wp-a/nature-academic-search · 上手攻略

  • 仓库：wp-a/nature-academic-search
  • 链接：https://github.com/wp-a/nature-academic-search
  • 分类：academic-writing / skill
  • 作者：Tom
  • 更新：2026-08-13

是什么

nature-academic-search 是一个面向 Codex / Claude Code 等 AI 编程助手的中文科研文献检索工具，以 MCP Skill（插件）形式安装后，直接在对话中触发多库并行检索、DOI 去重核验、引用格式导出等操作。整个流程在 AI 侧完成可复现的查询记录——每个来源的成功/失败状态均被显式披露，不会给出无法溯源的标题清单。

核心定位：让 AI 编程工具成为可审计的文献调研代理，替代手动打开 PubMed / CrossRef / arXiv / OpenAlex / Europe PMC 五个网页的重复劳动。

解决什么问题

中文科研用户在写开题报告、文献综述时，普遍面临以下痛点：

  1. 多库切换繁琐：CrossRef 查 DOI、PubMed 查 MeSH、arXiv 查预印本——每次都要单独访问，且各库检索语法不同。
  2. 结果无法溯源：LLM 引用论文时容易"捏造"——给一个看似合理但实际不存在的标题或 DOI。
  3. 引用格式混乱：导出 BibTeX / RIS / NBIB 时，需要手动对照期刊格式。
  4. trial 与论文混淆：ClinicalTrials.gov 的注册记录不是正式出版物，但常被混进文献清单。

nature-academic-search 把这四件事统一成一次对话指令：检索 → 去重 → 核验 → 导出，全程带来源记录。

快速安装

前提条件

  • Python 3.10–3.13
  • Codex 或 Claude Code 已安装
  • 推荐注册 NCBI 账号 并获取 NCBI_API_KEY（可选，增幅 PubMed 速率上限）

安装 MCP Skill（推荐方式）

# Codex
codex plugin marketplace add wp-a/nature-academic-search

# Claude Code
claude plugin marketplace add wp-a/nature-academic-search

uv 工具方式（Codex / Claude Code 均可用）

uv tool install nature-academic-search
export PUBMED_EMAIL=researcher@example.com   # 必填，NCBI 要求
nature-academic-search install --client both --email researcher@example.com
nature-academic-search preflight

pipx 方式

pipx install nature-academic-search

从源码安装（尝鲜 main 分支最新修复）

git clone https://github.com/wp-a/nature-academic-search.git
cd nature-academic-search
bash install.sh --client both --email researcher@example.com

⚠️ lookup_mesh 的 ESummary 解析修复在 main 分支，PyPI 0.2.0 尚未包含；如需 MeSH 查词功能，请从源码安装。

核心用法

工具列表（MCP Tool）

Tool 用途
search_papers 并行检索 publication 或 trial，含去重与来源状态
get_paper_by_id 用 DOI / PMID / PMCID / arXiv ID / OpenAlex ID / NCT ID 取回单篇元数据
get_citation 格式化已解析论文为 RIS / BibTeX / NBIB / ENW；trial 返回结构化边界错误
lookup_mesh 查 PubMed MeSH 规范主题词与 ID

基础检索（5 库并行）

在 Codex / Claude Code 对话中直接输入自然语言指令，例如：

使用 $nature-academic-search 查找 2022 年以来 GLP-1 受体激动剂与抑郁风险的论文。
使用默认五个论文源，去重后核验 DOI / PMID / PMCID，区分正式论文和预印本；
对有强标识符的记录用 Semantic Scholar 补充引用指标，最后导出 RIS。
某个来源失败时继续并说明。

返回结构示例（含溯源信息）：

query: "GLP-1 receptor agonists AND depression risk"
entity_type: publication
sources_queried: [crossref, pubmed, arxiv, openalex, europe_pmc]
sources_succeeded: [crossref, pubmed, arxiv, openalex, europe_pmc]
sources_skipped: []
errors: null
raw_result_count: <去重前数量>
result_count: <唯一记录数量>
results:
  - title: <题名>
    sources: [pubmed, europe_pmc]
    source_records: [<来源记录>]
    citation_counts: {openalex: <计数>, semantic_scholar: <计数>}
    citation_count_source: openalex

开题检索（带 MeSH 策略）

使用 $nature-academic-search 为"生成式 AI 在医学教育中的应用与风险"做开题检索。
先记录检索日期和纳入范围，再使用默认论文源检索；按 DOI、PMID、PMCID、arXiv
和 OpenAlex ID 去重。把正式论文、预印本和未解决记录分开，逐源报告成功、失败与
限流状态。不要把本次初筛描述成系统综述，也不要根据引用次数判断证据质量。

引用核验

使用 $nature-academic-search 核验下面的参考文献。先从 DOI / PMID / PMCID / arXiv ID
取回原始元数据，再逐项比较题名、作者、年份和期刊。输出 verified、mismatch、
not_found 或 manual_needed，并解释冲突。

MeSH 查词构建检索式

使用 $nature-academic-search 为"生成式 AI 与医学教育"构建 PubMed 起始检索式。
先分别调用 lookup_mesh 核对 Artificial Intelligence、Generative Artificial Intelligence
和 Education, Medical 的规范主题词与 MeSH ID；再把 MeSH 与题名/摘要自由词分组组合。

命令行独立使用

# 查单篇引用（RIS 格式）
nature-academic-search citation --pmid 28344011 --format ris

# 批量转换
nature-academic-search citation --input refs.txt --format bib --output references/

# 启动本地服务
nature-academic-search serve

# 预检（检查各 API key 是否配置）
nature-academic-search preflight

典型适用场景

  • 开题调研：快速摸清某主题近 5 年论文数量、来源分布，判断是否值得做系统综述。
  • 文献综述辅助：并行查多个库减少遗漏，用强标识符（DOI/PMID）去重避免重复计算。
  • 引用核验：投稿前对照原文核验参考文献的题名、作者、年份，降低退稿风险。
  • ClinicalTrials 追踪：查某新药正在招募的试验，另行核验 linked publications。
  • arXiv 版本追踪：判断某预印本是否已有正式发表版本。
  • MeSH 策略构建：为 PubMed 检索式找到规范主题词，避免自由词遗漏同义词。

⚠️ 本项目不连接 Google Scholar、Web of Science、Scopus、CNKI，不会声称覆盖这些来源。

坑与注意

  1. lookup_mesh 的 PyPI 版本不含最新修复：ESummary 解析 bug 在 main 分支已修复，但 PyPI 0.2.0 尚未包含。需要 MeSH 查词功能时请从源码安装。

  2. PMC 与 PubMed 有重叠：Europe PMC 与 PubMed 存在内容重叠，同一篇论文可能同时出现在两个来源，去重逻辑会正确处理，但请注意 source_records 中可能看到两个来源。

  3. 引用次数口径不同：citation_counts 字段同时列出 OpenAlex 和 Semantic Scholar 两个来源，数字含义不同，不会相加成"全网总引用数"。

  4. trial ≠ 论文：ClinicalTrials.gov 返回的是注册记录，不是同行评审论文。两者严格分开，是本工具的核心设计原则。

  5. 限流与超时：上游 API（尤其是 PubMed）可能限流或超时，errors 字段会记录原因，其他成功来源不受影响。

  6. 不承诺全文获取：本工具只处理元数据、标识符和引用格式化，不自动获取付费全文。

  7. 引用导出后仍需人工核对：导出 RIS / BibTeX 后，请对照期刊官方格式要求调整，作者名缩写规则等细节各期刊不统一。

与同类对比

工具 数据源 去重 引用核验 AI 集成方式 适用场景
nature-academic-search CrossRef + PubMed + arXiv + OpenAlex + Europe PMC（默认 5 个） DOI/PMID/PMCID/ArXiv ID 强标识符优先 ✅ 强标识符逐条核验 MCP Skill → Codex/Claude Code 开题调研 + 文献综述 + AI 辅助写作
Zotero + Better BibTeX 无内置检索，靠手动导入 依赖 Zotero 库内去重 ❌ 无 AI 集成 文献管理 + LaTeX 写作
ResearchRabbit Semantic Scholar 为主 图网络去重 ❌ 无 AI 集成 可视化文献关系探索
citation.js 无检索，靠手动输入 DOI ❌ ❌ 无 AI 集成 浏览器端引用格式化

核心差异：nature-academic-search 是目前唯一一个将「多库并行检索 + 强标识符核验 + 溯源披露」完整闭环并以 MCP Skill 形式集成进 AI 编程工具的方案，开题调研效率提升显著。

一句话推荐结论

写中文科研论文开题 / 文献综述时，先用 $nature-academic-search 做一次可审计的多库检索，比逐个网页查省时且可信——它让 AI 真正成为有记录的文献调研代理。

来源

  • GitHub README：https://github.com/wp-a/nature-academic-search
  • 安装文档：https://github.com/wp-a/nature-academic-search/blob/main/docs/installation.md
  • 案例记录（2026-07-31 实测）：https://github.com/wp-a/nature-academic-search/blob/main/docs/examples/topic-scoping.md
  • PyPI：https://pypi.org/project/nature-academic-search/
  • 官方文档（ReadTheDocs）：当前 README 中未提供 ReadTheDocs 链接，以 GitHub 为准