Multi Agent Reviewer

MCPAI代理

提供方 Ishaan300104

AI代理 stdio · 本地进程 会话登录 社区 / 第三方
查看接入方式

一个基于LLM的多代理系统,用于使用MCP架构评审、分析和总结学术研究论文。

一句话选型结论

按资料字段整理

Multi Agent Reviewer 属于AI代理类 MCP 服务器,stdio · 本地进程,会话登录,有可直接执行的安装命令。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AI代理 传输方式stdio · 本地进程 鉴权会话登录 部署方式本地部署
GitHub 星标 1 仓库热度,无公开仓库时显示未标注
工具数 4 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

AI代理
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4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

学术论文评审Python本地部署多代理系统LLM应用PDF解析文本分析

安装与配置

stdio · 本地进程 会话登录
客户端在本机拉起子进程,数据不出本机
python -m venv venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  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

    连接成功后客户端会列出约 4 个工具,随便调一个只读工具确认能返回结果。

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
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

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 4 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好会话登录对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理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

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 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
Multi Agent Reviewer当前 4 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
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Ishaan300104上游标注的维护方 Ishaan300104
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式会话登录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 · Python本地安装时用到的包标识与运行时
部署类型本地部署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

8.9 KB
来自项目仓库与上游目录的原文,未做删改

多智能体研究论文审稿系统

一个基于LLM的复杂多代理系统,用于使用MCP(模型上下文协议)架构审查、分析和总结学术研究论文。

架构概述```

┌─────────────────────────────────────────────────────────────┐
│ Streamlit UI (MCP Client) │
│ (Paper Upload & Visualization) │
└────────────────────────┬────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ Agent Orchestrator │
│ (LangGraph Workflow Manager) │
└─────┬──────────┬──────────┬──────────┬─────────────────────┘
│ │ │ │
▼ ▼ ▼ ▼
┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
│ Reader │ │ Critic │ │ Meta │ │ Cite │
│ Agent │ │ Agent │ │ Reviewer │ │ Agent │
│ │ │ │ │ Agent │ │ │
└────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘
│ │ │ │
▼ ▼ ▼ ▼
┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
│ PDF │ │ Text │ │ Summary │ │ ArXiv │
│ Extract │ │ Analysis │ │ Synth. │ │ API │
│ Tool │ │ Tool │ │ Tool │ │ Tool │
└──────────┘ └──────────┘ └──────────┘ └──────────┘


## 代理角色

### 1. **读者代理** (MCP服务器:端口5001)

- **角色**:提取和解析论文内容
- **工具**:PDF提取、文本解析
- **输出**:结构化论文内容(标题、摘要、章节、参考文献)

### 2. **批评代理** (MCP服务器:端口5002)

- **角色**:分析方法,找出弱点
- **工具**:文本分析、质量评估
- **输出**:对优缺点进行批判性审查

### 3. **MetaReviewer代理** (MCP服务器:端口5003)

- **角色**:综合评论,生成适合学生的摘要
- **工具**:生成摘要,简化复杂性
- **输出**:综合评审+ELI5总结

### 4. **CiteAgent** (MCP服务器:端口5004)

- **角色**:查找相关论文,验证引用
- **工具**:ArXiv API,引文提取
- **输出**:相关论文,引文背景

## 项目结构```
research-paper-reviewer/
├── agents/
│   ├── __init__.py              # I added this to make agent folder run as a module
|   ├── llm_client.py            # For LLM Integration
│   ├── reader_agent.py          # PDF extraction & parsing
│   ├── critic_agent.py          # Critical analysis
│   ├── meta_reviewer_agent.py   # Review synthesis
│   ├── cite_agent.py            # Citation & related papers
│   └── orchestrator.py          # LangGraph workflow
├── mcp_server/
│   ├── __init__.py              # I added this to make mcp_server folder run as a module
│   ├── base_server.py           # Base MCP server implementation
│   ├── reader_server.py         # Reader agent MCP server
│   ├── critic_server.py         # Critic agent MCP server
│   ├── meta_reviewer_server.py  # MetaReviewer MCP server
│   ├── cite_server.py           # CiteAgent MCP server
│   └── client.py                # MCP client for orchestration
├── data/
│   ├── sample_papers/           # Sample PDF papers (papers get saved when you run it locally)
│   ├── arxiv_metadata.json      # ArXiv metadata cache
│   └── processed/               # Processed results
├── eval/
│   ├── test_cases.json          # 6+ test scenarios
│   ├── run_eval.py              # Evaluation harness
│   ├── metrics.py               # Metric calculations
│   └── results/                 # Test results
├── ui/
│   └── streamlit_app.py         # Main Streamlit interface
├── requirements.txt
├── config.yaml
├── README.md
└── setup.py

安装

先决条件

  • Python 3.9+
  • 点
  • 虚拟环境(推荐)

设置步骤

  1. 克隆存储库```bash
    git clone https://github.com/Ishaan300104/multi-agent-reviewer.git
    cd multi-agent-reviewer

2. **创建虚拟环境**```bash
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
  1. 安装依赖项```bash
    pip install -r requirements.txt

4. **下载样本数据** (可选)```bash
# Download sample ArXiv papers
python scripts/download_samples.py

用法

启动MCP服务器

在单独的终端中启动每个代理的MCP服务器:```bash

Single-go master command

bash scripts/start_servers.sh

Optional individual commands

Terminal 1: Reader Agent

python mcp-server/reader_server.py

Terminal 2: Critic Agent

python mcp-server/critic_server.py

Terminal 3: MetaReviewer Agent

python mcp-server/meta_reviewer_server.py

Terminal 4: CiteAgent

python mcp-server/cite_server.py


### 运行Streamlit UI```bash
streamlit run ui/streamlit_app.py

访问地址: http://localhost:8501

运行评估工具```bash

Run all test cases

python eval/run_eval.py

Run specific test case

python eval/run_eval.py --test-id test_1

Generate metrics report

python eval/run_eval.py --report


## API合同

### 消息架构

所有代理都使用标准化的JSON消息进行通信:```json
{
"message_id": "unique-uuid",
"sender": "agent_name",
"receiver": "agent_name",
"timestamp": "2025-11-09T10:30:00Z",
"message_type": "request|response|error",
"payload": {
"action": "extract|analyze|review|cite",
"data": {},
"metadata": {}
},
"context": {
"paper_id": "arxiv-id",
"session_id": "session-uuid"
}
}

代理输入/输出合同

读者代理

输入:```json
{
"action": "extract",
"data": {
"pdf_path": "path/to/paper.pdf",
"extract_references": true
}
}


**输出:**```json
{
"paper_content": {
"title": "Paper Title",
"abstract": "Abstract text...",
"sections": [{"heading": "Introduction", "content": "..."}],
"references": ["ref1", "ref2"]
}
}

批评代理

输入:```json
{
"action": "analyze",
"data": {
"paper_content": {},
"focus_areas": ["methodology", "results"]
}
}


**输出:**```json
{
"critique": {
"strengths": ["strength1", "strength2"],
"weaknesses": ["weakness1", "weakness2"],
"methodology_score": 7.5,
"clarity_score": 8.0
}
}

关键假设

  1. pdf格式:论文假定为标准学术PDF格式
  2. ArXiv论文:主要关注ArXiv论文(API集成)
  3. 英语:所有处理的论文都是英文的
  4. MCP本地部署:所有MCP服务器都在本地主机上运行(端口5001-5004)
  5. LLM模型:使用OpenAI GPT-4或兼容的API(可配置)
  6. 需要互联网:对于ArXiv API访问和引用验证

配置

编辑 config.yaml 自定义:```yaml
agents:
reader:
port: 5001
max_tokens: 4000
critic:
port: 5002
max_tokens: 2000
meta_reviewer:
port: 5003
max_tokens: 3000
cite_agent:
port: 5004
max_tokens: 1500

llm:
provider: "openai" # or "anthropic", "cohere"
model: "gpt-4"
temperature: 0.3
api_key: "${OPENAI_API_KEY}"

arxiv:
max_results: 10
sort_by: "relevance"
cache_enabled: true


## 评估指标

系统跟踪:

- **成功率**:成功处理的论文百分比
- **平均延迟**:每篇论文的时间(端到端)
- **工具调用计数**:每个代理的工具调用次数
- **约束违规**:违反协议/模式
- **审核质量分数**:人工评估审查质量
- **引文准确性**:相关论文建议的正确性

## 测试```bash
# Run end-to-end tests
python eval/run_eval.py --mode e2e

贡献

  1. 复刻仓库
  2. 创建要素分支(git checkout -b feature/new-agent)
  3. 提交更改(git commit -am 'Add new agent')
  4. 推送到分支(git push origin feature/new-agent)
  5. 创建拉取请求

许可证

MIT许可证-有关详细信息,请参阅许可证文件

联系

如有疑问或问题,请打开GitHub问题或联系维护人员。

致谢

  • ArXiv为研究论文提供开放获取
  • MCP协议规范
  • LangGraph框架
  • Streamlit用于快速UI开发

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Multi Agent Reviewer 怎么安装?

在客户端按下面的安装命令接入:python -m venv venv。装完在客户端配置里引用同一个包或端点。

Multi Agent Reviewer 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。

Multi Agent Reviewer 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。

Multi Agent Reviewer 需要 API Key 吗?

资料标注需要会话登录认证,使用前准备好对应凭据,并按最小权限配置。

Multi Agent Reviewer 能提供哪些能力?

资料显示约 4 个工具;能力标签包括 Python、AI代理、LLM应用。具体工具清单以官方文档为准。

Multi Agent Reviewer 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Multi Agent Reviewer 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

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。