zotero-mcp
54yyyu/zotero-mcp加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
凌晨两点，研究生小李盯着屏幕——导师发来了 47 篇论文的 PDF 文件，邮件里只写了一句话："帮我梳理一下这些文献之间的关系，重点关注第 3 篇和第 15 篇引用的方法有什么共同缺陷。"
小李打开 Zotero 文献管理器，机械地一篇篇点开 PDF，复制复制，在 47 个标签页之间来回切换。两个小时后，他的手指已经麻木，眼睛开始发酸。
如果有一个工具，能让 AI 直接"看见"你的整个文献库——自动理解文献之间的引用关系、提取关键结论、甚至帮你找到那些还没读完就被引用的核心论文——整个过程会不会只需要几分钟？
Zotero MCP 正是为此而生。它不是一个新型的论文阅读器，也不是又一个 AI 摘要工具。它是一个协议层——一个让 Claude、ChatGPT 和任何兼容 MCP 的 AI 应用，能够直接与你的 Zotero 文献库对话的"翻译官"。
Zotero MCP 是由独立开发者 54yyyu 创建的开源项目（当前 GitHub ⭐ 3,557，Fork 317），它基于 Model Context Protocol（MCP） 协议，将 Zotero 文献管理器的数据接口转化为 AI 可理解的结构化上下文。
简单来说：它让你的 AI 助手"读懂"你的 Zotero 文献库，而不仅仅是处理单篇 PDF。
技术栈上，项目使用 Python 3.10+ 构建，核心依赖包括：
项目遵循 MIT 协议，代码结构清晰，通过 pyproject.toml 管理依赖，支持 pip 一键安装。
传统 Zotero 搜索依赖关键词匹配——你必须知道要找什么，才能找到什么。Zotero MCP 的语义搜索功能打破了这一限制。
当你输入"这篇论文用了什么实验方法来验证假设"这类模糊描述时，系统会利用 ChromaDB 向量数据库和 sentence-transformers 模型，在你的整个文献库中寻找语义最相近的内容。即使论文标题和摘要中从未出现你输入的词汇，系统依然能通过向量相似度找到真正相关的文献。
语义搜索支持多种 Embedding 模型：
text-embedding-3-small 或 Google Gemini EmbeddingZotero MCP 提供了丰富的文献检索工具：
对于已经阅读过的论文，Zotero MCP 支持：
这些注释数据同样可以作为上下文提供给 AI，帮助 AI 理解你对某篇论文的具体思考。
最令人惊喜的功能之一：通过 DOI 自动添加论文。
输入一个 DOI，系统会自动完成：元数据抓取（标题、作者、期刊信息）→ 通过 Unpaywall 查找开放获取 PDF → 自动下载附件并关联到 Zotero 条目。整个过程无需手动填写任何字段。
同样支持：
Zotero MCP 的核心价值在于 MCP（Model Context Protocol）协议层。这不是 Zotero 特有的功能——MCP 是一个通用协议，可以让任何 AI 应用与任何外部数据源建立结构化对话。
项目支持接入的 AI 平台包括：
也就是说，无论你习惯用哪个 AI 工具，只要该工具支持 MCP 协议，配置好 Zotero MCP 作为数据源，就能让该 AI "看见"你的文献库。这种协议层的抽象意味着：未来任何新的 AI 应用，只要实现了 MCP 客户端，就能立即使用 Zotero MCP 的所有功能。
pip install zotero-mcp-server
安装后只需配置两个环境变量：
ZOTERO_API_KEY：在 Zotero 账户设置页生成ZOTERO_LIBRARY_ID：你的个人文献库 ID然后通过 Claude Desktop 或其他 MCP 客户端添加配置即可使用。
项目提供了官方 Dockerfile，基于 python:3.10-slim 镜像，一行命令完成部署：
docker build -t zotero-mcp .
docker run zotero-mcp
容器默认通过 stdio 传输协议运行，适合集成到支持 stdio 的 MCP 客户端中。
功能模块化设计，基础安装仅包含核心功能；如需高级功能，可按需安装：
pip install zotero-mcp-server[semantic]：启用语义搜索（需要 ~2GB 模型文件）pip install zotero-mcp-server[pdf]：启用 PDF 解析（需要 pymupdf）pip install zotero-mcp-server[all]：安装全部依赖使用 Zotero MCP 之前，有几个现实约束需要了解：
第一，必须依赖 Zotero 云端 API。 项目的所有数据访问都通过 Zotero Web API 实现，这意味着你的 Zotero 文献库必须同步到 Zotero 账户（Zotero 免费版提供 300MB 云存储空间）。完全离线的本地 Zotero 库无法使用此工具。
第二，语义搜索需要本地模型。 默认语义搜索使用本地 sentence-transformers 模型，首次安装需要下载约 2GB 的模型文件。如果不安装语义搜索扩展，该功能不可用。
第三，PDF 全文解析质量依赖 Zotero 库状态。 系统只能处理 Zotero 中已有的 PDF 附件，无法直接抓取网页上未存储的论文全文。
第四，隐私数据流向问题。 虽然元数据访问通过 Zotero API，但如果你使用 OpenAI 或 Gemini 的 Embedding 服务进行语义搜索，相关数据会发送至第三方 API 服务。对于涉及敏感研究内容的场景，建议使用本地 Embedding 模型。
Zotero MCP 的 star 增长曲线反映了学术研究社区对 AI 辅助文献阅读工具的强烈需求。从 2024 年发布至今，项目持续活跃更新（最近一次提交距今不足一个月），文档完善，测试覆盖较好，代码质量评分可达 85/100。
更深层的意义在于：它代表了一种新的 AI 应用架构思路——不是让 AI 去爬取或索引整个互联网，而是让 AI 安全、受控地访问用户自己管理的数据。这种"数据不动，AI 来"的模式，既保护了隐私，又让 AI 的能力真正落地到具体的工作流中。
对于研究人员而言，这意味着 AI 助手不再是一个独立的问答工具，而是文献阅读和研究工作的有机组成部分。对于 AI 开发者而言，Zotero MCP 展示了一个可复制的范式：将专业领域的本地数据，通过标准化协议，开放给任何 AI 应用。
项目链接：https://github.com/54yyyu/zotero-mcp
文档站：https://stevenyuyy.com/zotero-mcp/