Agents-Workshop

MCP搜索检索

提供方 GalacticAvenger

搜索检索 未标注 无需鉴权 社区 / 第三方

一个结合Semantic Scholar和本地PDF RAG的文献检索代理,用于深入挖掘学术论文中的具体数据和细节,支持学术研究和文献综述。

一句话选型结论

按资料字段整理

Agents-Workshop 属于搜索检索类 MCP 服务器,传输方式未标注,无需鉴权,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类搜索检索 传输方式未标注 鉴权无需鉴权 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

搜索检索
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

文献检索Python本地部署学术研究RAGSemanticScholar错误恢复

安装与配置

未标注 无需鉴权
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
联网搜索取证

让模型查最新资料并给出出处。

资料聚合

把一个主题的网页、文档集中抓回来整理。

情报与竞品检索

按关键词持续检索行业动态和竞品信息。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在搜索检索场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Agents-Workshop当前 未标注 未标注 未标注 无 2026-05-17
Brave Search 433812ff 2 未标注 未标注 无 2026-05-17
Sequentialthinking 1 SSE · 服务端推送 远程部署 有 2026-05-18
Baidu Netdisk 未标注 未标注 未标注 无 2026-05-17
ragflow 未标注 stdio · 本地进程 本地部署 有 2026-04-11
mindsdb (430e18) 未标注 未标注 未标注 有 2026-05-17

服务器档案

搜索检索
字段来自项目仓库与公开索引,中文说明由本站标注
提供方GalacticAvenger上游标注的维护方 GalacticAvenger
分类搜索检索本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

8.6 KB
来自项目仓库与上游目录的原文,未做删改

写作——代理人工智能作业

姓名: 塞缪尔·梅德丁
日期: 2026-03-30
代理已构建: 文献综述代理(选项A--语义学者+本地PDF RAG)


第二部分:任务分析

研究问题: LLM代理如何处理工具故障和错误恢复?

超出表面水平搜索的深度

使用当地RAG管道最引人注目的是它发现了东西
正常的元数据搜索会完全错过。就像我查询“工具故障”时一样
LLM试剂的回收”,它引用了Wang等人(2023)的一段话,他们
讨论代理如何“学习执行自我调试”,这实际上是在
方法部分,而不是摘要。ReAct论文也是如此(姚
等人,2022),我直接从结果部分得到了两个具体数字:
幻觉占思维链假阳性的14%,而只有6%
在ReAct中,“非信息性搜索结果占错误案例的23%。”
这两个数字都没有出现在摘要中,所以如果你只是略读一下
语义学者,你只知道ReAct“优于”CoT,而没有任何
通过多少或以何种方式的想法。

我运行了五个不同的本地检索查询,总共得到了18个结果。关于
其中三分之一有实际的实验级细节,如具体数字或消融
语义学者没有进行过比较。另外三分之二几乎是
只是重申摘要中已经说过的话。所以当地的图书馆是真的
对于三分之一的块来说可能很有用,这些块真的觉得有意义,但不如
正如我所料,令人印象深刻。

我注意到的更大的问题是,我开始使用的语料库太集中了
基于推理的错误恢复,如Reflexion、Self-Refine和ReAct。
它基本上没有像重试逻辑或
回退工具。其中一部分就是自“错误恢复”以来关键字是如何工作的
自然会拉推理论文。为了解决这个问题,我添加了四篇论文:CRITIC(Gou等人。,
2023),ExpeL(赵等人,2024),Chen等人(2023)关于错误检测和
以及Zhu等人(2023)关于动态重试的研究。这些都着眼于工具故障
作为一个系统问题,而不是一个完全不同的推理问题
原始语料库根本没有涵盖的角度。

本地检索贡献

当地的图书馆对于深入研究我已经读过的论文真的更有用
知道是相关的,而不是寻找新的。语义学者处理
发现部分,然后RAG管道拿出了具体的索赔和数字
这实际上支持了为什么这些论文很重要。最有用的东西来自
ReAct(姚等人,2022)和Voyager(王)的方法和实验部分
等人,2023),因为这些章节直接讨论了错误恢复机制
而不仅仅是在高层次上构建问题。

最不有用的结果来自调查论文,其中检索到的块是
主要是定义和背景,没有太多具体证据。那些大块
相似性得分在0.45到0.52之间,高于阈值但低于阈值
0.55+的范围,结果实际上是可靠的。这让我想到
阈值可能应该根据您搜索的内容进行不同的调整
对于特定的事实查询,该值较高,而当你只是想获取时,该值较低
对一个话题的总体感觉。

至少一次失败

API速率限制: 第一次测试基本上是一场灾难,因为
Semantic Scholar在每一个请求中都返回了429个错误。这敲
四个代理工具中的三个(search_papers、get_apper_tails、get_citions)
因此,代理只能使用本地检索,没有回退,也没有办法
缓存任何东西。让这件事特别糟糕的是,它就发生在
在收集到任何有用的结果之前开始,因此整个外部搜索阶段
第二天必须在完全不同的会议上重新进行。

查询灵敏度: 当我质疑“反思纠错自我完善”时
排名第一的结果是Self-Refine(Madaan等人,2023),相似性为0.5821
而不是Reflexion(Shinn等人,2023),Reflexion的得分仅为0.4975,排名第四。
这两篇论文都是关于重叠的想法,但如果有人希望Reflexion出现
首先,对于该查询,他们可能会很快失去对系统的信任。一、
将问题重新表述为“言语强化学习代理自我反思”
反射正确地出现在0.6103的第一位,但你真的不必知道
一篇论文使用的确切框架只是为了找到它。嵌入空间根本不是
按照你希望的方式按概念组织事情。

块状边界伪影: 随着原始角色级别的分块
检索到的段落刚好截断了句子的中间部分。有一块我拿回来了
“必需参数,可选”,脱离上下文完全没有意义,但
乍一看,这似乎是一个正常的结果。一些大块也在争论中开始了
所以你可以在没有设置的情况下得出结论。这两件事都很容易
使代理人以误导的方式引用某事。

总体评价: 如果你把它当作一个发现工具,并对它进行任何验证
然后引用它真正有用的。它可以显示特定的数字和索赔
20多篇论文比手工快得多。但如果你相信它是
如果不检查真相,你就会遇到问题。利率限制
检索灵敏度和块问题都可能独立地产生不良输出。
它最好被认为是一种可以加快已经有研究的人的研究速度的东西
他对球场很熟悉,能在有什么不对劲的时候接住。


第三部分:反思

3.1构建过程

对我来说,主要的决定是RAG参数。根据我的选择,我看到了准确性和输出的巨大差异。chunk_size=512 (2~3句话)
平衡上下文与精度。我考虑了1024作为更多背景,但它会
在相关部分旁边返回更多不相关的文本。这 similarity_threshold
0.3是非常宽容的,所以0.3更注重回忆而非精确性。

此外,最初的分块实现是字符级的。这就是作业描述所使用的。克劳德实施 chunk_text() 和 retrieve()
第一次尝试时正确,滑动窗口和ChromaDB查询模式是
直截了当。不过,我看到字符级组块会产生句子中间的剪切,这真的会损害检索质量。然后我专注于重写chunk_text() 两者都 rag_pipeline.py 和 pdf_ingestor.py 在句子上分开
边界与 chunk_overlap 从64个字符增加到128个字符
重叠窗口有足够的空间在块之间有真实的句子上下文。

设置所需的迭代:嵌入模型下载超时一次
.mcp.json 需要更新Python路径以指向venv解释器。

3.2系统提示工程

我有两种不同类型的提示 default 和 concise

默认 语义学者随后使用主题分组制作了句子和单词评论。它非常适合涵盖范围和叙事流程很重要的综合文献综述写作。

简洁 首先使用了我的本地库,并限制了工具调用
两个需要具有严格模式的要点输出(主题、关键论文、,
主要主题,差距)。每个令牌的信息密度更高,但数量更少
幻觉的机会,因为它的总索赔量要少得多。权衡是
广度,只需两次工具调用,就会错过论文,默认情况就会浮出水面。

更恰当的说法是每个令牌的信息密度——你宁愿简洁明了。对于一个需要叙事和归因默认的研究生来说,写评论部分会更好,所以真正的网络化肯定会更好。

我尝试了另外两种类型的提示 structured (五个必填部分,明确工具
订购)和 critical (怀疑评估,证据优先)
在 prompts/templates.py 可通过以下方式选择 config.yaml.

3.4架构限制

我想了三种方法让事情变得更好

  1. 语义学者缓存 我执行了!结果现在持续到
    ss_cache/ 因此代理在速率限制窗口期间正常运行。这
    缓存由URL+参数键控,清除文件夹将强制执行新的API调用。

  2. 句子边界感知组块 我执行了!现在,切块工尊重
    句子终止符,因此检索到的段落总是包含完整的思想。
    chunk_overlap 被提升到128个字符,以承载更多的上下文
    块边界。

  3. 增量摄入 未实施。当您更改任何RAG时
    参数,它强制您删除并重建整个ChromaDB集合。
    生产系统会对每个文档进行哈希处理,只重新嵌入更改的文件。

最大的惊喜是检索对查询短语有多敏感。语义
嵌入并不能像我使用已有代理时想象的那样处理释义。对于同一个概念,查询“反思纠错”与“代理从失败中自我提升”得出了不同的最高结果,这对我来说有点疯狂,因为它们似乎是同一件事。相似性得分范围也被超压缩(有用范围~0.4-0.65),使阈值参数出乎意料地敏感。将密集嵌入与稀疏BM25关键字匹配相结合的混合检索方法可能会降低这种敏感性。

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
Agents-Workshop 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Agents-Workshop 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Agents-Workshop 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Agents-Workshop 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Agents-Workshop 能提供哪些能力?

资料显示能力标签包括 Python、学术研究、RAG。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。