技能介绍

解决文献检索与阅读的割裂问题

在撰写技术博客或进行文献综述时，工程师和研究员经常面临一个痛点：在 arXiv 上搜索到相关论文后，需要手动下载、重命名、归档，然后再把 PDF 喂给 AI 助手进行摘要或分析。这种割裂的流程不仅打断了思考的连贯性，还容易因为手动操作引入错误。此外，直接将 PDF 上传到云端大模型往往面临上下文长度限制，且存在潜在的隐私泄露风险。

基于 MCP 的 arXiv 工作流能力

为了解决上述问题，该技能将 arXiv 的检索与解析能力封装为标准的工具调用，让支持 MCP（Model Context Protocol）的客户端（如 Claude Desktop、VS Code 或 Kiro）能够直接在本地环境完成文献的获取与分析。
其核心工作流包含以下关键步骤：

精准检索与下载：助手通过 MCP 接口直接向 arXiv 发起搜索，并将选定的论文下载到本地存储。
依赖调用顺序：在阅读论文全文前，必须先调用 download_paper 工具。只有完成本地下载后，才能请求解析。
流式分页阅读：对于篇幅较长的论文，系统不会一次性返回全部内容。你需要使用 start 和 max_chars 参数，并结合返回的 next_start 值进行分页读取，从而绕过模型的上下文窗口限制。
有据可查的综述：结合研究提示词（research prompts），助手能够基于本地真实文本进行 grounded literature review，避免大模型常见的“幻觉”引用。

适用边界与安全注意点

虽然该工作流极大地简化了文献处理链路，但在实际应用中仍需注意其边界和潜在风险：

环境依赖：需要本地环境支持 Python 3.11+ 以及标准的 stdio MCP 宿主。
提示词注入风险：arXiv 上的论文 PDF 或元数据可能包含恶意的提示词注入（Prompt Injection）。例如，某些示例可能会诱导助手泄露数据、调用非预期工具、执行本地命令或访问外部 URL。在处理未知或可疑论文时，建议开启严格的权限隔离。
测试与验证：在正式投入生产环境前，建议先运行完整的测试套件以验证工具链的稳定性。