深度测评：Arxiv MCP Server——让AI替你24小时啃论文的学术神器

# 1. 安装uv（如果还没安装）
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

# 2. 重启终端后，安装arxiv-mcp-server
uv tool install arxiv-mcp-server

# 3. 创建工作目录
mkdir C:\Users\你的用户名\arxiv-papers

# 1. 安装uv（macOS/Linux通用）
curl -LsSf https://astral.sh/uv/install.sh | sh

# 2. 重新加载shell配置
source ~/.bashrc  # 或 source ~/.zshrc（macOS默认）

# 3. 安装arxiv-mcp-server
uv tool install arxiv-mcp-server

# 4. 创建工作目录
mkdir ~/arxiv-papers

# 1. 克隆项目
git clone https://github.com/yzfly/arxiv-mcp-server.git
cd arxiv-mcp-server

# 2. 安装依赖
npm install

# 3. 设置环境变量
# Windows (PowerShell)
$env:SILICONFLOW_API_KEY="你的API密钥"
$env:WORK_DIR="C:\Users\你的用户名\arxiv-work"

# macOS/Linux
export SILICONFLOW_API_KEY="你的API密钥"
export WORK_DIR="~/arxiv-work"

# 4. 构建并运行
npm run build
npm start

{
  "mcpServers": {
    "arxiv-mcp-server": {
      "command": "uv",
      "args": [
        "tool",
        "run",
        "arxiv-mcp-server",
        "--storage-path", "C:/Users/你的用户名/arxiv-papers"
      ],
      "alwaysAllow": [
        "search_papers",
        "download_paper",
        "list_papers",
        "read_paper"
      ]
    }
  }
}

# 以下是在支持MCP的客户端中可执行的伪代码
# 实际使用时，通过AI助手自然语言调用即可

# 1. 搜索相关论文
search_result = await call_tool("search_papers", {
    "query": "efficient inference transformer optimization",
    "max_results": 10,
    "date_from": "2025-01-01",
    "categories": ["cs.CV", "cs.AI", "cs.LG"]
})

print(f"找到 {len(search_result)} 篇相关论文")
# 输出示例：找到 10 篇相关论文

# 2. 查看搜索结果，选择最相关的一篇（假设ID为2503.12345）
paper_id = "2503.12345"

# 3. 下载论文PDF
download_result = await call_tool("download_paper", {
    "paper_id": paper_id
})
print(f"论文下载成功：{download_result}")
# 输出：论文下载成功：已保存到 /Users/name/arxiv-papers/2503.12345.pdf

# 4. 阅读论文内容
paper_content = await call_tool("read_paper", {
    "paper_id": paper_id
})

# 5. 使用深度分析提示词进行结构化分析
analysis = await call_prompt("deep-paper-analysis", {
    "paper_id": paper_id
})

print("===== 论文分析报告 =====")
print(analysis)

用户：帮我搜索2025年以来关于大模型推理优化的顶会论文，重点关注计算机视觉方向。

AI助手：正在为您搜索相关论文...
找到8篇相关论文，最相关的一篇是《EfficientViT: Memory-Efficient Vision Transformer with Cascaded Group Attention》（arXiv:2501.12345）。

需要我为您下载并生成中文分析报告吗？

用户：下载并生成摘要，分析其创新点和实验结果。

AI助手：已下载论文并完成分析。
【论文标题】EfficientViT: Memory-Efficient Vision Transformer...
【创新点】提出了级联组注意力机制，相比标准Transformer内存占用减少73%...
【实验结果】在ImageNet上达到84.3%准确率，推理速度提升2.3倍...
【适用场景】适用于边缘设备上的实时视觉任务...