Skip to content

zzmnxn/Research_agent

BranchesTags
 
 

Repository files navigation

image

Research Agent

로컬에서 실행하는 MCP 기반 연구 워크스페이스입니다.

논문 검색 → 필터링/랭킹 → PDF 다운로드 → 텍스트/이미지 추출 → 섹션 분석 → 최종 리포트 생성 → 그래프 탐색 → 노트 저장/외부 연동

현재 코드 기준으로 이 레포는 크게 세 계층으로 나뉩니다.

  • mcp-server: 실제 도구 실행 계층. PDF 처리, arXiv 검색/다운로드, 랭킹, 리포트, Notion/Discord 연동, 백그라운드 파이프라인 API를 제공합니다.
  • agent: OpenAI 기반 오케스트레이션 계층. MCP 도구 스키마를 읽고, 계획/도구 호출/응답 생성을 담당합니다.
  • web: React/Vite UI. 그래프, 랭킹 리스트, 노트 페이지, 계정 설정, 채팅 팝업, 파이프라인 실행 화면을 제공합니다.

1. 이 프로젝트로 할 수 있는 일

1.1 논문 수집

  • arXiv 검색 / 상세 조회 / PDF 다운로드
  • NeurIPS 2025 / ICLR 2025 논문 탐색 및 랭킹
  • 로컬 ./pdf/ 폴더에 넣은 PDF를 바로 분석 대상으로 사용

1.2 PDF 처리

  • PDF 목록 조회
  • 텍스트 추출
  • 이미지 추출
  • 텍스트+이미지 통합 추출(extract_all)
  • 전체 PDF 일괄 처리(process_all_pdfs)
  • PDF 메타데이터 조회
  • 추출 텍스트 재로딩
  • 추출 텍스트에서 GitHub 링크 자동 탐지

1.3 사용자 맞춤 랭킹

  • 사용자 프로필(users/profile.json) 기반 추천
  • 하드 필터:
    • 이미 읽은 논문 제외
    • 블랙리스트 키워드 제외
    • 연도 조건 필터링
  • 시맨틱 유사도 계산
  • 6차원 메트릭 평가
  • 최종 Top-K 선정
  • 필요 시 contrastive paper 추천

1.4 자동 분석 파이프라인

  • 로컬 PDF 파이프라인: 선택한 PDF들을 백그라운드에서 분석
  • 컨퍼런스 파이프라인: arXiv 또는 NeurIPS에서 검색→랭킹→다운로드→추출→분석을 자동 실행
  • 분석 모드:
    • quick
    • standard
    • deep
image

1.5 리포트 / 섹션 분석 / QA

  • 전체 요약 리포트 생성
  • 섹션 헤딩 추출
  • 전략 기반 섹션 선택
  • 섹션별 분석
  • 논문 QA
  • 최종 종합 리포트 생성
  • Discord full/summary 알림 전송

1.6 그래프 탐색

  • Global Paper Graph
  • Paper Reference Graph
  • 기존 노드에 점진적으로 reference subgraph를 확장하는 방식 지원
image image

1.7 노트 워크스페이스

  • 논문별 노트 페이지
  • 섹션별 노트
  • 번역 / 분석 / QA 결과를 별도 페이지 상태로 저장
  • 자동 저장(localStorage + 파일 시스템)
  • Notion으로 저장 가능
image

1.8 외부 연동

  • OpenAI API: 에이전트 추론, 번역, 리포트, 채팅
  • Tavily API: 실시간 웹 검색
  • Notion OAuth: 노트 저장
  • Discord Webhook: full/summary 알림
image

1.9 관측성과 저장

  • 프롬프트/응답 JSONL 로깅
  • output/agent_status/*.json 상태 파일
  • output/agent_reports/ 최종 리포트
  • 논문별 출력 산출물 영속화

2. 아키텍처

flowchart LR
    B[Browser] --> W[web<br/>React + Vite]
    W -->|/api proxy| M[mcp-server<br/>FastAPI + MCP Tools]
    W -->|/api/chat| A[agent<br/>FastAPI + OpenAI]
    A -->|tool schema + execute| M

    M --> PDF[(./pdf)]
    M --> OUT[(./output)]
    W --> OUT
    W --> DATA[(./data)]
    A --> OUT
Loading

요청 흐름 요약

  1. 사용자는 http://localhost:3000에서 UI를 엽니다.
  2. 웹 UI는 대부분의 작업을 '/api' -> mcp-server로 프록시합니다.
  3. 채팅은 '/api/chat'을 통해 research-agent:8001/chat으로 전달됩니다.
  4. Agent는 MCP 서버의 /tools/schema를 읽고, 필요한 도구를 호출하며 응답을 생성합니다.
  5. 산출물은 ./output/ 아래에 누적 저장됩니다.

3. 레포 구조

Research_agent/
├─ agent/               # LLM 오케스트레이션 계층
│  ├─ client.py         # OpenAI 툴 호출 루프
│  ├─ server.py         # /chat, /health FastAPI 서버
│  ├─ planner.py        # 계획 생성
│  ├─ executor.py       # 의존성 기반 실행기
│  └─ memory.py         # 대화/툴 호출/플랜 상태 저장
├─ mcp/                 # MCP 도구와 서버
│  ├─ server.py         # /tools, /pdf/*, /agent/*, /notion/* 등
│  ├─ registry.py       # mcp/tools 자동 발견/등록 SSOT
│  └─ tools/            # PDF, arXiv, rank, graph, notion, web search 등
├─ web/                 # React + Vite 프론트엔드
│  ├─ pages/            # Home / Graph / Note / ICLR / NeurIPS 페이지
│  ├─ components/       # 사이드바, 랭킹 리스트, 채팅, 계정 설정 등
│  ├─ lib/mcp.ts        # MCP REST client
│  └─ vite.config.ts    # /api 프록시 + 로컬 파일/메타데이터 미들웨어
├─ data/                # 컨퍼런스 CSV, 사전 계산된 임베딩/유사도/클러스터
├─ instruction/         # 도구/파이프라인 문서
├─ pdf/                 # 입력 PDF 저장소
├─ output/              # 추출/리포트/상태/프로필/런타임 설정 저장
├─ runtime/             # 서비스 설정 로딩 코드
├─ logs/                # LLM 프롬프트/응답 로그
├─ tests/               # 통합/랭킹/번역 테스트
├─ requirements/        # Python requirements 분리
├─ docker/              # 각 서비스용 Dockerfile 및 엔트리포인트
└─ docker-compose.yml   # 3개 서비스 스택 정의

4. Docker로 실행하기

4.1 사전 준비

필수:

  • Docker Engine + Docker Compose v2
  • OpenAI API Key

선택:

  • Tavily API Key (실시간 웹 검색이 필요할 때)
  • Notion 연결
  • Discord Webhook

4.2 빌드

docker compose build

4.3 최소 스택 실행

docker compose up -d mcp-server web

이 조합으로 가능한 것:

  • PDF 처리
  • 그래프 탐색
  • 랭킹 페이지
  • 노트/리포트 UI
  • 계정 설정
  • 대부분의 MCP 직접 호출 기반 기능

주의:

  • 채팅 팝업은 agent 서비스가 없으면 동작하지 않습니다.
  • UI는 열리지만, /api/chat은 Agent 서버에 포워딩되므로 agent 컨테이너가 내려가 있으면 채팅 응답에 unavailable 메시지가 뜹니다.

4.4 전체 스택 실행

docker compose up -d mcp-server web agent

또는 이미 최소 스택을 올렸다면:

docker compose up -d agent

4.5 상태 확인

docker compose ps
docker compose logs -f mcp-server
docker compose logs -f web
docker compose logs -f agent

헬스체크:

curl http://localhost:8000/health
curl http://localhost:8000/tools
curl http://localhost:8000/tools/schema
curl http://localhost:8001/health

4.6 첫 실행 후 해야 할 일

  1. 브라우저에서 http://localhost:3000 접속
  2. 우상단 Account 버튼 클릭
  3. 필요한 키 저장
    • OpenAI API Key
    • Tavily API Key (선택)
  4. 필요하면 Notion 연결
  5. 필요하면 Discord webhook 저장

런타임 자격 증명 저장 방식

비밀 키는 .env에서 읽지 않습니다.
웹 UI에서 저장한 값은 아래 파일에 저장됩니다.

output/_runtime/service_settings.json

특징:

  • MCP 서버와 Agent가 런타임에 이 파일을 읽음
  • 저장 후 재시작이 필요 없음
  • Git에 커밋하지 않는 것이 맞음

4.7 PDF 넣기

분석할 PDF를 아래 폴더에 넣습니다.

./pdf/

하위 폴더도 사용할 수 있습니다.
예: ./pdf/neurips2025/*.pdf

4.8 중지

docker compose down

출력 산출물(./output)과 입력 PDF(./pdf)는 bind mount이므로 유지됩니다.

5. docker-compose 구성 상세

서비스 포트 역할 주요 볼륨
mcp-server 8000 도구 실행 / REST API / 백그라운드 잡 시작점 ./pdf, ./output, ./tests, ./data
agent 8001 OpenAI 기반 에이전트 채팅/도구 오케스트레이션 ./pdf:ro, ./output:ro
web 3000 React/Vite UI ./web, ./output, ./pdf:ro, ./data:ro, web_node_modules

내부 설정 포인트

  • mcp-server
    • PDF_DIR=/data/pdf
    • OUTPUT_DIR=/data/output
    • 헬스체크 포함
  • agent
    • MCP_SERVER_URL=http://mcp-server:8000
    • mcp-server 헬스 후 기동
  • web
    • MCP_SERVER_URL=http://mcp-server:8000
    • npm install이 필요하면 자동 수행 후 npm run dev

베이스 이미지

  • mcp-server: python:3.11-slim
  • agent: python:3.11-slim
  • web: node:20-alpine

6. 실행 후 사용 시나리오

6.1 로컬 PDF 워크플로우

A. 기본 흐름

  1. ./pdf/에 논문 PDF를 넣음
  2. UI에서 해당 논문 열기
  3. 필요 시 process_all_pdfs 또는 개별 추출 실행
  4. Note 페이지에서 섹션 헤딩 추출
  5. 번역/분석/QA/리포트 생성
  6. 결과를 로컬 파일 및 Notion에 저장

B. 직접 API 호출 예시

PDF 목록:

curl http://localhost:8000/pdf/list

개별 PDF 추출:

curl -X POST "http://localhost:8000/pdf/extract?filename=your_paper.pdf"

전체 PDF 일괄 처리:

curl http://localhost:8000/pdf/process-all

C. Note 페이지 동작

  • NotePage는 논문별 노트 워크스페이스입니다.
  • 추출 텍스트에서 정규식 기반으로 목차/소목차를 추출합니다.
  • 정규식 실패 시 채팅(/api/chat)을 이용한 LLM fallback이 있습니다.
  • 노트는:
    • localStorage에 캐시되고
    • 파일 시스템에도 자동 저장됩니다.
  • 노트 페이지 상태는 manual, translation, analysis, qa처럼 분리되어 관리됩니다.

6.2 arXiv 검색/랭킹 워크플로우

A. 추천 순서

  1. 사용자 프로필 설정
  2. arXiv 검색
  3. 하드 필터 적용
  4. semantic score 계산
  5. paper metrics 평가
  6. 최종 Top-K 랭킹
  7. 필요 시 다운로드/분석

B. 직접 API 예시

arXiv 검색을 랭킹용 입력 형식으로 변환:

curl -X POST http://localhost:8000/arxiv/search-for-ranking \
  -H "Content-Type: application/json" \
  -d '{
    "query": "diffusion policy",
    "max_results": 50
  }'

풀 랭크 파이프라인:

curl -X POST http://localhost:8000/rank-filter/execute-pipeline \
  -H "Content-Type: application/json" \
  -d '{
    "query": "diffusion policy",
    "max_results": 50,
    "purpose": "general",
    "ranking_mode": "balanced",
    "top_k": 5,
    "include_contrastive": false,
    "contrastive_type": "method",
    "profile_path": "users/profile.json"
  }'

C. 추천 프로필 필드

사용자 프로필은 아래 정보를 다룹니다.

  • interests.primary
  • interests.secondary
  • interests.exploratory
  • keywords.must_include
  • keywords.exclude.hard
  • keywords.exclude.soft
  • preferred_authors
  • preferred_institutions
  • constraints.min_year
  • constraints.require_code
  • constraints.exclude_local_papers
  • purpose
  • ranking_mode
  • top_k
  • include_contrastive
  • contrastive_type

D. purpose 가이드

  • general: 일반적인 추천
  • literature_review: 서베이/관련연구 조사
  • implementation: 구현 가능성 중시
  • idea_generation: 최신성/탐색성 중시

E. ranking_mode 가이드

  • balanced
  • novelty
  • practicality
  • diversity

F. contrastive_type 가이드

  • method
  • assumption
  • domain

6.3 NeurIPS 2025 / ICLR 2025 워크플로우

UI 라우트

  • http://localhost:3000/neurips2025
  • http://localhost:3000/iclr2025

특징

  • 컨퍼런스 전용 검색/랭킹 페이지가 따로 존재합니다.
  • ./data/ 아래의 CSV와 사전 계산된 embedding/similarity/cluster 데이터를 활용합니다.
  • UI는 /api/neurips/papers, /api/neurips/similarities, /api/neurips/clusters, /api/iclr/papers, /api/iclr/similarities, /api/iclr/clusters를 사용합니다.

NeurIPS / ICLR 랭킹 파이프라인 내부 논리

두 페이지 모두 대체로 아래 순서를 사용합니다.

  1. 컨퍼런스 검색
  2. apply_hard_filters
  3. calculate_semantic_scores
  4. evaluate_paper_metrics
  5. rank_and_select_top_k

즉, 단순 CSV 정렬이 아니라 프로필 기반 랭킹 파이프라인이 붙어 있습니다.

6.4 백그라운드 연구 에이전트 파이프라인

A. 로컬 PDF 분석 파이프라인

선택한 로컬 PDF들에 대해 백그라운드 분석 시작:

curl -X POST http://localhost:8000/agent/run \
  -H "Content-Type: application/json" \
  -d '{
    "arguments": {
      "paper_ids": ["your_paper.pdf"],
      "goal": "general understanding",
      "analysis_mode": "quick",
      "source": "local",
      "discord_webhook_full": "",
      "discord_webhook_summary": ""
    }
  }'

반환:

  • job_id
  • 상태 URL

B. 컨퍼런스 파이프라인

arXiv 또는 NeurIPS 대상:

curl -X POST http://localhost:8000/agent/conference-pipeline \
  -H "Content-Type: application/json" \
  -d '{
    "source": "arxiv",
    "query": "transformer attention",
    "top_k": 3,
    "goal": "latest methods overview",
    "analysis_mode": "standard",
    "discord_webhook_full": "",
    "discord_webhook_summary": "",
    "profile_path": "users/profile.json"
  }'

주의:

  • source는 현재 arxiv 또는 neurips
  • 서버에서 top_k는 1~5 사이로 clamp
  • 응답은 즉시 반환되고, 실제 처리는 백그라운드에서 진행

C. 상태 확인

curl http://localhost:8000/agent/status/<job_id>
curl http://localhost:8000/agent/jobs

내부 처리 단계

로컬/컨퍼런스 파이프라인은 대체로 아래 과정을 거칩니다.

  1. 입력 논문/검색결과 준비
  2. PDF 추출(extract_all)
  3. 전체 리포트 생성(generate_report)
  4. abstract/section 추출
  5. 분석 전략 결정
  6. 전략 기반 섹션 분석
  7. executive summary 생성
  8. 최종 report 조립
  9. output/agent_reports/ 저장
  10. Discord full/summary 전송(설정되어 있으면)

전략 유형 예

  • experiment_focused
  • methodology_focused
  • formula_heavy
  • implementation_focused
  • comparison_focused

6.5 채팅

웹 UI의 LLM Chat Popup은 연구 조수 역할을 합니다.

가능한 용도:

  • 논문 비교
  • 다음에 읽을 논문 추천
  • 특정 주제 요약
  • 섹션/실험 해석
  • 목차 추출 fallback

중요한 점

  • 채팅은 /api/chat을 통해 research-agent:8001/chat 으로 전달됩니다.
  • 따라서 agent 컨테이너가 반드시 실행 중이어야 합니다.

6.6 그래프 탐색

A. Global Graph

라우트:

  • /graph

기능:

  • 전체 논문 그래프 로딩
  • graph/list 뷰 전환
  • 전역 그래프 재구성

B. Paper Graph

라우트:

  • /paper/:paperId

기능:

  • 특정 논문 중심 reference subgraph 생성
  • 기존 노드에 대해 incremental expand 지원
  • 논문별 reference 관련 산출물(reference_titles.json 등) 활용

6.7 리포트 뷰어

UI에는 ReportViewer가 있습니다.

흐름:

  1. get_report
  2. 없으면 generate_report
  3. 다시 get_report
  4. 존재하면 표시

즉, 리포트가 아직 없으면 조회 시점에 자동 생성될 수 있습니다.

6.8 Notion 연동

연결

  • Account 모달에서 Notion OAuth 시작
  • 팝업 기반 연결 완료
  • 연결 상태는 런타임 설정 파일에 저장

제공 API

  • /notion/status
  • /notion/oauth/start
  • /notion/oauth/callback
  • /notion/disconnect
  • /notion/pages/search
  • /notion/pages
  • /notion/save

주요 사용처

  • Note 페이지의 NotionSaveModal
  • 특정 논문 노트를 기존 페이지에 append 또는 새 페이지로 저장

6.9 Discord 알림

Discord 설정은 런타임 저장 방식으로 관리됩니다.

API:

  • GET /config/discord
  • POST /config/discord

파이프라인 인자:

  • discord_webhook_full
  • discord_webhook_summary

용도:

  • 긴 full report 전송
  • 짧은 summary report 전송

추가로 notification 도구를 통해 테스트 전송도 가능합니다.

7. 웹 애플리케이션 라우트

현재 web/App.tsx 기준 주요 라우트:

라우트 화면
/ HomePage
/graph GlobalGraphPage
/paper/:paperId PaperGraphPage
/neurips2025 NeurIPS2025Page
/iclr2025 ICLR2025Page
/note/:paperId NotePage

공통 컴포넌트:

  • NavBar
  • LLMChatPopup
  • PipelineModal
  • AccountSettingsModal

8. 웹 서버의 프록시 / 로컬 파일 서빙 방식

web/vite.config.ts는 단순 Vite 설정이 아니라, 실제 워크스페이스 동작에 중요한 미들웨어를 포함합니다.

8.1 프록시

  • '/api' → MCP_SERVER_URL (기본 http://localhost:8000)
  • 경로 rewrite: /api/foo → /foo

8.2 별도 미들웨어

  • POST /api/chat → http://research-agent:8001/chat
  • GET /api/neurips/papers
  • GET /api/neurips/similarities
  • GET /api/neurips/clusters
  • GET /api/iclr/papers
  • GET /api/iclr/similarities
  • GET /api/iclr/clusters
  • GET /output/* → /app/output 파일 직접 서빙
  • GET /pdf/* → /app/pdf 파일 직접 서빙

즉, 웹 컨테이너는 단순 정적 프런트엔드가 아니라, 컨퍼런스 메타데이터와 로컬 산출물을 함께 제공하는 개발 서버 역할을 합니다.

9. MCP 서버 API 개요

9.1 도구 스키마/실행

  • GET /
  • GET /health
  • GET /tools
  • GET /tools/schema
  • GET /tools/{tool_name}
  • POST /tools/{tool_name}/execute

9.2 PDF

  • GET /pdf/list
  • POST /pdf/extract
  • GET /pdf/process-all

9.3 arXiv

  • GET /arxiv/search
  • POST /arxiv/search-for-ranking

9.4 리포트 / 해석

  • GET /reports/{paper_id}
  • POST /paper/interpret

9.5 Agent / Background job

  • POST /agent/run
  • POST /agent/conference-pipeline
  • GET /agent/status/{job_id}
  • GET /agent/jobs

9.6 Rank filter

  • GET /rank-filter/profile
  • POST /rank-filter/profile
  • POST /rank-filter/execute-pipeline

9.7 Credentials / Notion / Discord

  • GET /config/credentials
  • POST /config/credentials
  • GET /config/discord
  • POST /config/discord
  • GET /notion/status
  • GET /notion/oauth/start
  • POST /notion/disconnect
  • GET /notion/pages/search
  • GET /notion/pages
  • POST /notion/save

10. Agent 내부 구조

agent/는 단순 REST wrapper가 아니라, 별도 오케스트레이션 레이어입니다.

구성 요소

  • AgentClient
  • Memory
  • Planner
  • Executor

동작 방식

  1. MCP 서버의 /tools/schema에서 도구 정의 로드
  2. OpenAI에 시스템 프롬프트 + 툴 스키마 전달
  3. LLM이 도구 호출을 선택
  4. Agent가 MCP에 실제 실행 요청
  5. 결과를 다시 LLM에 전달
  6. 최종 응답 반환

내부 상태 관리

  • 대화 이력
  • 도구 호출 이력
  • 현재 플랜
  • intermediate result
  • context

모델

현재 코드상 기본 모델은 gpt-4o입니다.

11. MCP 도구 인벤토리

11.1 문서화된 핵심 도구

PDF 관련

  • list_pdfs
  • extract_text
  • extract_images
  • extract_all
  • process_all_pdfs
  • get_pdf_info
  • read_extracted_text
  • check_github_link

arXiv 관련

  • arxiv_search
  • arxiv_get_paper
  • arxiv_download

웹 검색 관련

  • web_search
  • web_get_content
  • web_research

랭킹 관련

  • update_user_profile
  • apply_hard_filters
  • calculate_semantic_scores
  • evaluate_paper_metrics
  • rank_and_select_top_k

연구 에이전트 파이프라인 관련

  • run_research_agent
  • run_conference_pipeline
  • extract_paper_sections
  • generate_report
  • analyze_section
  • paper_qa
  • send_discord_notification

11.2 mcp/tools/에 존재하는 도구 모듈

현재 mcp/tools/ 디렉터리에는 아래 모듈들이 있습니다.

  • arxiv.py
  • chapter_headings.py
  • iclr_pipeline.py
  • iclr_search.py
  • neurips2025_pdf.py
  • neurips_adapter.py
  • neurips_pipeline.py
  • neurips_search.py
  • notification.py
  • notion.py
  • page_analyzer.py
  • paper_graph.py
  • pdf.py
  • podcast.py
  • rag_qa.py
  • rank_filter.py
  • refer.py
  • report.py
  • research_agent.py
  • servey.py
  • translate.py
  • web_search.py

정확한 등록 결과와 파라미터 스키마는 런타임 기준 /tools 와 /tools/schema가 source of truth 입니다.
mcp/registry.py가 이 디렉터리의 도구를 자동으로 발견/등록합니다.

12. 데이터와 출력 산출물

12.1 입력

pdf/

12.2 런타임 설정

output/_runtime/service_settings.json

12.3 논문별 산출물 예

일반적으로 아래와 같은 파일이 생성될 수 있습니다.

output/<paper_id>/
├─ extracted_text.json
├─ extracted_text.txt
├─ image_metadata.json
├─ images/
├─ notes 관련 파일
├─ report 관련 파일
└─ reference/graph 관련 파일

12.4 에이전트 산출물

output/agent_reports/
output/agent_status/

12.5 랭킹/프로필/사용자 상태

output/rankings/
output/users/

12.6 프롬프트 로그

logs/prompts/*.jsonl

13. 개발/디버깅

13.1 테스트 실행

mcp-server 이미지에는 pytest 관련 의존성이 포함되어 있으므로 컨테이너 안에서 실행할 수 있습니다.

docker compose exec mcp-server pytest tests -q

현재 테스트 파일:

  • tests/test_neurips_integration.py
  • tests/test_rank_filter.py
  • tests/test_translate.py

13.2 프롬프트 로그 확인

모델 호출은 카테고리별 JSONL로 남습니다.

logs/prompts/

13.3 도구 스키마 확인

런타임에 어떤 도구가 실제 등록되었는지 보려면:

curl http://localhost:8000/tools
curl http://localhost:8000/tools/schema

14. 트러블슈팅

문제 1. 웹은 열리는데 채팅이 안 된다

원인:

  • agent 컨테이너가 실행 중이 아님

해결:

docker compose up -d agent
curl http://localhost:8001/health

문제 4. PDF는 넣었는데 UI에서 못 찾는다

확인:

  • 파일이 실제로 ./pdf/ 아래 있는지
  • 확장자가 .pdf인지
  • 컨테이너 마운트가 정상인지
  • curl http://localhost:8000/pdf/list 결과에 보이는지

문제 5. 노트/리포트/그래프 파일이 안 보인다

확인:

  • ./output/에 파일이 생성되는지
  • 웹 컨테이너가 /output을 서빙 중인지
  • 브라우저에서 /output/... 경로가 404인지

문제 6. 컨퍼런스 페이지에서 유사도/클러스터가 비어 있다

확인:

  • ./data/embeddings_Neu/
  • ./data/embeddings_ICLR/
  • 관련 JSON 파일이 존재하는지

문제 7. 웹 의존성 문제가 있다

해결:

docker compose build web
docker compose up -d web

웹 엔트리포인트는 node_modules가 없거나 일부 패키지가 빠지면 자동으로 npm install을 수행합니다.

15. 보안 / Git 운영 주의

다음 경로는 커밋하지 않는 것이 맞습니다.

output/_runtime/

이 안에는 다음이 포함될 수 있습니다.

  • OpenAI API Key
  • Tavily API Key
  • Notion OAuth state/connection
  • Discord webhook 설정

16. 현재 구조 요약

Research Agent는 로컬 Docker 환경에서 실행되는 논문 연구 워크스페이스로, MCP 도구 서버(mcp-server), OpenAI 오케스트레이터(agent), React UI(web)를 결합해 검색·랭킹·다운로드·추출·분석·리포트·그래프·노트·외부 연동을 하나의 흐름으로 제공한다.

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages

  • Python 61.1%
  • TypeScript 37.4%
  • Other 1.5%