研究MCP服务器

![License: MIT](https://opensource.org/licenses/MIT) ](https://nodejs.org/)

一种模型上下文协议（MCP）服务器，结合了谷歌自定义搜索和维基百科功能，用于研究和信息检索。该服务器提供28个工具、23个资源和22个研究提示，用于搜索、分析、内容提取和研究管理。

特性

28种工具：谷歌搜索（10）、维基百科（10）和增强分析（8）
23个资源：模板、指南和缓存的研究数据
22个提示：涵盖研究方法的结构化提示
8种分析工具，无需额外的API密钥即可工作
用于性能优化的多层LRU缓存
基于MCP客户端的配置（Cursor、Claude等）

快速开始

克隆并安装：

   git clone https://github.com/your-repo/research-mcp-server.git
   cd research-mcp-server
   npm install

配置环境（可选）：

   export GOOGLE_API_KEY="your_google_api_key"
   export GOOGLE_CSE_ID="your_search_engine_id"

配置MCP客户端（游标）：

添加到您的 .cursor/mcp.json:

   {
     "mcpServers": {
       "research-mcp-server": {
         "command": "npx",
         "args": ["ts-node", "--esm", "index.ts"],
         "env": {
           "GOOGLE_API_KEY": "${env:GOOGLE_API_KEY}",
           "GOOGLE_CSE_ID": "${env:GOOGLE_CSE_ID}"
         }
       }
     }
   }

该服务器将在您的MCP客户端中可用，带有28个工具、23个资源和22个提示。

起源

此项目是以下内容的组合和增强版本：

谷歌搜索MCP -原始Google自定义搜索MCP服务器
维基百科mcp服务器 -原始维基百科MCP服务器

研究mcp服务器建立在这些基础之上，添加了增强的分析工具、改进的缓存、统一的配置和全面的提示库，同时保持与原始mcp规范的兼容性。

特性

增强的分析工具（8个工具-不需要API密钥）

无需外部依赖即可工作的内置分析功能：

content_sentiment_analysis -分析文本内容的情感
keyword_extraction -从文本内容中提取关键术语和主题
url_metadata_extractor -从URL中提取元数据，包括标题、描述和基本信息
citation_formatter -以APA、MLA或芝加哥风格格式化引文
research_session_manager -管理研究会议、保存研究结果和组织笔记
content_deduplication -从搜索结果中删除重复内容并合并类似项目
archive_org_search -在Archive.org（Wayback Machine）上搜索存档的网页
data_export -以各种格式（JSON、CSV、Markdown）导出研究数据

谷歌搜索工具（10个工具）

网络搜索和内容分析功能：

google_search -使用Google自定义搜索API搜索网页
extract_content -从网页中提取主要内容
search_analytics -分析搜索趋势，从多个查询中获得见解
multi_site_search -同时搜索多个特定网站
news_monitor -监控新闻并获取特定主题的警报
academic_search -搜索学术论文和研究文件
content_summarizer -汇总来自多个URL的内容
fact_checker -通过搜索事实核查来源来核实索赔
research_assistant -具有多查询分析功能的综合研究助理
search_trends -跟踪和分析搜索兴趣随时间的变化趋势

维基百科工具（10个工具）

维基百科集成，用于百科全书式知识访问：

wikipedia_search -搜索与查询匹配的维基百科文章
wikipedia_get_page -获取完整的维基百科页面内容
wikipedia_get_summary -获取维基百科页面的简要摘要
wikipedia_get_page_by_id -按页面ID获取维基百科页面内容
wikipedia_random -获取一个随机的维基百科页面
wikipedia_page_languages -获取维基百科页面可用的语言
wikipedia_batch_search -一次搜索多个查询以提高效率
wikipedia_batch_get_pages -一次获取多个维基百科页面以提高效率
wikipedia_search_nearby -查找特定坐标附近的维基百科文章
wikipedia_get_pages_in_category -浏览特定维基百科类别中的页面

研究资源（23个资源）

研究模板、指南和缓存数据的集合：

模板和指南（5个资源）：

research://templates/literature-review -进行文献综述的结构化模板
research://templates/research-proposal -综合研究提案框架
research://guides/methodology/{type} -不同研究方法指南
research://citations/styles/{style} -引文风格指南（APA、MLA、芝加哥）
writing://templates/academic-paper -标准学术论文结构模板

写作资源（3个资源）：

writing://guides/academic-writing -学术写作原则综合指南
writing://checklists/peer-review -同行评审手稿准备清单

数据分析资源（4个资源）：

analysis://guides/statistical-methods -常见统计分析方法指南
analysis://templates/data-analysis -数据分析报告结构化框架
analysis://visualization/types/{chart_type} -不同类型数据可视化指南

缓存的研究数据（11个资源）：

google://search/{query} -缓存的谷歌搜索结果
google://trends/{topic} -搜索趋势和分析数据
web://content/{url} -缓存的web内容提取结果
wiki://search/{query} -缓存维基百科搜索结果
wiki://page/{title} -缓存的维基百科页面内容
analysis://sentiment/{text} -缓存情绪分析结果
analysis://keywords/{text} -缓存关键字提取结果
analysis://url-metadata/{url} -缓存的URL元数据
research://sessions/{name} -保存的研究会议和发现
archive://snapshots/{url} -缓存的存档网页

研究提示（22个提示）

涵盖研究方法的快速图书馆：

规划与设计（10个提示）：

literature-review-planning -具有搜索策略的综合文献综述计划
research-question-development -制定明确、重点突出的研究问题，并给出操作定义
academic-paper-outline -用章节结构创建详细的学术论文大纲
data-analysis-planning -使用适当的统计方法规划数据分析方法
methodology-selection -基于研究问题和约束的指导方法选择
systematic-review-protocol -制定全面的系统评价方案
meta-analysis-planning -计划一项荟萃分析，考虑统计和方法学因素
qualitative-coding-framework -为专题分析开发定性编码框架
grant-proposal-writing -构建并撰写一份引人注目的拨款提案
research-networking-strategy -制定建立研究网络和合作的战略

分析和方法（12个提示）：

statistical-test-selection -根据数据特征选择适当的统计测试
results-interpretation -解释具有实际意义的统计结果
peer-review-preparation -准备手稿供同行评审，并附上全面的检查表
citation-management -遵循风格指南管理引文和参考文献
ethics-review-preparation -准备进行全面的伦理审查
research-rigor-assessment -通过有效性、可靠性和质量标准评估研究的严谨性
journal-selection-strategy -根据研究主题和目标制定期刊选择策略
manuscript-revision-planning -根据审稿人的反馈计划手稿修订
collaboration-planning -规划研究合作，包括角色、职责和协议
research-presentation-planning -根据受众分析和交付策略计划研究报告
impact-assessment-planning -使用指标和评估框架规划研究影响评估
research-dissemination-strategy -制定跨多渠道的研究传播策略

安装

此MCP服务器旨在通过MCP客户端使用。通过MCP客户端（Cursor、Claude等）安装和配置它，如下面的配置部分所示。

对于当地发展：

npm install

配置

在MCP客户端（Cursor、Claude等）中配置Research MCP服务器，而不是使用.env文件。MCP服务器通过客户端传递的环境变量接收配置。

光标配置

创建一个 .cursor/mcp.json 文件在您的项目或 ~/.cursor/mcp.json 在您的主目录中：

发展（推荐）：

{
  "mcpServers": {
    "research-mcp-server": {
      "command": "npx",
      "args": ["ts-node", "--esm", "${workspaceFolder}/research-mcp-server/index.ts"],
      "env": {
        "GOOGLE_API_KEY": "${env:GOOGLE_API_KEY}",
        "GOOGLE_CSE_ID": "${env:GOOGLE_CSE_ID}",
        "WIKIPEDIA_CACHE_MAX": "100",
        "WIKIPEDIA_CACHE_TTL": "300000",
        "WIKIPEDIA_DEFAULT_LANGUAGE": "en"
      }
    }
  }
}

生产（建造后）：

{
  "mcpServers": {
    "research-mcp-server": {
      "command": "node",
      "args": ["${workspaceFolder}/research-mcp-server/dist/research-server.js"],
      "env": {
        "GOOGLE_API_KEY": "${env:GOOGLE_API_KEY}",
        "GOOGLE_CSE_ID": "${env:GOOGLE_CSE_ID}",
        "WIKIPEDIA_CACHE_MAX": "100",
        "WIKIPEDIA_CACHE_TTL": "300000",
        "WIKIPEDIA_DEFAULT_LANGUAGE": "en"
      }
    }
  }
}

用于全局配置(~/.cursor/mcp.json)，替换 ${workspaceFolder} 带有您的研究mcp服务器目录的完整路径。

备注：用 npm run build，服务器将在 dist/index.js 用于生产用途。

环境变量

变量	描述	默认值	必填
`GOOGLE_API_KEY`	Google自定义搜索API密钥	-	可选\*
`GOOGLE_CSE_ID`	谷歌自定义搜索引擎ID	-	可选\*
`WIKIPEDIA_CACHE_MAX`	维基百科缓存条目的最大数量	`100`	没有
`WIKIPEDIA_CACHE_TTL`	维基百科缓存TTL（ms）	`300000`	没有
`WIKIPEDIA_DEFAULT_LANGUAGE`	默认维基百科语言	`en`	没有
`SERVER_NAME`	用于识别的服务器名称	`research-mcp-server`	没有

\*谷歌搜索是可选的-服务器仅支持维基百科功能

Google API设置

转到谷歌云控制台
创建新项目或选择现有项目
启用自定义搜索API
创建凭据（API密钥）
在以下位置创建自定义搜索引擎 https://cse.google.com/
获取您的搜索引擎ID

用法

Research MCP Server旨在通过MCP客户端（如Cursor、Claude或其他MCP兼容应用程序）使用。在MCP客户端配置中配置它，如上所示。

本地开发

对于开发和测试，您可以直接运行服务器：

# Set environment variables (optional)
export GOOGLE_API_KEY=your_api_key
export GOOGLE_CSE_ID=your_search_engine_id

# Run in development mode
npm run dev

生产部署

通过MCP客户端的配置系统构建和部署：

npm run build

然后使用上面的生产配置在MCP客户端中进行配置。

可用工具

服务器提供以下全面的研究工具：

增强的分析工具（共8个-不需要API密钥）

content_sentiment_analysis -使用内置的情感分析来分析文本内容的情感
keyword_extraction -从文本内容中提取关键术语和主题
url_metadata_extractor -从URL中提取元数据，包括标题、描述和基本信息
citation_formatter -以APA、MLA或芝加哥风格格式化引文
research_session_manager -管理研究会议、保存研究结果和组织笔记
content_deduplication -从搜索结果中删除重复内容并合并类似项目
archive_org_search -在Archive.org（Wayback Machine）上搜索存档的网页
data_export -以各种格式（JSON、CSV、Markdown）导出研究数据

谷歌搜索工具（共10个）

google_search -使用Google自定义搜索API搜索网页
extract_content -从网页中提取主要内容
search_analytics -分析搜索趋势，从多个搜索查询中获得见解
multi_site_search -同时搜索多个特定网站
news_monitor -监控新闻并获取特定主题的警报
academic_search -搜索学术论文和研究文件
content_summarizer -汇总来自多个URL的内容
fact_checker -通过搜索事实核查来源来核实索赔
research_assistant -具有多查询分析功能的综合研究助理
search_trends -跟踪和分析搜索兴趣随时间的变化趋势

维基百科工具（共10个）

wikipedia_search -搜索与查询匹配的维基百科文章
wikipedia_get_page -获取完整的维基百科页面内容
wikipedia_get_summary -获取维基百科页面的简要摘要
wikipedia_get_page_by_id -按页面ID获取维基百科页面内容
wikipedia_random -获取一个随机的维基百科页面
wikipedia_page_languages -获取维基百科页面可用的语言
wikipedia_batch_search -一次搜索多个查询以提高效率
wikipedia_batch_get_pages -一次获取多个维基百科页面以提高效率
wikipedia_search_nearby -查找特定坐标附近的维基百科文章
wikipedia_get_pages_in_category -浏览特定维基百科类别中的页面

建筑

Research MCP服务器采用模块化专业架构构建，专为研究工作流程而设计：

核心组件

ResearchMCPServer -实现模型上下文协议的主MCP服务器类
GoogleSearchService -处理Google自定义搜索API与缓存的交互
WikipediaService -使用可配置的缓存和批处理操作管理维基百科API调用
AnalysisEngine -内置文本分析引擎，用于情感、关键字和内容处理
ResearchSessionManager -用于组织研究结果的内存会话存储
PromptLibrary -收集22个结构化提示，涵盖研究方法

主要特点

MCP协议与工具、资源和提示的合规性
与MCP客户端兼容的基于环境的配置系统
多层LRU缓存以提高性能
优雅的降级和错误处理
模块化设计，关注点清晰分离

技术栈

运行时间：Node.js≥18.0.0，带ES模块
语言：TypeScript用于类型安全
HTTP客户端：具有重试逻辑的Axios，可实现可靠的API交互
Web抓取：用于HTML内容提取和解析的Cheerio
缓存：LRU缓存用于内存高效的数据存储
分析：内置情感分析和文本处理库

缓存策略

服务器实施了针对研究工作流程优化的复杂多层缓存策略：

缓存层：

谷歌搜索缓存：LRU缓存（500个条目，30分钟TTL）

- 缓存搜索结果以最大限度地减少API调用 - 减少重复查询的延迟 - 失败请求自动失效

维基百科缓存：可配置的LRU缓存（默认值：100个条目，5分钟TTL）

- 百科全书内容的单独缓存 - 批量操作支持，提高效率 - 支持多语言的特定语言缓存

分析结果缓存：计算结果的持久缓存

- 情感分析、关键字提取、URL元数据 - 减少重复分析的处理开销 - 高效存储已处理内容

缓存管理

自动失效：失败的请求不会填充缓存
TTL管理：可配置不同数据类型的生存时间
内存优化：独立缓存防止交叉污染
性能监控：缓存命中率/未命中率优化

错误处理

Research MCP服务器实施错误处理策略以确保可靠运行：

弹性特征

优雅的降级：当单个服务不可用时，服务器继续运行

- 在维基百科功能保持活动状态时，可以禁用谷歌搜索 - 分析工具独立于外部API工作 - 无论服务状态如何，提示始终可用

重试逻辑：瞬态故障的自动重试机制

- API利率限制的指数退避 - 可配置的重试尝试和超时

错误消息：详细的错误报告

- 明确指出哪个服务失败 - 可能时的解决建议

后备策略

服务级别回退：主要服务失败时的替代方法
缓存优先响应：在实时查询失败时提供缓存结果
部分成功处理：即使某些操作失败，也能返回可用数据

发展

先决条件

Node.js≥18.0.0
npm或yarn包管理器
TypeScript编译器
Google自定义搜索API（可选）

地方发展设置

# Clone the repository
git clone https://github.com/your-repo/research-mcp-server.git
cd research-mcp-server

# Install dependencies
npm install

# Configure environment (optional)
cp .env.example .env
# Edit .env with your API keys

# Run in development mode
npm run dev

可用脚本

命令	描述
`npm run dev`	使用热重新加载启动开发服务器
`npm run build`	构建生产就绪的TypeScript编译
`npm run start`	从构建文件运行生产服务器
`npm test`	运行测试套件（实施时）
`npm run lint`	运行ESLint进行代码质量检查
`npm run clean`	删除构建工件和缓存

代码质量

TypeScript：启用严格类型检查
ESLint：已配置代码一致性
Pretier：代码格式标准（推荐）
赫斯基：用于质量保证的预提交挂钩

测试策略

# Run all tests
npm test

# Run tests with coverage
npm run test:coverage

# Run specific test file
npm test -- path/to/test/file

贡献

克隆该仓库
创建要素分支： git checkout -b feature/your-feature
使用正确的TypeScript类型进行更改
添加新功能的测试
确保所有测试通过： npm test
运行linting： npm run lint
使用常规提交消息进行提交
推送到您的分支机构并创建拉取请求

许可证

此项目根据MIT许可证获得许可-请参阅许可证文件以获取详细信息。

贡献

我们欢迎对研究MCP服务器的贡献。请查看我们的贡献指南了解详细信息。

快速贡献指南

克隆该仓库
创建要素分支： git checkout -b feature/your-feature-name
使用TypeScript开发最佳实践
彻底测试-确保所有现有功能正常工作
在README和代码注释中记录新功能
提交带有清晰描述的拉取请求

开发标准

TypeScript：所有新代码都需要严格的类型
错误处理：全面的错误处理和用户友好的消息
文档：清晰的代码注释和README更新
测试：新功能的单元测试（实施时）
性能：考虑缓存和优化新功能

支持

获取帮助

文档：查看此README和内联代码文档
Bug报告：在GitHub上创建问题
功能请求：使用GitHub issues建议新功能
讨论：加入社区讨论，了解最佳实践

常见问题

服务器无法启动：检查Node.js版本（≥18.0.0）和环境变量
API错误：验证Google API密钥和网络连接
性能问题：检查缓存配置和可用内存
MCP客户问题：确保正确 .cursor/mcp.json 配置

社区资源

GitHub问题：用于错误报告和功能请求
GitHub讨论：关于问题和社区支持
文档：综合指南和API参考资料

______________________________________________________________________

Research Assistant MCP Server

快速接入

详细介绍