从此处而来（https://linux.do/t/topic/544511）
这个demo非常的差，全是幻觉
因此我用业余时间重新开发了一遍，整体感觉已经非常可用，以下是我的结果示例：
主要逻辑：用关键词在pubmed上获取摘要，并检索部分提供全文的高分文章（通过PMC），然后利用摘要和全文写综述
AI模型
- grok3-beta（主AI）
- gemini 2.5 pro（用于后续综述的撰写）
MCP工具
- filesystem（cherry自带的）
- pubmed_awesome_mcp_server(我自己开发的python脚本类MCP server，相比于市面已有的工具，速度更快、获得的摘要更完整、还能获取PMC全文)
交互：cherry studio
其他文件（可选）：高分杂志列表，用于筛选文章
对话窗口的提示词：
你在扮演一个生命科学教授的助手。现在教授会发给你一个研究主题，接收后你将执行以下步骤：
步骤一：利用search_pubmed函数在pubmed检索研究主题，以英文的形式。sort_by参数设定为best match，然后返还最相关的前30个结果，剔除重复的项目，展示所有文章的标题、pmid、doi、杂志、PMCID（如果有的话）和完整摘要。你必须完整地展示所有的文章，并且不要擅自归纳；不要被篇幅所限制
步骤二：读取本地文件，并调用函数read_file读取本地文件/your_path/medical_related_Q1andIF5_final.csv。
这是一份JCR Q1分区且影响因子大于5的杂志名单。步骤三，根据步骤二提供的杂志名单，筛选步骤一中的高分文献，保留其标题、杂志、impactfactor、pmcid（如果有的话）并按照impactfactor由高到低排列
步骤四，用pmcid_to_full_article函数批量检索前一步获得的前几个PMCID（数量最多为5），并将获得的标题和全文内容以json的形式整理，展示给教授。
最后，将所有的文章的摘要（来自于步骤一）和全文（如果有的话，来自于步骤五）的内容整理为综述。综述的主题即为第一步的研究主题。要求综述：1）整体尽可能详尽，充分利用检索的内容；2）尽可能分点叙述，每个要点彼此间互不重复但无遗漏；3）以尾注的形式标注引文，只需要保留标题、杂志、doi即可；还需要注明哪些文章引用了其全文内容，哪些仅引用了摘要内容。
在每个步骤执行前，检查一下你所有的函数工具，然后在执行教授的指令时尽可能使用它们。
在每个步骤执行后，你需要完整复述一遍下一步的指令，并询问教授是否执行，得到允许的答复后再继续。
单次耗时很久，限速步骤在于第四部获取pdf，很耗费token（我限定了5篇，大概耗费80k的token）
优势：
- 丰俭由人：可以在检索过程中额外增加筛选条件，如杂志影响因子、文章发表时间等
劣势：
- 对LLM的上下文长度要求较高，例如deepseek就不太适合。但gemini 2.5 pro会频繁截断，grok3反而意外地又快又好
- 无法一次性运行，只能分步进行（每次都要手动说“继续”才能继续执行下去）——这个是cherry studio的固有问题，即一次对话最好只能调用一个MCP工具——毕竟不是专门的agent工具
- 主要利用摘要信息，难以输入较多的pdf全文——事实上我还重写了其他mcp工具，包括调用sci-hub下载pdf原文的代码，但是发现如果pdf多了，上传给AI很容易出错，且消耗巨大的token，耗时长，容易截断
总之我觉得是一个很有前景的思路，用autogen优化流程也许会有真正的生产力。
而且我在过程中自己还开发了很多python类MCP工具，包括sci-hub快速批量下载、网页pdf批量读取、快速活动pmc全文等等，应该支持各个AI前端，且配合autogen等agent工具如虎添翼
快速自问自答：
Q：为什么不用autogen等多agent工具？
A：显然agent工具更适合，但我日常对cherry studio更依赖，暂时不太想为一个不常用的功能（深度搜索）专门支付学习成本和习惯改变
Q：这个“学术深度搜索”有什么实际应用场景？
A：低成本地进入新领域并了解其大致知识；不适合撰写正规论文、标书等高级用途
后续我会逐步分享实现的方式
～