用 MCP 让大模型自动批量解读文献，保姆级教程来了！

最新推荐文章于 2025-10-16 21:02:51 发布

转载最新推荐文章于 2025-10-16 21:02:51 发布 · 1.7k 阅读

CC 4.0 BY-SA版权

原文链接：https://mp.weixin.qq.com/s?__biz=MzIyNjM2MzQyNg==&mid=2247704026&idx=1&sn=f34bf6d1955b81b41b65da1345cfc771&chksm=e981ee5a55db24d3888195232bf46ade25d998887cc0cf0f28f7dc5f27e6581b4b05a801a303&scene=126&sessionid=0

文章标签：

#人工智能

MCP 最近这么火，你还不知道它是啥吗？别慌，动手实战一番就包你明白了。

你有没有想过让大模型自动给我们搜索、下载、解读文献，一条龙服务？即便像 Deep Research 之类的服务也主要是帮你搜索和整合资源，但不给你下载资源对不。

实际上，是可以手撸一个智能体帮我们干这项大工程的。只是现在不是流行 MCP 嘛，咱们也想通过这种方式来建一个。

马上给你安排上。

本篇将以 arxiv 为例，目标是让你发个话，智能体就帮你搜索、下载文献，甚至解读一条龙到家。

为了照顾不同需求，咱这里贴心地实现了两套方案，

Trae CN + Cline，功能强大
Cherry Studio，容易上手

当然，如果你喜欢的话，也不拦着你直接用 Python 开干。

1、MCP

这个概念最近很热，相信大家都见过。这里简要地作个解释，毕竟本篇的主旨是在于动手实践。

你别看网文一篇一篇，不如跟着本篇撸一撸，你就真刀真枪见识过了。

当然，概念了解下还是有必要的。先看一个图，心急的话也可以跳过此图看下面的大白话。

MCP 作为「模型上下文协议」，可以看成专门为 AI 模型设计生态系统服务，它通过一个标准化的协议来管理和交换 AI 模型所需的各种信息，从而实现与各种外部服务和数据源的无缝集成。

用大白话来说，MCP 就像是 AI 模型（比如 DeepSeek、Gemini 等）的「超级翻译官」和「万能助手」。

我们不妨想象一下，AI 模型是个很厉害的专家，但是它自己只会说一种「AI 语言」。它需要跟各种网站、数据库、工具等外部世界打交道才能完成任务。

翻译官： 这些「外部世界」说的都是不同的「外语」，即各种不同的数据格式和通信方式。MCP 就负责把 AI 模型说的话翻译成这些外语，也把这些外语翻译成 AI 模型能听懂的话。这样，AI 模型就不用学那么多外语了，只需要跟 MCP 说就行。
万能助手： AI 模型有时候需要很多信息才能做好一件事，就像做菜需要菜谱、食材、调料一样。MCP 就负责把 AI 模型需要的所有信息（比如要查的资料、要用的工具、之前的聊天记录等等）都准备好，打包成一个大礼包（上下文），交给 AI 模型。这样，AI 模型就能直接开始工作。

举个例子：

你问 DeepSeek：杭州今天天气怎么样？

DeepSeek 自己没这项功能啊，咋办？它通过 MCP 获知提供这项功能的服务，然后使唤它查询外部天气预报网站，得知今天杭州的天气情况，再将数据整理好，最后给你答案：杭州今天晴，最高 27 度。

所以，MCP 的好处是：

简单： AI 模型不用学那么多外语，不用操心那么多杂事，只需要跟 MCP 打交道。
方便： 要加新的功能，比如查天气、订机票、下载文献等，只需要让 MCP 学会跟新的外部世界打交道就行，不用改 AI 模型本身。
整洁： MCP 把所有乱七八糟的信息都整理好，AI 模型用起来更顺手。

总之，MCP 就是一个让 AI 模型更方便、更强大、更容易跟各种服务和数据打交道的「中间人」。

这时候可以品一下这个图，

2、安装服务

回到主题，我们的目标是自动给咱从 arxiv 上下载文献，那就先搜一下提供这个功能的 MCP 服务器。

找到两个，一个如下图所示，但感觉它主要是搜索，貌似不提供下载业务。

另一个见下图，看起来它是能够下载文献的。这下省事了，必须给一个大赞。

本人用的是 mac，下面的安装流程也是针对它而言。因为手头没有 Windows 电脑，稍微有点差异吧，但问题应该不大，稍微捣鼓一下肯定没问题。

安装第一个比较方便，用命令 pip install mcp-simple-arxiv 即可；
用 brew install uv 先安装 uv，然后用命令 uv tool install arxiv-mcp-server 安装第二个。

顺利的话，很快就搞定啦。主要一点，你安装过 Python，就方便了。

然后就是在 Cline 里配置，可以用 VS Code 或者 Cursor、Windsurf 之类的。

此处我们用国货 Trae 的国内版，安装插件 Cline 咱就略过了，直接打开 Cline，点击 MCP 服务器。

然后，点击左侧底部的 Configure MCP Servers，像右侧那样填写，然后看到灯绿就算配置好了。

这样子就算配置好两个 MCP 服务了，然后就等着给大模型发号施令：搜索、解读、下载等任务。搜索和下载不是大模型自己的本事，需要外挂。

在 Cline 中提供了两种与大模型的交互模式，计划模式（Plan）和执行模式（Act），分别负责智能规划任务和高效执行任务。

3、设置大模型

别忘了在 Cline 里选择大模型！注意，这里需要大模型的 API Key。你可以让 plan 和 act 使用同一个模型，或者让它们分别使用不同模型。比如一个用 deepseek-chat，另一个使用 deepseek-reasoner，像下面这样。

虽然在 DeepSeek API 那里咱也充了钱，但为了省钱，继续撸谷歌的羊毛，此处均使用 Gemini 2.0 Pro or Flash。

4、论文智能体

好了，现在就是整装待发的状态了。

Cline 默认在左侧，如果你习惯右侧开车的话，像下面这样点击一下即可发射到右侧。

左侧关掉，就可以右侧开车了。

给大模型下达命令：帮我搜一下扩散模型和大语言模型相结合的最新论文。

Gemini 调用 simple-arxiv 搜了 10 篇论文，

继续下命令：把这些论文的摘要和方法概要用中文解读一下，然后存放到一个 Markdown 文件中。

稍等一会儿，左侧就自动出现一个 Markdown 文件，里面就是摘要和对方法的简要解读。

下载论文

接下来，我们让它下载论文。你会发现，这时它会自动调用第二个服务，就是 arxiv-mcp-server。因为第一服务并没有提供下载业务嘛。

它会询问你是否下载到配置好的那个目录里，选 yes。

不一会儿，任务完成。不过你也可以让它给你把文件名改一改。

上面这样子其实是比较泛泛地搜索，如果想让它精细一些，比如让它搜题目中包含 Self-Supervised Learning 的论文。

会发现返回的结果不符要求，只有一篇的题目符合要求。

那就给它明确指示：在 arxiv 上使用 ti: "Self-Supervised Learning" 搜。

这样看着就对路了嘛。

接着，让它给出详细信息，

5、Cherry Studio

如果你没怎么编过程，也许不喜欢 Trae + Cline 这种方式，那咱们也可以使用可爱的小樱桃是不。代价是用不了 Trae 强大的文件编辑能力。

因为我们前面已经安装好相应的工具了，这里只需要配置一下 MCP 服务器即可。

先如下步骤打开配置文件，

然后，可以直接参考我的配置。

{
  "mcpServers": {
    "arxiv-mcp-server": {
      "command": "uv",
      "args": [
        "tool",
        "run",
        "arxiv-mcp-server",
        "--storage-path",
        "~/Documents/arxiv"
      ]
    },
    "simple-arxiv": {
      "command": "/opt/anaconda3/bin/python",
      "args": [
        "-m",
        "mcp_simple_arxiv"
      ]
    }
  }
}

回到上面那个图，启用那里的绿灯点亮的话，就说明 OK 啦。

接着，到聊天界面打开 MCP 服务器。