🧬 Advanced Academic Research Tool with MCP Integration

Production-ready akademický výzkumný nástroj s Model Context Protocol (MCP) podporou, optimalizovaný pro M1 MacBook a enterprise nasazení.

✨ Klíčové funkce

🔬 Pokročilý akademický výzkum

• Multi-source scraping: Wikipedia, PubMed, OpenAlex s inteligentním rate limitingem
• AI-powered analýza: Automatické hodnocení kvality zdrojů a důkazů
• Safety assessment: Inteligentní bezpečnostní hodnocení výzkumných témat
• Intelligent caching: Pokročilý cache systém s kompresí a automatickou expirací

🤖 Model Context Protocol (MCP) integrace

• 5 pokročilých MCP serverů: Web automation, Brave Search, GitHub, Fetch, Puppeteer
• Tool-based architektura pro seamless AI agent integraci
• RESTful API s komprehenzivními endpointy
• Real-time výzkumné schopnosti

⚡ M1 MacBook optimalizace

• Memory-efficient caching s detekci tlaku paměti
• Energy-optimized retry logika a connection pooling
• Thread-safe implementace napříč všemi komponenty
• Minimální resource footprint

🏭 Production-ready funkce

• Docker kontejnerizace s health checks a multi-stage buildy
• Prometheus monitoring a Grafana dashboardy
• Comprehensive error handling a structured logging
• Scalable unified architektura

🚀 Rychlý start

Předpoklady

• Python 3.11+
• Docker & Docker Compose
• Git

1. Instalace a setup

git clone https://github.com/Hamulda/advanced-academic-research-tool.git
cd advanced-academic-research-tool
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -r requirements.txt

2. Základní použití

# Rychlý výzkumný dotaz
python core/main.py --query "BPC-157 dosing protocol" --type comprehensive --verbose

# Bezpečnostní hodnocení
python core/main.py --query "Nootropics safety" --type safety --evidence high

# JSON výstup pro API integraci
python core/main.py --query "Peptide research" --format json

3. Docker deployment

# Development
docker-compose up -d

# Production
docker-compose -f docker-compose.yml -f docker-compose.prod.yml up -d

📖 Pokročilé použití

Research módy

• quick - Rychlé vyhledávání s cache prioritou
• balanced - Vyvážený přístup rychlost/kvalita
• comprehensive - Hloubkový výzkum všech zdrojů
• safety - Zaměřeno na bezpečnostní aspekty
• dosage - Specializace na dávkování a protokoly

Evidence levely

• high - Pouze peer-reviewed a high-impact zdroje
• medium - Včetně kvalitních sekundárních zdrojů
• all - Všechny dostupné zdroje s hodnocením

Output formáty

• brief - Stručné shrnutí s klíčovými body
• detailed - Kompletní analýza s odkazy
• expert - Technický formát pro odborníky
• json - Strukturovaná data pro API

🔧 Architektura

┌─────────────────┬──────────────────┬─────────────────┐
│   Core Engine   │   MCP Servers    │   Monitoring    │
├─────────────────┼──────────────────┼─────────────────┤
│ • Main App      │ • Web Automation │ • Prometheus    │
│ • Research Orch │ • Brave Search   │ • Grafana       │
│ • Cache System  │ • GitHub Tools   │ • Health Checks │
│ • Config Mgmt   │ • Fetch Tools    │ • Performance   │
└─────────────────┴──────────────────┴─────────────────┘

Klíčové komponenty

• UnifiedBiohackingResearchTool: Hlavní orchestrátor
• IntelligentResearchOrchestrator: AI-powered research engine
• UnifiedCacheManager: Pokročilý cache systém
• WebAutomationMCPServer: Web scraping a automatizace
• AcademicScraper: Specializovaný scraper pro vědecké zdroje

📊 Performance optimalizace

Cache systém

# Automatické cache s TTL
@cached(ttl=3600, key_prefix="research")
async def research_function(query: str):
    return await expensive_operation(query)

# Manuální cache operace
cache = get_cache_manager()
await cache.set("key", data, ttl=1800)
result = await cache.get("key")

Rate limiting

• Exponential backoff pro API calls
• Per-domain rate limiting
• Circuit breaker pattern pro API ochranu
• Intelligent retry s jitter

🔐 Bezpečnost

• Input sanitization: Ochrana proti injection útokům
• SSL/TLS: Secure komunikace s external APIs
• Non-root Docker: Bezpečnostní hardening kontejnerů
• Rate limiting: Ochrana proti abuse
• Audit logging: Kompletní audit trail

📈 Monitoring a metriky

Prometheus metriky

• Request latency a throughput
• Cache hit/miss ratios
• Error rates po komponentách
• Resource utilization

Grafana dashboardy

• Real-time performance monitoring
• System health overview
• Research query analytics
• Cache performance metrics

Přístup na http://localhost:3000 (admin/admin123)

🧪 Testování

# Spuštění všech testů
python optimized_test_suite.py

# Performance benchmark
python -c "from optimized_test_suite import run_performance_benchmark; run_performance_benchmark()"

# Integration testy
pytest tests/ -v

# Type checking
mypy core/ mcp_servers/ cache/

🛠️ Development

Struktura projektu

├── core/                   # Hlavní aplikační logika
├── mcp_servers/           # MCP server implementace
├── cache/                 # Cache systémy
├── monitoring/            # Monitoring konfigurace
├── optimization/          # Performance optimalizace
├── tests/                 # Test suites
└── docker-compose.yml     # Orchestrace služeb

Přidání nových funkcí

1. Vytvořte feature branch
2. Implementujte s testy
3. Ověřte performance impact
4. Aktualizujte dokumentaci
5. Vytvořte pull request

📝 API dokumentace

REST endpoints

# Health check
GET /health

# Research endpoint
POST /research
{
  "query": "research topic",
  "type": "comprehensive",
  "evidence_level": "high"
}

# Cache statistics
GET /cache/stats

# Performance metrics
GET /metrics

MCP Tools

• scrape_url: Web scraping s CSS selektory
• extract_links: Link extrakce s filtering
• browser_screenshot: Screenshot capture
• get_page_info: Detailní page analýza
• search_academic: Akademické databáze search

🚀 Production deployment

Docker Compose služby

• research-app: Hlavní aplikace
• redis: Cache a session storage
• prometheus: Metrics collection
• grafana: Visualization
• nginx: Reverse proxy a load balancing

Environment variables

ENVIRONMENT=production
REDIS_URL=redis://redis:6379
DATABASE_URL=sqlite:///data/app.db
PROMETHEUS_URL=http://prometheus:9090

🤝 Přispívání

1. Fork repository
2. Vytvořte feature branch (git checkout -b feature/AmazingFeature)
3. Commit změny (git commit -m 'Add AmazingFeature')
4. Push do branch (git push origin feature/AmazingFeature)
5. Otevřete Pull Request

📄 Licence

Distributed under the MIT License. See LICENSE for more information.

🙏 Poděkování

• Model Context Protocol za MCP framework
• FastAPI za výkonný web framework
• Playwright za browser automation
• Prometheus a Grafana za monitoring

📞 Kontakt

Vojtěch Hamada - @Hamulda

Project Link: https://github.com/Hamulda/advanced-academic-research-tool

---

⚠️ Disclaimer: Tento nástroj je určen pouze pro výzkumné účely. Vždy konzultujte s odborníky před implementací jakýchkoli doporučení.