Zotero MCP：将学术文献库变成 AI 知识助手的桥梁

一封来自深夜的求助，和一个改变游戏规则的解决方案

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 是什么

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：

• pyzotero：Zotero Web API 的官方 Python 客户端
• FastMCP：MCP 协议的 Python 服务端实现框架
• markitdown：PDF 到 Markdown 的转换工具
• bibtexparser：BibTeX 格式解析库

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。

---

核心功能：从"管理文献"到"与文献对话"

语义搜索：让 AI 理解你的研究主题

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：

• 默认使用本地免费模型（无需 API Key）
• 也可切换至 OpenAI text-embedding-3-small 或 Google Gemini Embedding

文献检索与元数据提取

Zotero MCP 提供了丰富的文献检索工具：

• 按标题、作者、内容进行多维度搜索
• 支持复合条件的高级搜索
• 直接导出 Markdown 或 BibTeX 格式的文献条目
• 获取 PDF 全文内容（当 Zotero 库中已有附件时）

注释与标注工具

对于已经阅读过的论文，Zotero MCP 支持：

• 提取 PDF 注释（高亮、批注），带页码信息
• 创建和更新笔记
• 提取 PDF 目录结构
• 标注管理和批量操作

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。

写操作：自动补充文献库

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：

• 通过 arXiv ID 或 URL 添加论文
• 创建和管理文献集（Collections）
• 批量更新标签
• 查重与合并重复条目

---

MCP 协议：让所有 AI 都能"读懂"文献

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：

• Claude（Anthropic）
• ChatGPT（OpenAI）
• Cherry Studio（第三方客户端）
• Chorus（第三方客户端）
• Cursor（AI 代码编辑器）

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。

---

部署方式：pip 安装 vs Docker

pip 安装（推荐）

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。

Docker 部署

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。

依赖可选安装

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

---

局限与挑战：它不是万能的

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。

---

增长轨迹与行业意义

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/