科研工具|手把手搭建文献解析AI智能体

引言

智能体“大脑”长什么样？

要实现智能体辅助阅读文献，我们需要先构建/组装这个大脑，它由三部分组成：

1.大模型——就像神经网络 + ATP 供能，比如 DeepSeek、GPT、Gemini 等。

2.技能（Skill）——人通过学习获得技能，智能体只需要一个“能力包”，通常是训练好的代码，可以从 GitHub 等开源平台下载，比如会做 PPT、会写小红书推文等。

3.MCP——巧妇难为无米之炊，再牛的科研人员没有仪器设备也寸步难行。MCP 就是智能体接入外界的接口，比如连接 SQL 数据库、接入小红书等。

一句话总结：基于一个大模型平台，配置好以上三部分，你的文献阅读助手就诞生了。

具体配置步骤

1.下载工具 Cherry Studio 聚合 300+大模型，支持智能体、MCP 扩展 下载链接：https://cherryai.com.cn/

2.配置大模型并创建智能体

①选用 DeepSeek V4 Pro，前往官网申领 API 密钥

②在Cherry Studio模型设置填入密钥完成接入

③安装 Git Bash，新建智能体并绑定该模型

3.安装论文解读技能paper-digest

①GitHub 搜索paper-digest，下载项目压缩包；

②软件内【设置-技能】，通过 ZIP 文件完成安装。

4.配置本地MCP（实现本地读取 PDF）

①环境准备：打开 PowerShell，安装依赖 python --version pip install PyMuPDF mcp

②新增 MCP 服务：设置→MCP 服务→添加（stdio 类型）

命令：填写本机 python.exe 路径

参数：填写local_mcp_server.py 存放路径 

③获取脚本：复制文末完整代码，保存为 local_mcp_server.py 放到对应文件夹 

④开启权限：保存配置，打开 MCP 总开关与智能体 MCP 工具权限

5.一切就绪后，就可以让Agent利用 paper-digest 技能分析文献啦！

补充说明

local_mcp_server.py 完整代码放在文末，复制粘贴即可使用。

local_mcp_server.py 完整代码

#!/usr/bin/envpython3

"""

本地MCP服务器-提供run_shell和run_python

"""

importsys

importos

importsubprocess

importtraceback

LOG=open(r"G:\OneDrive\桌面\mcp_debug.log","w",encoding="utf-8")

deflog(msg):

LOG.write(f"[MCP]{msg}\n")

LOG.flush()

log("===Starting===")

try:

frommcp.serverimportServer,InitializationOptions

importmcp.server.stdio

importmcp.typesastypes

log("importsOK")

server=Server("local-commands")

@server.list_tools()

asyncdefhandle_list_tools()->list[types.Tool]:

return[

types.Tool(

name="run_shell",

description="在本地执行shell命令并返回输出",

inputSchema={

"type":"object",

"properties":{

"command":{"type":"string","description":"要执行的命令"}

},

"required":["command"]

}

),

types.Tool(

name="run_python",

description="在本地执行Python代码并返回输出",

inputSchema={

"type":"object",

"properties":{

"code":{"type":"string","description":"Python代码"}

},

"required":["code"]

}

)

]

@server.call_tool()

asyncdefhandle_call_tool(name:str,arguments:dict)->list[types.TextContent]:

:

command=arguments.get("command","")

try:

result=subprocess.run(

command,shell=True,capture_output=True,

text=True,timeout=120,

encoding="utf-8",errors="replace"

)

output=result.stdout

ifresult.stderr:

output+=f"\n[STDERR]\n{result.stderr}"

ifnotoutput.strip():

output=f"(exitcode:{result.returncode})"

return[types.TextContent(type="text",text=output)]

exceptsubprocess.TimeoutExpired:

return[types.TextContent(type="text",text="错误:超时")]

exceptExceptionase:

return[types.TextContent(type="text",text=f"错误:{e}")]

elifname=="run_python":

code=arguments.get("code","")

try:

result=subprocess.run(

[sys.executable,"-c",code],

capture_output=True,text=True,timeout=120,

encoding="utf-8",errors="replace"

)

output=result.stdout

ifresult.stderr:

output+=f"\n[STDERR]\n{result.stderr}"

return[types.TextContent(type="text",text=output)]

exceptExceptionase:

return[types.TextContent(type="text",text=f"错误:{e}")]

return[types.TextContent(type="text",text=f"未知工具:{name}")]

asyncdefrun():

asyncwithmcp.server.stdio.stdio_server()as:

log("stdioconnected,callingserver.run...")

init_opts=server.create_initialization_options()

awaitserver.rtasyncio

asyncio.run(run())

exceptExceptionase:

log(f"FATAL:{e}")

log(traceback.format_exc())

LOG.close()

raise

结语