☕ Project Caffeine 项目
-brightgreen){kind=icon}
⚠️ 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：
- 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。 - 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。
- 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 |
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。 |
Arabicat Sprint1系统设计文档 | Arabicat Sprint1系统开发文档 |
v0.0.2 |
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 | Arabica Sprint2系统开发文档 |
v0.0.3 |
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 | Arabica Sprint3系统开发文档 |
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 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) 进行许可。