Semantic Scholar MCP 服务器

一个用于 Semantic Scholar API 的 FastMCP 服务器实现，提供对学术论文数据、作者信息和引文网络的全面访问。

功能特性

• 论文搜索与发现

  • 具有高级过滤功能的全文本搜索
  • 基于标题的论文匹配
  • 论文推荐（单篇和多篇）
  • 批量论文详情检索
  • 具有排序策略的高级搜索

• 引文分析

  • 引文网络探索
  • 参考文献追踪
  • 引文上下文和影响分析

• 作者信息

  • 作者搜索和个人资料详情
  • 发表历史
  • 批量作者详情检索

• 高级功能

  • 具有多种排序策略的复杂搜索
  • 可定制的字段选择
  • 高效的批量操作
  • 符合速率限制
  • 支持已认证和未认证的访问
  • 优雅的关闭和错误处理
  • 连接池和资源管理

系统要求

• Python 3.8+
• FastMCP 框架
• API 密钥的环境变量（可选）

安装

使用 FastMCP 安装：

fastmcp install semantic-scholar-server.py --name "Semantic Scholar" -e SEMANTIC_SCHOLAR_API_KEY=your-api-key

-e SEMANTIC_SCHOLAR_API_KEY 参数是可选的。 如果未提供，服务器将使用未认证的访问，速率限制较低。

配置

环境变量

• SEMANTIC_SCHOLAR_API_KEY: 您的 Semantic Scholar API 密钥（可选）
  • 从 Semantic Scholar API 获取您的密钥
  • 如果未提供，服务器将使用未认证的访问

速率限制

服务器会自动调整到适当的速率限制：

使用 API 密钥:

• 搜索、批量和推荐端点：每秒 1 个请求
• 其他端点：每秒 10 个请求

不使用 API 密钥:

• 所有端点：每 5 分钟 100 个请求
• 请求的超时时间更长

可用的 MCP 工具

注意：所有工具均与官方 Semantic Scholar API 文档 保持一致。 请参阅官方文档，了解详细的字段规范和最新更新。

论文搜索工具

• paper_relevance_search: 使用相关性排序搜索论文

  • 支持全面的查询参数，包括年份范围和引文计数过滤器
  • 返回带有可自定义字段的分页结果

• paper_bulk_search: 具有排序选项的批量论文搜索

  • 类似于相关性搜索，但针对更大的结果集进行了优化
  • 支持按引文计数、发表日期等排序。

• paper_title_search: 通过精确标题匹配查找论文

  • 当您知道标题时，可用于查找特定论文
  • 返回带有可自定义字段的详细论文信息

• paper_details: 获取有关特定论文的全面详细信息

  • 接受各种论文 ID 格式（S2 ID、DOI、ArXiv 等）
  • 返回带有嵌套字段支持的详细论文元数据

• paper_batch_details: 有效检索多个论文的详细信息

  • 每次请求最多接受 1000 个论文 ID
  • 支持与单个论文详细信息相同的 ID 格式和字段

引文工具

• paper_citations: 获取引用特定论文的论文

  • 返回引用论文的分页列表
  • 包括引文上下文（如果可用）
  • 支持字段自定义和排序

• paper_references: 获取特定论文引用的论文

  • 返回引用论文的分页列表
  • 包括参考文献上下文（如果可用）
  • 支持字段自定义和排序

作者工具

• author_search: 按姓名搜索作者

  • 返回带有可自定义字段的分页结果
  • 包括隶属关系和发表计数

• author_details: 获取有关作者的详细信息

  • 返回全面的作者元数据
  • 包括 h 指数和引文计数等指标

• author_papers: 获取作者撰写的论文

  • 返回作者发表论文的分页列表
  • 支持字段自定义和排序

• author_batch_details: 获取多个作者的详细信息

  • 有效检索最多 1000 位作者的信息
  • 返回与单个作者详细信息相同的字段

推荐工具

• paper_recommendations_single: 根据单篇论文获取推荐

  • 根据内容和引文模式返回相似的论文
  • 支持推荐论文的字段自定义

• paper_recommendations_multi: 根据多篇论文获取推荐

  • 接受正面和负面示例论文
  • 返回与正面示例相似且与负面示例不同的论文

使用示例

基本论文搜索

results = await paper_relevance_search(
    context,
    query="machine learning",
    year="2020-2024",
    min_citation_count=50,
    fields=["title", "abstract", "authors"]
)

论文推荐

# 单篇论文推荐
recommendations = await paper_recommendations_single(
    context,
    paper_id="649def34f8be52c8b66281af98ae884c09aef38b",
    fields="title,authors,year"
)

# 多篇论文推荐
recommendations = await paper_recommendations_multi(
    context,
    positive_paper_ids=["649def34f8be52c8b66281af98ae884c09aef38b", "ARXIV:2106.15928"],
    negative_paper_ids=["ArXiv:1805.02262"],
    fields="title,abstract,authors"
)

批量操作

# 获取多个论文的详细信息
papers = await paper_batch_details(
    context,
    paper_ids=["649def34f8be52c8b66281af98ae884c09aef38b", "ARXIV:2106.15928"],
    fields="title,authors,year,citations"
)

# 获取多个作者的详细信息
authors = await author_batch_details(
    context,
    author_ids=["1741101", "1780531"],
    fields="name,hIndex,citationCount,paperCount"
)

错误处理

服务器提供标准化的错误响应：

{
    "error": {
        "type": "error_type",  # rate_limit, api_error, validation, timeout
        "message": "Error description",
        "details": {
            # Additional context
            "authenticated": true/false  # 指示请求是否已认证
        }
    }
}