学者代理
学者代理 是 AI Skill Hub 本期精选MCP工具之一。综合评分 7.5 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
通过安装 学者代理，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。学者代理 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 学者代理 评为 AI 评分 7.5 分，属于同类工具中的优质选择。
📋 工具概览
学者代理 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
学者代理 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/zfy465914233/scholar-agent
# 方式二：手动配置 claude_desktop_config.json
{
"mcpServers": {
"----": {
"command": "npx",
"args": ["-y", "scholar-agent"]
}
}
}
# 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 学者代理 执行以下任务... Claude: [自动调用 学者代理 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": {
"____": {
"command": "npx",
"args": ["-y", "scholar-agent"],
"env": {
// "API_KEY": "your-api-key-here"
}
}
}
}
// 保存后重启 Claude Desktop 生效
Scholar Agent
General-purpose LLMs are often inaccurate and outdated in specialized domains. Scholar Agent combines online research + local knowledge accumulation into a sustainable knowledge flywheel, making your AI smarter in your domain over time. It also builds a human-readable knowledge base for quick learning. Integrates seamlessly with Claude Code and VS Code Copilot via MCP.
More Features
- Multi-perspective research — Parallel research from 5 perspectives (academic, technical, applied, contrarian, historical)
- Obsidian compatible — Standard Markdown + YAML frontmatter +
[[wiki-links]] - Knowledge governance CLI — Validate frontmatter, detect orphaned cards, find duplicates, manage lifecycle
- Provider fault tolerance — Each search source fails independently; falls back to local retrieval when offline
System Dependencies
| Dependency | macOS | Ubuntu / Debian | Windows |
|---|---|---|---|
| Python 3.10+ | brew install python | sudo apt install python3 | [python.org](https://www.python.org/downloads/) |
PDF text and image extraction is handled by PyMuPDF (pip install -e . installs it automatically).
Step 1: Install
git clone https://github.com/zfy465914233/scholar-agent.git
cd scholar-agent
pip install -e .Quick Start
$env:SCHOLAR_HOME = "$PWD\scholar"
Configuration
Environment Variables
Copy .env.example to .env and configure:
| Variable | Required | Description |
|---|---|---|
SCHOLAR_ACADEMIC | No | Set to 1 to enable academic tools |
SCHOLAR_HOME | No | Override data directory (default: ~/scholar/) |
S2_API_KEY | No | Semantic Scholar API key ([get one free](https://api.semanticscholar.org/)) |
LLM_API_KEY | No | LLM API key for advanced synthesis pipeline |
CLI Reference
| Command | Description |
|---|---|
scholar-agent init | One-command setup: data dirs + config + MCP registration |
scholar-agent serve-mcp | Start the MCP server (used by Claude Code internally) |
scholar-agent doctor | Show environment and config diagnostics |
scholar-agent config show | Show resolved configuration |
scholar-agent config init | Create user-level data dirs and config |
scholar-agent config migrate --to user-home | Migrate data from old directory layout |
scholar-agent install claude --write | Register MCP with Claude Code |
scholar-agent install vscode --write | Register MCP with VS Code Copilot |
scholar-agent install opencode --write | Register MCP with OpenCode |
scholar-agent install claude --status | Check if MCP is registered with Claude Code |
scholar-agent install claude --uninstall | Remove MCP registration from Claude Code |
Academic Research Pipeline
Scholar Agent includes a comprehensive academic paper research pipeline:
- Paper Search — Search papers from arXiv, DBLP, and Semantic Scholar. Filter by top conferences (CVPR, ICCV, ECCV, ICLR, AAAI, NeurIPS, ICML, ACL, EMNLP, MICCAI)
- Smart Scoring — Four-dimensional scoring engine (relevance, recency, popularity, quality) ranks papers by your research interests
- Deep Analysis Notes — Auto-generate 20+ section Obsidian-style markdown notes with `` placeholders for AI-assisted completion
- Figure Extraction — Extract images from arXiv source archives and PDFs (via PyMuPDF)
- Daily Recommendations — Automated daily paper search, scoring, deduplication, and recommendation note generation
- Paper → Knowledge Card — Convert paper analyses into knowledge cards that feed back into the knowledge flywheel
- Keyword Auto-Linking — Scan notes for technical terms and create
[[wiki-links]]automatically
Recommended Workflow
For best analysis quality, follow this order:
- Download the paper:
download_paper("2510.24701", title="Paper Title", domain="LLM") - Extract images:
extract_paper_images("2510.24701")(auto-detects local PDF) - Deep analysis:
analyze_paper(paper_json)(auto-detects local PDF, extracts full text)
Tip: Downloading the PDF before analysis enables full-text extraction, producing high-quality notes with specific data, formulas, and experimental results. Without a local PDF, analysis relies on the abstract only.
Scholar Agent 是一款专为解决通用 LLM 在专业领域知识滞后及准确性不足而设计的智能研究助手。它通过将“在线实时研究”与“本地知识积累”深度结合，构建了一个可持续进化的知识库。该项目已原生支持 MCP 协议，能够为开发者提供精准、可靠的学术与技术领域信息支持。
本项目具备强大的多维度研究能力，支持从学术、技术、应用、反向观点及历史背景五个维度进行并行研究。它完美兼容 Obsidian，采用标准 Markdown 格式并支持 YAML frontmatter 与 [[wiki-links]]。此外，内置的 Knowledge governance CLI 可用于校验数据、检测孤立卡片及查重，并具备 Provider fault tolerance 机制，确保单个搜索源失效时系统仍能稳定运行。
在使用 Scholar Agent 之前，请确保您的系统已安装 Python 3.10 或更高版本。根据操作系统不同，macOS 用户可通过 `brew` 安装，Ubuntu/Debian 用户使用 `apt`，Windows 用户请前往 python.org 下载。此外，系统需具备处理 PDF 文本与图像提取的相关依赖环境。
您可以直接通过 Git 克隆仓库进行源码安装。首先执行 `git clone https://github.com/zfy465914233/scholar-agent.git` 进入项目目录，随后使用 `pip install -e .` 以可编辑模式安装依赖，完成开发环境的搭建。
项目提供了 Quick Start 快速入门指南，帮助开发者通过简单的指令启动研究流程。建议在开始大规模研究前，先通过配置环境确保数据存储路径正确，并根据需求调用相应的研究模块进行自动化文献处理。
项目通过环境变量进行配置管理。请将 `.env.example` 复制为 `.env` 文件进行编辑。关键参数包括 `SCHOLAR_HOME`（用于覆盖默认的数据存储目录）以及 `S2_API_KEY`（用于配置 Semantic Scholar API 权限）。若需启用学术工具，请将 `SCHOLAR_ACADEMIC` 设置为 `1`。
Scholar Agent 提供了一套完善的 CLI 工具集。使用 `scholar-agent init` 可实现数据目录、配置及 MCP 注册的一键式初始化；`scholar-agent serve-mcp` 用于启动 MCP server（供 Claude Code 内部调用）；`scholar-agent doctor` 则用于环境与配置的诊断检查，帮助开发者快速定位问题。
项目内置了完整的学术论文研究流水线（Academic Research Pipeline）。支持从 arXiv、DBLP 及 Semantic Scholar 检索论文，并能针对顶级会议（如 CVPR, NeurIPS, ICML 等）进行智能评分过滤。推荐的工作流为：首先使用 `download_paper` 下载论文，随后通过 `extract_paper_images` 提取图像，最后调用 `analyze_paper` 进行深度自动化分析。
一个有潜力的开源MCP工具，值得关注
- 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
- CLI：直接 npm install -g / pip install，命令行调用
- 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。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，学者代理 在MCP工具赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | scholar-agent |
| 原始描述 | 开源MCP工具：Knowledge agent for LLMs — online research + local accumulation, gets smarter ov。⭐7 · Python |
| Topics | ai-agentclaude-codevscodepython |
| GitHub | https://github.com/zfy465914233/scholar-agent |
| License | MIT |
| 语言 | Python |
收录时间：2026-05-27 · 更新时间：2026-05-30 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。