面向大模型 Agent 领域的多模态学术研究助手。它可以安装到任意 MCP 宿主中，辅助完成论文检索、PDF/图表理解、知识图谱沉淀、学习路径规划和代码复现实验。
| 功能 | 描述 |
|---|---|
| 论文检索 | 双源检索 Semantic Scholar + arXiv，遇到 429 自动降级 |
| 多模态理解 | 解析论文图表、表格、系统架构图和实验曲线，按需触发以控制 token 成本 |
| 知识图谱 | 阅读论文后自动构建个人学术知识网络，使用 Pydantic Schema 约束结构化输出 |
| 学习规划 | 基于知识盲区检测和 PageRank 分析，推荐下一步阅读与补强路径 |
| 代码复现 | 将论文方法转化为可执行的实验或原型代码，并在沙箱中运行验证 |
ScholarMind 当前聚焦大模型 Agent 研究，适合围绕以下主题建立可持续积累的研究工作流：
- LLM Agent 架构、规划、反思、工具使用和多 Agent 协作
- 长期记忆、RAG、知识图谱和上下文管理
- Agent benchmark、评测闭环、可复现实验和工程框架
- ReAct、MemGPT、Generative Agents、AutoGen、LangGraph 等代表性论文与系统
ScholarMind/
├── CLAUDE.md <- 宿主入口文档
├── install.py <- 一键安装脚本
├── mcp_config.example.json <- MCP 注册模板
├── memory/ <- 文件系统记忆
│ ├── MEMORY.md <- 经验记忆
│ ├── USER.md <- 用户画像
│ ├── experiences/ <- 搜索策略、分析模式等经验
│ └── knowledge_export/ <- 图谱可读导出
├── .agents/workflows/ <- 工作流脚本
│ ├── paper-analysis.md <- /paper-analysis
│ ├── knowledge-build.md <- /knowledge-build
│ ├── paper-watch.md <- /paper-watch
│ └── simulation.md <- /simulation
├── skills/ <- Skills 与 CLI 脚本
│ ├── paper_reader/ <- PDF -> 文本 + 图表
│ ├── learning_path/ <- 盲区检测 + 路径规划
│ └── paper_watch/ <- 论文追踪
├── src/
│ ├── mcp_servers/ <- MCP Server
│ ├── core/ <- PDF 解析、多模态图表分析等核心能力
│ ├── knowledge/ <- 知识图谱 Schema、抽取、存储、分析
│ ├── report/ <- 结构化研究报告与仪表盘
│ └── execution/ <- 代码沙箱与实验模板
├── prompts/ <- Prompt 模板库
└── tests/ <- 测试套件
git clone https://github.com/Jennyee1/AcademicAgent.git
cd AcademicAgent
pip install -r requirements.txtcp .env.example .env # Windows: copy .env.example .env
# 编辑 .env，填入 MINIMAX_API_KEYpython install.py安装脚本会检查关键文件、创建 data/ 目录、生成 mcp_config.json，并输出注册到 MCP 宿主的指引。
将生成的 mcp_config.json 内容合并到你的宿主配置：
| 宿主 | 配置文件位置 |
|---|---|
| Antigravity | ~/.gemini/antigravity/mcp_config.json |
| Claude Code | ~/.claude/mcp_config.json |
> "帮我搜索关于 LLM Agent memory 的最新论文"
> "分析这篇 ReAct 论文，并把核心概念写入知识图谱"
> /paper-analysis
> /knowledge-build
| 类别 | 技术 |
|---|---|
| 协议 | MCP (Model Context Protocol) |
| PDF 解析 | PyMuPDF，Generator 模式防 OOM |
| 知识图谱 | NetworkX + Pydantic Structured Output + 时间维度 |
| 检索 | TF-IDF 语义检索 + 关键词回退 |
| 论文搜索 | Semantic Scholar API + arXiv API 自动降级 |
| 记忆 | Hermes-style MEMORY.md + USER.md + Markdown 导出 |
| 实验执行 | subprocess 沙箱 + numpy/scipy/matplotlib |
项目借鉴 Hermes Agent、ReMe、MemU、Zep/Graphiti 等记忆框架，实现轻量级文件系统记忆：
| 记忆层 | 实现 | 灵感来源 |
|---|---|---|
| 用户画像 | memory/USER.md |
用户研究偏好建模 |
| 经验记忆 | memory/MEMORY.md |
Hermes MEMORY.md + ReMe |
| 时间维度 | schema.py 时间字段 |
Zep/Graphiti 时序图谱 |
| 语义检索 | graph_store.py TF-IDF |
ReMe hybrid retrieval |
| 可审计导出 | export_to_markdown() |
MemU 文件系统记忆 |
用于仓库简介的一句话可以写成：
A multimodal academic research Agent for LLM Agent papers: search, PDF/figure understanding, knowledge graph memory, learning paths, and reproducible experiments via MCP.
MIT