论文搜索

已暴露为 MCP 工具：paper_search + paper_read —— 在 Claude / Cursor / 任意 MCP 客户端中直接调用。详见 MCP Server 60 秒配置。

已上线 1 credit · search 免费 · read

它为 Agent 做什么

paper_search 接收自然语言查询，返回 Quant Paper 中最相关的 knowledge card —— 因子、异象、市场微结构、ML for finance 等研究。它是 agent 的 文献入口：当 agent 要把一个判断锚到学术文献上（“momentum crash 真的存在吗？”、“factor zoo 那篇到底说了什么？”），先调 paper_search 拿到候选 paperCardId + availableSections，再用 paper_read 加载真正需要的章节。向量基于 title + abstract + summary + tags，所以 card 级命中是”值得继续 paper_read”的信号 —— paper_search 故意不返回正文。

Agent flow

返回值

`paper_search` 返回

PaperCard[]

required

按相关性降序排列的论文卡片数组。

Show PaperCard 字段

string

required

稳定标识符。传给 paper_read 加载具体章节内容。

string

required

原始来源标识（如 arXiv ID）。

string

required

论文标题。

string[]

required

作者列表。

string

required

论文原始 abstract。

string

required

LLM 生成的 2–3 句摘要。用它判断是否值得花一次 paper_read 加载完整章节。

string[]

required

研究主题标签（如 factor、momentum、deep-learning）。

object[]

required

章节 manifest。每条含 section_key、section_type、title、char_count、section_order。调 paper_read 时使用其中的 section_key。

number

required

可用章节总数。

number

required

所有章节合计字符数。

string

required

论文 PDF 直链。

number

本次调用消耗的 credit（搜索固定 1）。

number

账户剩余 credit。

200 OK · paper_search

{
  "data": [
    {
      "paperCardId": "card_abc123",
      "sourcePaperId": "arxiv:1404.4944",
      "title": "Momentum Crashes",
      "authors": ["Kent Daniel", "Tobias J. Moskowitz"],
      "abstract": "Despite their strong positive abnormal returns, momentum strategies experience infrequent but severe crashes...",
      "summary": "记录了动量组合在熊市反弹之后出现的剧烈崩溃，并给出可在实时操作中识别的 market-state / volatility 预测变量。",
      "tags": ["factor", "momentum", "crash"],
      "availableSections": [
        { "section_key": "introduction", "section_type": "introduction", "title": "Introduction", "char_count": 18420, "section_order": 1 },
        { "section_key": "methodology", "section_type": "method", "title": "Methodology", "char_count": 22150, "section_order": 2 }
      ],
      "sectionCount": 6,
      "fullTextCharCount": 102345,
      "pdfUrl": "https://arxiv.org/pdf/1404.4944"
    }
  ],
  "meta": { "creditsUsed": 1, "remainingCredits": 99 }
}

`paper_read` 返回

PaperReadResult

required

单篇 paper 的指定章节集合。

Show PaperReadResult 字段

string

required

稳定标识符。

string

required

原始来源标识。

string

required

论文标题。

string[]

required

作者列表。

string

required

原始 abstract。

string

required

LLM 摘要。

string[]

required

主题标签。

string

required

论文 PDF 直链。

object[]

required

章节 manifest（与 paper_search 中结构相同）。

number

required

可用章节总数。

number

required

所有章节合计字符数。

object[]

required

请求到的章节内容，按 section_order 排列。每条含 section_key、section_type、title、content（Markdown）、char_count、section_order。

number

读取固定 0。

number

账户剩余 credit。

说明

两步检索是 canonical 模式：paper_search 用 1 credit 拿一组 ID + summary + section manifest，agent 据此判断要不要加载章节；再用 paper_read 免费加载真正需要的章节。建议先读 top-1 的 introduction + methodology；要核对具体结论时再加章节。

调 paper_read 之前就用 paper_search 返回的 availableSections[i].char_count 决定读哪几节。长文不要随手 ["all"] —— 精准加载 1–2 节，agent context 会小很多。

超过 2,000 字符 的查询会返回 400。把 agent 上下文里的长文先做摘要再调用。

paper_search 的 topK 上限是 10，超出会被静默截断。

paper_search 只返回 card 级元数据，不带正文。要拿到章节内容必须调 paper_read。

直接调用

HTTP / SDK 示例

// 1) 搜索
{
  "method": "tools/call",
  "params": {
    "name": "paper_search",
    "arguments": { "query": "momentum crash", "topK": 5 }
  }
}

// 2) 读 top hit 的指定章节
{
  "method": "tools/call",
  "params": {
    "name": "paper_read",
    "arguments": {
      "paperCardId": "card_abc123",
      "sections": ["introduction", "methodology"]
    }
  }
}

import os, requests

base = "https://api.llmquantdata.com"
headers = {
    "Authorization": f"Bearer {os.environ['LLMQUANT_API_KEY']}",
    "Content-Type": "application/json",
}

# 1) 搜索
hits = requests.post(
    f"{base}/api/paper/search",
    headers=headers,
    json={"query": "momentum crash", "topK": 5},
).json()["data"]

# 2) 读 top hit 的指定章节
top = hits[0]
paper = requests.post(
    f"{base}/api/paper/read",
    headers=headers,
    json={
        "paperCardId": top["paperCardId"],
        "sections": ["introduction", "methodology"],
    },
).json()["data"]

for section in paper["sections"]:
    print(f"## {section['title']} ({section['char_count']} chars)")
    print(section["content"][:500])

# 1) 搜索
curl -X POST "https://api.llmquantdata.com/api/paper/search" \
  -H "Authorization: Bearer $LLMQUANT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"query": "momentum crash", "topK": 5}'

# 2) 读指定章节
curl -X POST "https://api.llmquantdata.com/api/paper/read" \
  -H "Authorization: Bearer $LLMQUANT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"paperCardId": "card_abc123", "sections": ["introduction", "methodology"]}'

完整参数参考

paper_search — 请求参数

string

required

自然语言查询字符串。最多 2,000 字符。

number

default:5

返回结果上限。范围 1–10。

paper_read — 请求参数

string

required

paper_search 返回的 paperCardId。

string[]

default:["all"]

章节 key 数组，取自 availableSections[].section_key。省略或传 ["all"] 表示读全文。

Wiki 搜索

同样的两步检索模式，作用在 Quant Wiki 语料（概念、公式、因子）上。

MCP Server 接入

60 秒接入 Claude / Cursor / 任意 agent harness。

快速开始

接入

个人 Context

知识数据

Crypto 行情

预测市场

美股行情

ETF

宏观指标

SEC 申报文件

News

SEC Form 13F

它为 Agent 做什么

Agent flow

返回值

`paper_search` 返回

`paper_read` 返回

说明

直接调用

完整参数参考

相关接口

Wiki 搜索

MCP Server 接入

​它为 Agent 做什么

​Agent flow

​返回值

​paper_search 返回

​paper_read 返回

​说明

​直接调用

​完整参数参考

​相关接口

Wiki 搜索

MCP Server 接入

它为 Agent 做什么

Agent flow

返回值

`paper_search` 返回

`paper_read` 返回

说明

直接调用

完整参数参考

相关接口