forked from new_org/Project-Caffeine
134 lines
11 KiB
Markdown
134 lines
11 KiB
Markdown
<!--
|
||
---
|
||
title: Project Caffeine README
|
||
description: 基于 Model Context Protocol (MCP) 协议的研报智能体系统项目介绍、架构蓝图、技术栈说明及开发路线图
|
||
type: README
|
||
version: v1.0.3(Arabica)
|
||
file: README.md
|
||
author: Gitconomy Research-郭晧
|
||
date: 2026-02-28
|
||
last-update: 2026-03-08
|
||
update-description: 新增Arabica v0.0.3(Sprint3)架构设计和开发文档指南的链接
|
||
tags:
|
||
- Project Caffeine
|
||
- MCP
|
||
- AI Agent
|
||
license: CC BY-SA 4.0
|
||
status: Active
|
||
---
|
||
-->
|
||
# ☕ Project Caffeine 项目
|
||
|
||
-brightgreen)
|
||
|
||
> **⚠️ 项目状态说明**：本项目目前正处于**设计和开发规划阶段**。
|
||
|
||
**Project Caffeine** 是一个基于 **Model Context Protocol (MCP)** 协议的研报智能体系统，旨在自动化信息检索、深度推理和结构化报告生成。通过精细的语义分块和多步推理，系统高效处理海量文献数据，并提供具有深度的研究洞察，帮助知识工作者快速获得有价值的研究结果并构建个人知识库。
|
||
## 1. 项目背景与目标
|
||
|
||
在现代研究和知识工作中，海量的文献数据和复杂的推理任务常常让研究人员面临巨大的挑战。**Project Caffeine** 旨在通过 **MCP协议** 和先进的 AI 技术，自动化这一过程。项目的核心目标是：
|
||
|
||
- **自动化文献检索**：从多个学术资源和数据库中自动获取相关文献。
|
||
- **深度推理与分析**：基于大语言模型进行多步推理，生成研究报告和洞察。
|
||
- **报告生成与结构化**：通过标准化的模板生成结构化、易于阅读的研究报告。
|
||
- **个人知识库构建**：帮助用户构建自己的文献和研究知识库，支持长期存储和高效检索。
|
||
|
||
---
|
||
|
||
## 2.系统架构设计蓝图
|
||
|
||
*图1-1：研报智能体系统架构拓扑示意图*
|
||
|
||
|
||
|
||
根据提供的系统拓扑图及项目文档，Project Caffeine 的系统框架设计基于 **MCP (Model Context Protocol)** 架构，旨在构建一个深度研究助理智能体。该系统通过解耦执行、策略与数据层，实现了从意图拆解到学术文献检索，再到本地知识库沉淀的全链路闭环。
|
||
|
||
### 2.1 系统分层架构设计
|
||
|
||
系统由四个核心物理与逻辑区域组成，通过标准协议进行通信：
|
||
|
||
- **用户层 (本地运行环境)**：研究人员通过支持 MCP 的客户端（如 Claude Desktop 或 Cursor）发起指令。客户端负责大模型的上下文管理与协议调度，并通过 HTTPS 与远程大模型（如 OpenAI 或 Anthropic API）进行异步通信。
|
||
- **MCP 传输协议层**：作为客户端与 Server 之间的桥梁，支持 **stdio**（本地进程间同步通信）和 **SSE / HTTP**（异步/远程通信）两种模式，统一采用 **JSON-RPC 2.0** 标准。
|
||
- **单体 MCP Server (核心逻辑层)**：系统的中枢，由三大核心原语组成，负责执行具体的研究逻辑。
|
||
- **外部与本地基础设施**：包括云端的学术数据库（如 arXiv、Semantic Scholar）和本地的持久化存储（如 Obsidian 知识库）。
|
||
|
||
### 2.2 MCP 三大核心原语分工
|
||
|
||
系统框架严格遵循 MCP 规范，将功能划分为 Tools、Prompts 和 Resources 三大部分：
|
||
|
||
|**原语名称**|**核心职责 (Core Responsibility)**|**典型工具与指令示例**|**所属 Server 角色**|
|
||
|---|---|---|---|
|
||
|**Tools (工具)**|**动作执行者**：暴露给模型的主动操作，负责与外部学术 API 通信或执行本地文件 I/O。|`search_academic_literature`, `save_to_local_vault`|**S1: 执行者 (Executor)**|
|
||
|**Prompts (提示词)**|**策略军师**：提供结构化的思维框架模板，用于指导大模型进行意图拆解与深度推理。|`5W3H`, `SCQA`, `5 Whys`, `generate_search_queries`|**S2: 军师 (Strategist)**|
|
||
|**Resources (资源)**|**数据管家**：被动的静态上下文数据源，允许模型以只读方式挂载本地知识库内容。|`vault://local_literature/`, `note://local/`|**S1/S3: 数据管家/分析师**|
|
||
|
||
### 2.3 原语协同逻辑要点
|
||
|
||
拓扑图展示了系统内部的协同工作流：
|
||
|
||
1. **动态策略驱动**：当用户输入模糊主题时，系统首先调用 **Prompts 原语** 中的 `generate_search_queries` 将意图降维并转化为专业检索词。
|
||
2. **物理链路执行**：大模型根据拆解后的 Query，通过 **Tools 原语** 调用外部 API（如 arXiv）并执行“双轨制落盘”，将 JSON 数据转化为带有 YAML 元数据的 Markdown 文件。
|
||
3. **知识闭环构建**：在递归深挖阶段，模型通过 **Resources 原语** 回读已保存在本地知识库中的文献卡片，确保后续的推理基于已获知的“先验知识（Learnings）”。
|
||
|
||
---
|
||
|
||
## 3. 开发框架与技术栈说明
|
||
|
||
*图：1-2：Project Caffeine开发框架与技术栈架构图*
|
||
|
||
|
||
|
||
为确保系统的高并发处理能力与协议严谨性，Project Caffeine 采用以下核心开发框架与技术标准：
|
||
|
||
| 层次 | 技术选型 |
|
||
| ------------ | ---------------------------------------------------------- |
|
||
| **核心语言** | TypeScript（所有核心功能强制使用） |
|
||
| **运行环境** | Node.js LTS v20+（异步非阻塞 I/O） |
|
||
| **协议层** | MCP SDK（`@modelcontextprotocol/sdk`），支持 `stdio` 与 `SSE` 传输 |
|
||
| **包管理** | npm（单体仓库，单一 `package.json`） |
|
||
| **校验工具** | Zod（运行时类型校验与参数验证） |
|
||
| **HTTP 客户端** | axios（封装学术 API 调用，支持重试与速率限制） |
|
||
| **日志工具** | winston / log4js（生产级日志记录） |
|
||
| **测试工具** | Jest + k6（单元测试与负载压测） |
|
||
| **调试工具** | VS Code 断点调试（通过 `--inspect` 挂载） |
|
||
|
||
---
|
||
|
||
## 4. 项目开发路线图
|
||
|
||
本系统的开发将遵循“敏捷迭代、核心优先、由浅入深”的研发原则。为了确保开发过程的稳健性，整个生命周期被划分为五个渐进式阶段，从最基础的物理检索链路起步，逐步叠加思维框架、递归推理算法，最终实现与本地个人知识库的完美融合。每个阶段均能独立跑通并产出具备核心价值的最小可行性产品（MVP）。
|
||
|
||
*图1-3：Project Caffeine MVP阶段开发路线图*
|
||
|
||
|
||
|
||
当前开发进度：
|
||
|
||
| **版本** | **开发目标** | **设计文档** | 开发文档 |
|
||
| ---------------------------------------------------- | -------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------ | ----------------------------------------------------------------------------------------------------- |
|
||
| [`v0.0.1`](./projects/arabica/src/sprint1/README.md) | 部署基于 Node.js 的开发环境，验证 MCP 协议组件间通讯、大语言模型推理等基本运行环境。<br> | [Arabicat Sprint1系统设计文档](./projects/arabica/docs/design/arabica-sprint1-architecture-specification.md) | [Arabicat Sprint1系统开发文档](./projects/arabica/docs/design/arabica-sprint1-development-specification.md) |
|
||
| [`v0.0.2`](./projects/arabica/src/sprint2/README.md) | 基于 Sprint 1 原型，扩展为支持 MCP Prompts 原语的多框架引擎，实现意图拆解工具与本地知识库集成，构建模块化、可扩展的提示词策略服务器。 | [Arabica Sprint2系统设计文档](./projects/arabica/docs/design/arabica-sprint2-architecture-specification.md) | [Arabica Sprint2系统开发文档](./projects/arabica/docs/design/arabica-sprint2-development-specification.md) |
|
||
| [`v0.0.3`](./projects/arabica/src/sprint3/README.md) | 构建文献查询 Server，集成学术 API 实现基础外围检索能力，并开发双轨制数据落盘模块，将离散的 JSON 数据转换为带有标准 YAML 元数据的本地化 Markdown 文件。 | [Arabica Sprint3系统设计文档](./projects/arabica/docs/design/arabica-sprint3-architecture-specification.md) | [Arabica Sprint3系统开发文档](./projects/arabica/docs/design/arabica-sprint3-devekopment-specification.md) |
|
||
|
||
---
|
||
|
||
## 5. 参与设计讨论
|
||
|
||
当前系统正处于设计阶段，我们欢迎任何针对 项目的架构设计、功能建议、开发框架发起讨论。您可以浏览仓库内的 `docs/design/` 蓝图文件，并通过提交 Issue 参与我们的讨论！
|
||
|
||
---
|
||
|
||
## 6. AI生成内容声明
|
||
|
||
**Project Caffeine** 项目的核心驱动力依赖于大语言模型（LLM）进行自动化推理和文本生成。系统通过先进的推理算法和深度学习模型，自动处理信息检索、分析和报告生成。然而，尽管系统能够提供高效、结构化的研究成果，**所有AI生成的内容仍需经过人工核实**。
|
||
|
||
在使用 AI 生成的报告和分析时，用户应进行独立的学术严谨性核实和数据交叉验证，确保所生成内容的准确性和可信度。所有通过 **Project Caffeine** 生成的结果仅作为参考，最终的研究结论应由专业人员根据实际情况作出判断。
|
||
|
||
---
|
||
|
||
## 7. 许可证说明
|
||
|
||
本项目**源代码**采用 [MIT License](https://opensource.org/licenses/MIT) 进行许可，允许在满足许可证条款的前提下，自由地使用、复制、修改、合并、发布、分发、再许可和/或销售软件的副本。
|
||
|
||
**所有研究成果**（包括但不限于论文、数据、图表、模型、方法论描述等）默认使用 [知识共享署名-相同方式共享 4.0 国际许可协议 (CC BY-SA 4.0)](https://creativecommons.org/licenses/by-sa/4.0/deed.en) 进行许可。
|