论和问答
• 文档Wiki: 全面的指南和教程

其他资源：

• API文档：交互式FastAPI文档，网址为 /docs 端点
• 配置指南：环境设置和优化
• 视频教程：分步安装和使用指南
• 最佳实践：针对不同用例的推荐工作流程

社区与生态系统

用户社区：

• 学术研究人员和机构
• 商业智能专业人士
• 教育技术开发人员
• 开源贡献者和维护者

企业支持：

• 定制集成咨询
• 企业部署协助
• 培训和入职计划
• SLA支持的支持选项

______________________________________________________________________

🚀 立即转变您的研究工作流程

# Get started with enterprise-grade AI research intelligence
git clone https://github.com/Ved0715/mcp-server-reserch-assistent.git
cd mcp-server-reserch-assistent
python run.py

🎯 来自研究论文→ AI洞察→ 完美演示

关键转型优势：

• 节省90-97%的时间 在研究工作流程中
• 95%以上准确率 内容提取与分析
• 成本降低85% 与高级AI解决方案相比
• 生产准备就绪 企业架构
• 14高级工具 综合研究情报

______________________________________________________________________

*内置于❤️ 面向在人工智能时代需要智能自动化、卓越质量和可扩展研究工作流程的研究人员、学者和专业人士。*

🎯 快速参考卡

基本命令

# Start production server
python start_mcp_server.py --host localhost --port 3003

# Health check
curl http://localhost:3003/health

# Web interface
streamlit run perfect_app.py --server.port 8501

# System validation
python run.py

密钥配置

OPENAI_API_KEY=your_key_here
PINECONE_API_KEY=your_key_here
SERPAPI_KEY=your_key_here
LLM_MODEL=gpt-4o-mini
EMBEDDING_MODEL=text-embedding-3-large

核心能力

• ✅ 14种高级MCP工具
• ✅ 实时进度跟踪
• ✅ 多源搜索智能
• ✅ 人工智能研究分析
• ✅ 完美演示文稿生成
• ✅ 企业FastAPI集成
• ✅ 生产级建筑