使用 Claude 和 MCP 构建 AI 研究助手

设想一个能够完成以下任务的 AI 研究助手：

• 在网络上搜索相关来源
• 从多个网站提取并核实信息
• 交叉比对事实以确保准确性
• 将研究结果综合成一份带引用的连贯摘要

借助 Claude、Model Context Protocol (MCP) 和 CrawlForge，你可以在一个下午就把它构建出来。本指南将带你了解其架构、实现方式以及生产环境中的注意事项。

愿景：像人类一样做研究

传统 LLM 受限于其训练数据。当你向 GPT-4 或 Claude 提问时，它们只能回忆起此前见过的内容。但人类并非如此——我们会搜索、阅读、核实并综合新的信息。

一个 AI 研究助手应当能够：

1. 理解意图 - 将复杂的查询拆解为可搜索的主题
2. 发现来源 - 找到相关的网页、文档和文章
3. 提取信息 - 提炼出关键事实、引述和数据
4. 核实准确性 - 在多个来源之间交叉验证信息
5. 综合结果 - 将研究结果整合成一份清晰、带引用的答案

让我们开始构建。

架构概览

我们的研究助手分为三层：

┌─────────────────────────────────────────────────┐ │ LLM Layer (Claude/GPT-4) │ │ - Query understanding │ │ - Source relevance scoring │ │ - Information synthesis │ └─────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ MCP Server (CrawlForge) │ │ - search_web (5 credits) │ │ - extract_content (2 credits) │ │ - deep_research (10 credits) │ └─────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Web Data Layer │ │ - Google Search results │ │ - Website content │ │ - Structured data │ └─────────────────────────────────────────────────┘

数据流：

1. 用户提交一个研究查询
2. LLM 将查询扩展为搜索词
3. CrawlForge 在网络上搜索并提取内容
4. LLM 核实并综合信息
5. 返回带引用的结构化答案

搭建项目

我们将使用 TypeScript、Claude 的 API（或 OpenAI）以及 CrawlForge MCP server。

前置条件

初始化项目

环境配置

创建 .env：

在 crawlforge.dev/signup 获取你的 CrawlForge API key（赠送 1,000 个免费 credits）。

实现研究流程

1. 理解查询

首先，我们需要将用户查询扩展为有效的搜索词。

2. 网络搜索与内容提取

接下来，我们搜索相关来源并提取其内容。

credits 成本：

• 3 个搜索词 × 5 credits = 15 credits
• 15 个来源 × 2 credits = 30 credits
• 合计：每次研究查询 45 credits

3. 信息核实

在各来源之间交叉比对事实以核实准确性。

接下来呢？

现在你已经构建了一个基础的研究助手，接下来你可以：

1. 添加流式输出 - 在找到结果时实时流式返回，以改善用户体验
2. 存储结果 - 将研究保存到数据库以便日后检索
3. 构建界面 - 用 Next.js 或 React 创建一个 Web 界面
4. 添加 webhooks - 在研究完成时收到通知
5. 微调 prompt - 针对你的具体使用场景进行优化

资源

• CrawlForge API 文档
• Deep Research 工具
• credits 优化指南

开始构建： 在 crawlforge.dev/signup 获取 1,000 个免费 credits。