🚀 完美研究MCP服务器
一个全面的研究智能系统，可以处理PDF论文，执行高级网络搜索，并通过人工智能分析生成完美的PowerPoint演示文稿。
🎯 概述
Perfect Research MCP Server是一款先进的研究助手，它结合了多种人工智能技术，提供全面的研究论文分析、智能搜索功能和自动生成演示文稿。基于模型上下文协议（MCP），它为学术和专业研究工作流程提供了10个强大的工具。
✨ 主要特点
🔍 高级搜索和智能
- 多源搜索：谷歌网络、学者、新闻和图片
- AI增强结果：自动主题提取、研究差距识别
- 语义论文搜索：已处理论文中基于矢量的内容检索
- 引文分析：全面的参考跟踪和密度分析
📄 智能PDF处理
- 双重提取：LlamaParse（高级）+pypdf（回退）以获得最大精度
- 研究情报：方法评估、贡献识别
- 质量评分：自动化纸张质量和严谨性评估
- 断面检测：巧妙提取摘要、方法、结果、结论
🧠 AI驱动的分析
- 方法论分析：研究设计评估和严谨性评分
- 统计内容：自动检测p值、效应大小、显著性检验
- 极限检测：确定和评价研究制约因素
- 未来研究：人工智能为下一步行动提出建议
🎨 完美演示文稿生成
- 3专业主题：学术专业，现代研究，行政廉洁
- 受众定位：学术、商业、综合、高管演讲
- 内容智能：相关幻灯片内容的语义搜索集成
- 可定制的：5-25张幻灯片，带有用户定义的焦点区域
🔧 先进的基础设施
- 矢量存储器：用于语义搜索的松果体集成
- 成本优化：嵌入模型价格降低85%，质量保持不变
- 多纸张支持：比较和分析多篇研究论文
- 导出选项：Markdown、JSON、学术报告
🚀 快速开始
先决条件
- Python 3.8+
- API密钥：OpenAI、SerpAPI、Pinecone
- 可选：用于增强PDF处理的LlamaParse API密钥
安装
- 克隆和设置
git clone
cd demo_prompt
python run.py # Automatic environment setup and dependency installation- 环境配置
cp .env.template .env
# Edit .env with your API keys- 必需的API密钥 （添加到
.env):
OPENAI_API_KEY=your_openai_key
SERPAPI_KEY=your_serpapi_key
PINECONE_API_KEY=your_pinecone_key
PINECONE_INDEX_NAME=research-papers- 启动服务器
python perfect_mcp_server.py🎮 使用示例
1. Web界面（Streamlit）
streamlit run perfect_app.py --server.port 8502访问地址： http://localhost:8502
2. MCP服务器集成
服务器提供10个可通过MCP协议访问的高级工具：
工艺研究论文
{
"tool": "process_research_paper",
"arguments": {
"file_content": "base64_encoded_pdf",
"file_name": "research_paper.pdf",
"paper_id": "paper_001",
"analysis_depth": "comprehensive"
}
}创建完美的演示文稿
{
"tool": "create_perfect_presentation",
"arguments": {
"paper_id": "paper_001",
"user_prompt": "Focus on methodology and statistical results for academic conference",
"theme": "academic_professional",
"slide_count": 12,
"audience_type": "academic"
}
}高级网络搜索
{
"tool": "advanced_search_web",
"arguments": {
"query": "machine learning in healthcare 2024",
"search_type": "scholar",
"enhance_results": true
}
}🛠️ 完整的工具参考
| 工具 | 描述 | 主要功能 |
|---|---|---|
advanced_search_web | 多源网络搜索 | 谷歌网络/学术/新闻，人工智能增强 |
process_research_paper | PDF处理与分析 | LlamaParse、研究智能、矢量存储 |
create_perfect_presentation | 人工智能PPT生成 | 3个主题，受众定位，语义内容 |
research_intelligence_analysis | 综合论文分析 | 方法论、质量、贡献、局限性 |
semantic_paper_search | 基于矢量的内容搜索 | 相似性搜索、上下文检索 |
compare_research_papers | 多论文比较 | 方法、发现、质量比较 |
generate_research_insights | 人工智能研究建议 | 未来研究、应用、改进 |
export_research_summary | 多格式导出 | Markdown、JSON、学术报告 |
list_processed_papers | 纸张管理 | 状态跟踪、质量评分 |
system_status | 运行状况监视 | 组件状态、API连接 |
📁 项目结构
demo_prompt/
├── 🧠 Core Components
│ ├── perfect_mcp_server.py # Main MCP server (10 tools)
│ ├── enhanced_pdf_processor.py # Advanced PDF processing
│ ├── vector_storage.py # Pinecone integration
│ ├── research_intelligence.py # AI research analysis
│ ├── perfect_ppt_generator.py # PowerPoint generation
│ └── search_client.py # SerpAPI search client
├── 🎨 User Interfaces
│ ├── perfect_app.py # Streamlit web interface
│ └── run.py # Setup & launcher
├── ⚙️ Configuration
│ ├── config.py # Advanced configuration
│ ├── requirements.txt # Dependencies
│ ├── .env.template # Environment template
│ └── .gitignore # Git ignore rules
├── 📁 Generated Content
│ ├── presentations/ # Generated PowerPoint files
│ ├── cache/ # Document cache
│ ├── logs/ # System logs
│ └── exports/ # Exported summaries
└── 📚 Documentation
└── README.md # This file⚙️ 配置
成本优化
默认配置使用成本优化的模型：
- LLM:
gpt-4o-mini（比GPT-4便宜85%） - 嵌入:
text-embedding-3-large（高品质） - 组块大小：1000个代币（精度/成本最优）
高级设置
# config.py - Key settings
LLM_MODEL = "gpt-4o-mini" # Primary AI model
EMBEDDING_MODEL = "text-embedding-3-large" # Vector embeddings
CHUNK_SIZE = 1000 # Document chunking
PPT_MAX_SLIDES = 25 # Presentation limits
ENABLE_RESEARCH_INTELLIGENCE = True # AI analysis
ENABLE_VECTOR_STORAGE = True # Semantic search🎯 用例
🎓 学术研究
- 综合分析过程研究论文
- 生成带有适当引用的会议演示文稿
- 比较多项研究的方法
- 确定研究差距和未来方向
💼 商业智能
- 将技术文件转换为执行摘要
- 从研究中创建以业务为重点的演示文稿
- 分析行业趋势和竞争情报
- 为战略决策提供见解
📚 文献综述
- 系统分析多篇研究论文
- 比较研究结果和方法
- 导出综合文献摘要
- 确定关键主题和研究模式
🔬 研究和开发
- 评估论文质量和方法严谨性
- 生成研究建议
- 分析统计内容和显著性
- 创建可发布的演示文稿
💰 成本估算
优化配置 （推荐）：
- PDF处理：每篇约0.02-0.05美元
- 演示文稿生成：每份演示文稿约0.10-0.15美元
- 语义搜索：每个查询约0.001美元
- 研究分析：每份综合分析约0.05-0.08美元
月度估算 （50篇论文，20场演讲）：
- 总计：每月5-8美元
- 便宜85% 比高级配置
🔧 API集成
FastAPI集成
# Example FastAPI endpoint
from perfect_mcp_server import PerfectMCPServer
@app.post("/api/process-paper")
async def process_research_paper(paper_data: PaperRequest):
server = PerfectMCPServer()
result = await server._handle_process_paper(
file_content=paper_data.content,
file_name=paper_data.filename,
paper_id=paper_data.id
)
return resultReact前端集成
// Example React integration
const processResearchPaper = async (paperData) => {
const response = await fetch('/api/process-paper', {
method: 'POST',
headers: {'Content-Type': 'application/json'},
body: JSON.stringify(paperData)
});
return response.json();
};🚨 故障排除
常见问题
- PDF处理失败
# Check LlamaParse API key (optional)
# Fallback to pypdf automatically enabled- 矢量存储错误
# Verify Pinecone configuration
# Check index dimensions match embedding model- 搜索API限制
# SerpAPI: 100 free searches/month
# Upgrade plan for higher limits- 内存问题
# Reduce chunk size in config.py
# Process papers individually for large documents📈 性能指标
处理速度
- PDF提取：每篇论文5-15秒
- 研究分析：每篇论文10-30秒
- 演示文稿生成：15-45秒
- 语义搜索：\
cd demo_prompt && python run.py python perfect_mcp_server.py
**转换PDF→ 生成见解→ 创建完美的演示文稿** 🎯