[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-75470":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":9,"language":10,"languages":9,"totalLinesOfCode":9,"stars":11,"forks":12,"watchers":12,"openIssues":13,"contributorsCount":13,"subscribersCount":13,"size":13,"stars1d":14,"stars7d":15,"stars30d":16,"stars90d":13,"forks30d":13,"starsTrendScore":12,"compositeScore":17,"rankGlobal":9,"rankLanguage":9,"license":9,"archived":18,"fork":18,"defaultBranch":19,"hasWiki":20,"hasPages":20,"topics":21,"createdAt":9,"pushedAt":9,"updatedAt":22,"readmeContent":23,"aiSummary":24,"trendingCount":13,"starSnapshotCount":13,"syncStatus":15,"lastSyncTime":25,"discoverSource":26},75470,"AcademicAgent","Jennyee1\u002FAcademicAgent","Jennyee1","ScholarMind - 面向大模型Agent领域的多模态学术 Agent | Multimodal Academic Research Agent with Knowledge Graph & Learning Path Planning",null,"Python",338,3,0,1,2,268,1.81,false,"master",true,[],"2026-06-12 02:03:34","# 🧠 ScholarMind\n\n> 面向大模型 Agent 领域的多模态学术研究助手。它可以安装到任意 MCP 宿主中，辅助完成论文检索、PDF\u002F图表理解、知识图谱沉淀、学习路径规划和代码复现实验。\n\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10+-blue.svg)](https:\u002F\u002Fwww.python.org\u002F)\n[![MCP](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProtocol-MCP-green.svg)](https:\u002F\u002Fmodelcontextprotocol.io\u002F)\n\n## ✨ Feature 亮点\n\n| 功能 | 描述 |\n|:---|:---|\n| 🔍 **论文搜索** | 双源搜索（Semantic Scholar + arXiv），429 自动降级 |\n| 📊 **多模态理解** | 理解论文中的图表、公式和系统框图（按需触发，控制 Token） |\n| 🕸️ **知识图谱** | 阅读论文自动构建个人学术知识网络（Pydantic Schema 约束） |\n| 🎯 **学习规划** | 基于知识盲区检测（PageRank），智能推荐学习路径 |\n| 💻 **代码复现** | 将论文方法转化为可执行的仿真代码（沙箱隔离） |\n\n## 🏗️ Architecture\n\n```\nScholarMind\u002F\n├── CLAUDE.md                   ← 宿主入口文档\n├── install.py                  ← 一键安装脚本\n├── mcp_config.example.json     ← MCP 注册模板\n├── memory\u002F                     ← 记忆系统（Hermes\u002FMemU 文件系统范式）\n│   ├── MEMORY.md               ← 经验记忆（≤800 Token，新进旧出）\n│   ├── USER.md                 ← 用户画像（≤500 Token）\n│   ├── experiences\u002F            ← 决策层经验（搜索策略、解析模式）\n│   └── knowledge_export\u002F       ← 图谱可读导出（自动生成）\n├── .agents\u002Fworkflows\u002F          ← 3 个 Workflow (SOP 剧本)\n│   ├── paper-analysis.md       ← \u002Fpaper-analysis\n│   ├── knowledge-build.md      ← \u002Fknowledge-build\n│   └── simulation.md           ← \u002Fsimulation\n├── skills\u002F                     ← 2 个 Skill (操作手册 + CLI 脚本)\n│   ├── paper_reader\u002F           ← 论文解析 (PDF → 文本 + 图片)\n│   └── learning_path\u002F          ← 学习路径 (盲区检测 + 路径规划)\n├── src\u002F\n│   ├── mcp_servers\u002F            ← 3 个 MCP Server (常驻进程)\n│   │   ├── paper_search.py     ← 论文搜索 (Semantic Scholar + arXiv)\n│   │   ├── knowledge_graph.py  ← 知识图谱管理\n│   │   └── code_execution.py   ← 代码沙箱执行\n│   ├── core\u002F                   ← 核心引擎\n│   │   ├── pdf_parser.py       ← PDF 解析 (PyMuPDF, Generator 模式)\n│   │   └── multimodal.py       ← 图表分析 (Strategy 模式)\n│   ├── knowledge\u002F              ← 知识图谱模块\n│   │   ├── schema.py           ← Pydantic + Enum Schema (含 Zep 时间维度)\n│   │   ├── extractor.py        ← LLM 知识抽取 (Structured Output)\n│   │   ├── graph_store.py      ← NetworkX 图存储 + TF-IDF 语义检索 + Markdown 导出\n│   │   └── graph_analyzer.py   ← PageRank 图分析引擎\n│   └── execution\u002F              ← 仿真执行模块\n│       ├── sandbox.py          ← 安全沙箱 (subprocess 隔离)\n│       └── templates.py        ← OFDM\u002FMIMO\u002FMUSIC 仿真模板\n├── prompts\u002F                    ← Prompt 模板库\n└── tests\u002F                      ← 测试套件\n```\n\n## 🚀 Quick Start\n\n### 1. 克隆 & 安装依赖\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FJennyee1\u002FAcademicAgent.git\ncd AcademicAgent\npip install -r requirements.txt\n```\n\n### 2. 配置 API Key\n\n```bash\ncp .env.example .env   # Windows: copy .env.example .env\n# 编辑 .env，填入 MINIMAX_API_KEY\n```\n\n### 3. 一键安装\n\n```bash\npython install.py\n```\n\n这会自动：\n- 检查关键文件完整性\n- 创建 `data\u002F` 目录\n- 从模板生成 `mcp_config.json`（自动填入你的项目路径）\n- 输出注册到宿主的指南\n\n### 4. 注册到宿主\n\n将生成的 `mcp_config.json` 内容合并到你的宿主配置：\n\n| 宿主 | 配置文件位置 |\n|:---|:---|\n| Antigravity | `~\u002F.gemini\u002Fantigravity\u002Fmcp_config.json` |\n| Claude Code | `~\u002F.claude\u002Fmcp_config.json` |\n\n### 5. 开始使用\n\n```\n> \"帮我搜索关于 ISAC channel estimation 的最新论文\"\n> \u002Fpaper-analysis\n> \u002Fknowledge-build\n```\n\n## 🛠️ Tech Stack\n\n| 类别 | 技术 |\n|:---|:---|\n| **协议** | MCP (Model Context Protocol) |\n| **PDF 解析** | PyMuPDF (Generator 模式, 防 OOM) |\n| **知识图谱** | NetworkX + Pydantic Structured Output + Zep 时间维度 |\n| **检索** | TF-IDF 语义检索 (ReMe hybrid retrieval) + 关键词回退 |\n| **搜索** | Semantic Scholar API + arXiv API (自动降级) |\n| **记忆** | Hermes-style MEMORY.md + USER.md + MemU Markdown 导出 |\n| **仿真** | subprocess 沙箱 + numpy\u002Fscipy |\n\n## 🧠 Memory System\n\n借鉴 Hermes Agent、ReMe、MemU、Zep 等记忆框架思想，实现了轻量级文件系统记忆：\n\n| 记忆层 | 实现 | 灵感来源 |\n|:---|:---|:---|\n| 用户画像 | `memory\u002FUSER.md` (≤500 Token) | Mem0 用户建模 |\n| 经验记忆 | `memory\u002FMEMORY.md` (≤800 Token，新进旧出) | Hermes MEMORY.md + ReMe |\n| 时间维度 | `schema.py` 时间字段 | Zep\u002FGraphiti 时序图谱 |\n| 语义检索 | `graph_store.py` TF-IDF | ReMe hybrid retrieval |\n| 可审计导出 | `export_to_markdown()` | MemU 文件系统记忆 |\n\n## 📝 License\n\nMIT\n","ScholarMind 是一个面向大模型Agent领域的多模态学术研究助手，旨在帮助研究人员进行论文检索、PDF和图表理解、知识图谱构建、学习路径规划以及代码复现实验。其核心功能包括双源论文搜索、多模态内容理解、个人学术知识网络的自动构建、基于知识盲区检测的学习路径推荐，以及将论文方法转化为可执行代码的能力。该工具特别适用于需要高效处理大量学术文献、快速掌握新领域知识或复现论文实验的研究场景。采用Python开发，并利用了诸如PyMuPDF、NetworkX等技术来支持其高级功能。","2026-06-11 03:52:54","CREATED_QUERY"]