学术工具MCP
AI Skill Hub 推荐使用：学术工具MCP 是一款优质的MCP工具。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的MCP工具解决方案，这是一个值得深入了解的选择。
📚 深度解析
通过安装 学术工具MCP，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。
在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。学术工具MCP 提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。
与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将 学术工具MCP 评为 AI 评分 7.5 分，属于同类工具中的优质选择。
📋 工具概览
学术工具MCP 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
📖 中文文档
学术工具MCP 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/hunter-heidenreich/academic-tools-mcp
# 方式二：手动配置 claude_desktop_config.json
{
"mcpServers": {
"----mcp": {
"command": "npx",
"args": ["-y", "academic-tools-mcp"]
}
}
}
# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json
- 确认已安装 Node.js（v18 或以上版本）
- 打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
- 按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
- 保存配置文件并重启 Claude 客户端
- 重启后，在对话中即可使用本工具
# 安装后在 Claude 对话中直接使用 # 示例： 用户: 请帮我用 学术工具MCP 执行以下任务... Claude: [自动调用 学术工具MCP MCP 工具处理请求] # 查看可用工具列表 # 在 Claude 中输入："列出所有可用的 MCP 工具"
// claude_desktop_config.json 配置示例
{
"mcpServers": {
"____mcp": {
"command": "npx",
"args": ["-y", "academic-tools-mcp"],
"env": {
// "API_KEY": "your-api-key-here"
}
}
}
}
// 保存后重启 Claude Desktop 生效
academic-tools-mcp
An MCP server that gives LLM agents lean, focused tools for working with academic papers. Built on FastMCP.
Look up paper metadata, authors, abstracts, citations, and BibTeX entries. Download and read full paper PDFs section-by-section. Explore reference and citation graphs. Cross-reference with Wikipedia.
Setup
Requires Python 3.11+ and uv.
git clone https://github.com/hunter-heidenreich/academic-tools-mcp.git
cd academic-tools-mcp
uv sync
cp .env.example .env # then edit .env with your valuesInstalling MinerU (example setup)
python -m venv ~/.venvs/mineru
source ~/.venvs/mineru/bin/activate
pip install mineruThen in .env:
PDF_CONVERTER=mineru
PDF_CONVERTER_VENV=~/.venvs/mineruUsage
Configuration
All configuration is via environment variables in .env. Nothing is required to get started, but some variables unlock higher rate limits.
| Variable | Required | Description |
|---|---|---|
OPENALEX_API_KEY | No | Free API key from [openalex.org](https://openalex.org/settings/api) |
OPENALEX_MAILTO | No | Your email — gets you into the [polite pool](https://docs.openalex.org/how-to-use-the-api/rate-limits-and-authentication#the-polite-pool) (faster) |
CROSSREF_MAILTO | No | Your email — gets you into the Crossref polite pool (10 req/sec vs 5) |
WIKIPEDIA_MAILTO | No | Your email — required by [Wikimedia policy](https://meta.wikimedia.org/wiki/User-Agent_policy) for the User-Agent header |
PDF_CONVERTER | No | PDF-to-markdown backend: mineru (default), marker, or a custom command (see [PDF Pipeline](#pdf-pipeline)) |
PDF_CONVERTER_VENV | No | Path to a virtualenv to activate before running the converter (e.g. ~/.venvs/mineru) |
PDF_CONVERT_TIMEOUT | No | Hard timeout for a single PDF→markdown conversion in seconds (default 1800 = 30 min). Set to none / off / disabled to disable. |
References and citations (DOI required)
| Tool | Description |
|---|---|
get_paper_references_count | Survey outgoing-reference coverage across both Crossref and OpenCitations in one call — returns per-source counts so you can pick which to page through |
get_paper_references | Paginated outgoing references. Default source="auto" surveys both Crossref and OpenCitations in parallel and pages from whichever has more; pass source="crossref" for structured metadata or source="opencitations" for broader DOI coverage to skip the survey |
get_paper_citations_count | Number of incoming citations (OpenCitations) |
get_paper_citations | Paginated incoming citations with DOIs, dates, self-citation flags, and cross-referenced IDs (OpenCitations) |
search_crossref_by_title | DOI discovery by bibliographic query (also works for bioRxiv papers); each hit warms the works cache so a follow-up get_paper_metadata(doi) is free |
For citations, follow the count-then-page pattern: call get_paper_citations_count first to see the total, then page through with page and page_size. For references the source="auto" default does the survey for you on the first call. Paginated responses include _source (on references) and has_more so agents know which shape to expect and when to stop. This prevents token blowouts on papers with long bibliographies or many citations.
Source trade-off for references: Crossref returns structured reference metadata (author, title, year, journal, DOI) when publishers deposit it; quality varies. OpenCitations aggregates from Crossref, PubMed, DataCite, OpenAIRE, and JaLC — it may have entries Crossref lacks, but returns DOI-to-DOI links only (no bibliographic metadata).
PDF pipeline (unified)
| Tool | Description |
|---|---|
download_pdf | Download and cache the PDF — auto-detects arXiv, ACL Anthology, bioRxiv/medRxiv. Streams chunks to disk (peak memory = 64 KiB) and aborts mid-stream if the response would exceed MAX_PDF_BYTES (default 200 MB). Re-downloading with force_refresh=True cascades: the cached markdown + section index are dropped automatically so the next convert_paper picks up the new bytes. |
convert_paper | Convert PDF to markdown, parse into sections (slow: tens of minutes; PDF_CONVERT_TIMEOUT caps it at 30 min by default). The server runs at most one conversion at a time across all callers — a second concurrent caller gets {busy: True, retryable: True, in_progress: {...}} immediately rather than queueing |
get_paper_sections | Section index with titles, sub-heading previews, token counts |
get_paper_section | Markdown of a section (by index or title substring); truncated by default (16000 chars) |
find_in_paper | Substring (or whole-word) search inside one converted paper. Returns each hit's section + char offset + ~120-char snippet. Char offsets align with get_paper_section's stripped text so you can chain straight to the surrounding context. |
All four tools accept any identifier (arXiv ID, DOI, or freeform label) and auto-route to the correct provider's cache namespace. For papers not hosted on arXiv/ACL/bioRxiv, fetch the PDF yourself and hand it to import_paper — see Manual import below.
PDF Pipeline
The PDF-to-markdown pipeline converts downloaded PDFs into section-level markdown that agents can read piece by piece, avoiding token blowouts from dumping entire papers into context.
The pipeline is converter-agnostic. Set PDF_CONVERTER in .env to choose your backend:
```bash
高质量开源MCP工具，辅助学术研究
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- Python 依赖冲突：建议用 venv / uv 隔离环境
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +标准化 MCP 协议，生态互联性强
- +与 Claude 官方生态无缝对接
- +即插即用，配置简单快捷
- −依赖 Claude 客户端，非 Claude 用户无法使用
- −MCP 协议仍在持续演进，接口可能变更
- −需要一定的配置步骤
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
❓ 常见问题 FAQ
总体来看，学术工具MCP 是一款质量良好的MCP工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | academic-tools-mcp |
| 原始描述 | 开源MCP工具：MCP server giving LLM agents lean, identifier-routed tools to look up, read, and。⭐5 · Python |
| Topics | mcpacademic-researchai-agentsarxivbibtexbiorxiv |
| GitHub | https://github.com/hunter-heidenreich/academic-tools-mcp |
| License | MIT |
| 语言 | Python |
收录时间：2026-05-31 · 更新时间：2026-06-01 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。