MCP 最近这么火，你还不知道它是啥吗？别慌，动手实战一番就包你明白了。

你有没有想过让大模型自动给我们搜索、下载、解读文献，一条龙服务？即便像 Deep Research 之类的服务也主要是帮你搜索和整合资源，但不给你下载资源对不。

实际上，是可以手撸一个智能体帮我们干这项大工程的。只是现在不是流行 MCP 嘛，咱们也想通过这种方式来建一个。

马上给你安排上。

本篇将以 arxiv 为例，目标是让你发个话，智能体就帮你搜索、下载文献，甚至解读一条龙到家。

为了照顾不同需求，咱这里贴心地实现了两套方案，

• Trae CN + Cline，功能强大

• Cherry Studio，容易上手

当然，如果你喜欢的话，也不拦着你直接用 Python 开干。

1、MCP

这个概念最近很热，相信大家都见过。这里简要地作个解释，毕竟本篇的主旨是在于动手实践。

你别看网文一篇一篇，不如跟着本篇撸一撸，你就真刀真枪见识过了。

当然，概念了解下还是有必要的。先看一个图，心急的话也可以跳过此图看下面的大白话。

MCP 作为「模型上下文协议」，可以看成专门为 AI 模型设计生态系统服务，它通过一个标准化的协议来管理和交换 AI 模型所需的各种信息，从而实现与各种外部服务和数据源的无缝集成。

用大白话来说，MCP 就像是 AI 模型（比如 DeepSeek、Gemini 等）的「超级翻译官」和「万能助手」。

我们不妨想象一下，AI 模型是个很厉害的专家，但是它自己只会说一种「AI 语言」。它需要跟各种网站、数据库、工具等外部世界打交道才能完成任务。

• 翻译官： 这些「外部世界」说的都是不同的「外语」，即各种不同的数据格式和通信方式。MCP 就负责把 AI 模型说的话翻译成这些外语，也把这些外语翻译成 AI 模型能听懂的话。这样，AI 模型就不用学那么多外语了，只需要跟 MCP 说就行。

• 万能助手： AI 模型有时候需要很多信息才能做好一件事，就像做菜需要菜谱、食材、调料一样。MCP 就负责把 AI 模型需要的所有信息（比如要查的资料、要用的工具、之前的聊天记录等等）都准备好，打包成一个大礼包（上下文），交给 AI 模型。这样，AI 模型就能直接开始工作。

举个例子：

你问 DeepSeek：杭州今天天气怎么样？

DeepSeek 自己没这项功能啊，咋办？它通过 MCP 获知提供这项功能的服务，然后使唤它查询外部天气预报网站，得知今天杭州的天气情况，再将数据整理好，最后给你答案：杭州今天晴，最高 27 度。

所以，MCP 的好处是：

• 简单： AI 模型不用学那么多外语，不用操心那么多杂事，只需要跟 MCP 打交道。
• 方便： 要加新的功能，比如查天气、订机票、下载文献等，只需要让 MCP 学会跟新的外部世界打交道就行，不用改 AI 模型本身。
• 整洁： MCP 把所有乱七八糟的信息都整理好，AI 模型用起来更顺手。

总之，MCP 就是一个让 AI 模型更方便、更强大、更容易跟各种服务和数据打交道的「中间人」。

这时候可以品一下这个图，

2、安装服务

回到主题，我们的目标是自动给咱从 arxiv 上下载文献，那就先搜一下提供这个功能的 MCP 服务器。

找到两个，一个如下图所示，但感觉它主要是搜索，貌似不提供下载业务。

另一个见下图，看起来它是能够下载文献的。这下省事了，必须给一个大赞。

本人用的是 mac，下面的安装流程也是针对它而言。因为手头没有 Windows 电脑，稍微有点差异吧，但问题应该不大，稍微捣鼓一下肯定没问题。

• 安装第一个比较方便，用命令 pip install mcp-simple-arxiv 即可；
• 用 brew install uv 先安装 uv，然后用命令 uv tool install arxiv-mcp-server 安装第二个。

顺利的话，很快就搞定啦。主要一点，你安装过 Python，就方便了。

然后就是在 Cline 里配置，可以用 VS Code 或者 Cursor、Windsurf 之类的。

此处我们用国货 Trae 的国内版，安装插件 Cline 咱就略过了，直接打开 Cline，点击 MCP 服务器。

然后，点击左侧底部的 Configure MCP Servers，像右侧那样填写，然后看到灯绿就算配置好了。

在 Cline 中提供了两种与大模型的交互模式，计划模式（Plan）和执行模式（Act），分别负责智能规划任务和高效执行任务。

3、设置大模型

别忘了在 Cline 里选择大模型！注意，这里需要大模型的 API Key。你可以让 plan 和 act 使用同一个模型，或者让它们分别使用不同模型。比如一个用 deepseek-chat，另一个使用 deepseek-reasoner，像下面这样。

4、论文智能体

好了，现在就是整装待发的状态了。

Cline 默认在左侧，如果你习惯右侧开车的话，像下面这样点击一下即可发射到右侧。

左侧关掉，就可以右侧开车了。

给大模型下达命令：帮我搜一下扩散模型和大语言模型相结合的最新论文。

Gemini 调用 simple-arxiv 搜了 10 篇论文，

继续下命令：把这些论文的摘要和方法概要用中文解读一下，然后存放到一个 Markdown 文件中。

稍等一会儿，左侧就自动出现一个 Markdown 文件，里面就是摘要和对方法的简要解读。

下载论文

接下来，我们让它下载论文。你会发现，这时它会自动调用第二个服务，就是 arxiv-mcp-server。因为第一服务并没有提供下载业务嘛。

它会询问你是否下载到配置好的那个目录里，选 yes。

不一会儿，任务完成。不过你也可以让它给你把文件名改一改。

上面这样子其实是比较泛泛地搜索，如果想让它精细一些，比如让它搜题目中包含 Self-Supervised Learning 的论文。

会发现返回的结果不符要求，只有一篇的题目符合要求。

那就给它明确指示：在 arxiv 上使用 ti: "Self-Supervised Learning" 搜。

这样看着就对路了嘛。

接着，让它给出详细信息，

5、Cherry Studio

如果你没怎么编过程，也许不喜欢 Trae + Cline 这种方式，那咱们也可以使用可爱的小樱桃是不。代价是用不了 Trae 强大的文件编辑能力。

因为我们前面已经安装好相应的工具了，这里只需要配置一下 MCP 服务器即可。

先如下步骤打开配置文件，

然后，可以直接参考我的配置。

{
  "mcpServers": {
    "arxiv-mcp-server": {
      "command": "uv",
      "args": [
        "tool",
        "run",
        "arxiv-mcp-server",
        "--storage-path",
        "~/Documents/arxiv"
      ]
    },
    "simple-arxiv": {
      "command": "/opt/anaconda3/bin/python",
      "args": [
        "-m",
        "mcp_simple_arxiv"
      ]
    }
  }
}

回到上面那个图，启用那里的绿灯点亮的话，就说明 OK 啦。

接着，到聊天界面打开 MCP 服务器。

最后，选择大模型，给它上活。

最后三篇如下，

不错，题目都符合要求。然后，让它下载一篇看看。

好了，今天就到这里了。

怎么样，有没有心动？论文自动下载、自动解读，是不是有很多事情可以搞了？请你发挥想象吧。MCP + 论文，赶紧捣鼓起来吧，别忘了回来交流经验。

一起“点赞”三连↓