综合介绍
MCP Server Deep Research 是一个开源工具，通过人工智能和网页搜索，自动为复杂问题生成结构化的研究报告。用户输入研究问题，工具会分解问题、搜索权威信息、评估来源可信度，并生成包含引用的 Markdown 报告。它基于 Model Context Protocol (MCP)，与 Claude Desktop 等平台无缝集成，适合学术研究、市场分析和内容创作。
功能列表
- 自动分解研究问题，生成子问题，覆盖主题多方面。
- 集成网页搜索，查找权威信息，收集多样化观点。
- 评估来源可信度，生成 0 到 1 的评分。
- 整合多源信息，生成结构化的 Markdown 研究报告。
- 支持自定义研究深度和广度，控制报告详细程度。
- 提供清晰引用列表，确保内容可追溯。
- 与 Claude Desktop 等 MCP 兼容平台集成，扩展功能。
使用帮助
安装流程
要使用 MCP Server Deep Research，需要安装 Python 环境并配置 Claude Desktop。以下是详细步骤：
- 检查系统要求
- 确保安装 Python 3.8 或更高版本。运行以下命令检查：
python --version - 安装 Git，用于下载项目代码：
git --version - 推荐使用虚拟环境，避免依赖冲突：
python -m venv venv source venv/bin/activate # Linux/Mac venv\Scripts\activate # Windows
- 确保安装 Python 3.8 或更高版本。运行以下命令检查：
- 克隆项目仓库
从 GitHub 下载代码：git clone https://github.com/reading-plus-ai/mcp-server-deep-research.git cd mcp-server-deep-research - 安装依赖
项目使用uv管理依赖，但仓库未提供requirements.txt文件。根据官方文档和类似项目的惯例，推测依赖包括requests、pydantic等 Python 库。安装uv：pip install uv由于缺少
requirements.txt，建议直接运行项目并根据报错手动安装缺失库，或参考官方文档后续更新。通常需要的库可通过以下命令尝试安装：pip install requests pydantic如果项目更新了依赖管理（如添加
pyproject.toml或requirements.txt），请检查 GitHub 仓库的最新提交。 - 安装 Claude Desktop
- 从 claude.ai/download 下载 Claude Desktop（支持 macOS 和 Windows）。
- 安装后，打开应用并登录，确保网络连接正常。
- 配置 MCP Server
编辑 Claude Desktop 的配置文件，添加 MCP Server 设置：- 配置文件路径：
- macOS:
~/Library/Application Support/Claude/claude_desktop_config.json - Windows:
%APPDATA%\Claude\claude_desktop_config.json
- macOS:
- 添加以下内容（已发布服务器配置）：
{ "mcpServers": { "mcp-server-deep-research": { "command": "uvx", "args": ["mcp-server-deep-research"] } } } - 如果使用开发版服务器，配置为：
{ "mcpServers": { "mcp-server-deep-research": { "command": "uv", "args": [ "--directory", "/path/to/mcp-server-deep-research", "run", "mcp-server-deep-research" ] } } }将
/path/to/mcp-server-deep-research替换为实际项目路径。
- 配置文件路径：
- 启动服务器
在项目目录运行：uv run mcp-server-deep-research启动后，服务器加载
deep-research提示模板，准备接受研究问题。如果提示缺少依赖，安装报错中提到的库。
使用方法
MCP Server Deep Research 的核心功能是自动化研究报告生成。以下是操作流程：
1. 准备研究问题
在 Claude Desktop 中，打开 MCP 提示模板，选择 deep-research。输入具体研究问题，例如：
- “分析人工智能在医疗领域的应用”
- “研究可持续能源的最新技术进展”
明确的问题能提高报告质量。
2. 配置研究参数
通过 JSON 配置调整参数：
depth：研究深度（1-5，值越高越详细）。breadth：研究广度（1-10，值越高覆盖主题越多）。
示例：
{
"query": "人工智能在医疗领域的应用",
"depth": 3,
"breadth": 5
}
在 Claude Desktop 输入界面设置参数。
3. 执行研究
提交问题后，工具自动执行：
- 问题细化 ：分解主问题为子问题（如“AI 在诊断中的作用”“AI 在药物研发中的应用”）。
- 网页搜索 ：使用 Claude 的内置搜索，查找学术文章、新闻等。
- 内容分析 ：评估来源可信度（评分 0-1，基于权威性和时效性），筛选高质量信息。
- 报告生成 ：整合信息，生成 Markdown 报告，包含概述、分析、结论和引用。
4. 查看报告
报告保存至 dist/ 文件夹，文件名为研究问题的简短描述（如 ai_medical_applications.md）。报告结构：
- 引言 ：概述问题和目标。
- 主体 ：分段呈现子问题分析。
- 结论 ：总结关键发现。
- 引用 ：列出来源及其可信度评分。
用户可打开 Markdown 文件，或导入 Obsidian 等工具编辑。
5. 调试与日志
如果报告生成失败，检查日志：
- macOS:
tail -n 20 -f ~/Library/Logs/Claude/mcp*.log - Windows:
Get-Content -Path "$env:APPDATA\Claude\logs\mcp*.log" -Tail 20 -Wait
日志显示搜索过程和错误信息。
特色功能操作
- 子问题生成 ：自动拆分复杂问题，如“可持续能源”分解为“太阳能技术进展”“风能成本效益”。
- 可信度评估 ：来源评分 0-1，高于 0.7 的优先使用，评分依据包括权威性和时效性。
- Markdown 报告 ：格式统一，包含标题、段落、引用，适合学术或专业用途。
- 灵活参数 ：调整
depth和breadth，生成简短概述或详细分析。
注意事项
- 确保 Claude Desktop 登录且网络稳定，搜索功能需互联网。
- 过高的
depth或breadth可能延长运行时间，初次使用建议默认值（depth=2,breadth=4）。 - 定期检查 GitHub 仓库
main分支，获取更新。 - 缺少
requirements.txt可能导致安装问题，建议关注官方文档更新或提交 issue 询问。
开发者支持
如果需要自定义功能，参考官方文档的“开发”部分：
- 同步依赖 ：
uv sync
- 构建分发包 ：
uv build
生成的包位于 dist/ 目录。
- 发布到 PyPI ：
uv publish
开发者可通过 GitHub 提交 pull request，贡献代码或文档。
应用场景
- 学术研究
研究生撰写文献综述，输入问题后，工具搜索学术资源、生成报告，节省整理时间。 - 市场分析
分析师研究行业趋势，如“2025年云计算市场预测”，工具收集权威数据，生成分析报告。 - 内容创作
记者准备文章背景资料，工具提供可靠信息和引用，生成结构化报告。 - 教育支持
教师准备教学材料，输入主题后，工具生成包含最新信息的报告，适合课堂使用。
QA
- MCP Server Deep Research 是否需要付费？
完全免费，采用 MIT 许可证，代码公开于 GitHub。 - 必须使用 Claude Desktop 吗？
是的，当前版本依赖 Claude Desktop 的 MCP 框架。 - 报告可信度如何保证？
通过可信度评分（0-1）筛选来源，优先使用评分高于 0.7 的信息，用户可验证引用。 - 支持离线使用吗？
不支持，网页搜索需网络连接。 - 如何处理缺少 requirements.txt 的问题？
尝试安装常见库（如requests、pydantic），或关注 GitHub 仓库更新，提交 issue 询问。
简体中文 
English 
日本語 
Deutsch 
Português do Brasil