本文是Zotero-MCP的安装和使用笔记。最近几天将组里几个同学的zotero文献做了一个汇总，消除了重复的条目、补全了文献的pdf附件，花了不少时间和精力。为了让这个整理更有价值，希望能接入LLM并实现语义搜索，于是学习了一下如何使用Zotero-MCP。

Zotero-MCP安装

安装教程可以参考Zotero-MCP的Github仓库，在安装之前需要先明确以下依赖项：

  • Python 3.10+
  • Zotero 7+
  • MCP客户端（比如Claude Desktop，Cherry Studio等）

第一步，使用pip进行zotero-mcp-server安装

1

pip install zotero-mcp-server

并等待程序下载和安装所需的python包，

第二步，使用Auto-configure进行配置，

1

zotero-mcp setup

自动完成一些设置后，开始在terimnal中手动选择以设置语义搜索（Semantic Search）

Note: 为什么需要语义搜索？Zotero中采用的是关键词搜索，无法从语义层面理解文献。然而，有时我们需要通过自然语言进行搜索。Zotero-MCP中提供了语义搜索能力，其原理是对元数据或全文进行分块（chunk），然后用词嵌入（embedding）模型对这些分块文本进行 “编码”，得到每个分块的语义向量并存入向量数据库。每一个向量表示对应分块文本在语义空间中的位置。如果两个文本语义相近，那么他们在空间中“距离”越近。这种距离可以采用余弦值表达。在搜索时，提问被采用相同的方式进行嵌入而得到一个向量，通过这个向量与向量数据库中存储的向量两两计算余弦值，匹配出top-K距离最近的文本。于是，就可以得到符合搜索语句语义的内容。

包括以下内容：

  • 可用的embedding模型，选择默认的all-MinLM-L6-v2。也可以选择OpenAI的付费embedding模型
  • 向量数据库更新配置，选择每N天。也可以选择手动更新或其他
  • （若选择每N天更新）选择更新频率，输入30
  • 内容抽取设置和数据库存储路径可以选择默认

第三步，进行向量数据库的初始化

1
2
3
4
5

# Build the semantic search database (fast, metadata-only)
zotero-mcp update-db

# Build with full-text extraction (slower, more comprehensive)
zotero-mcp update-db --fulltext

Note: 在进行此步骤之前，请确保Zotero已经打开，并在Settings->Advanced中允许其他应用通讯

至此，Zotero-MCP完成安装。

Cherry Studio配置

Zotero-MCP提供了一个MCP Server，要使用LLM还需要一个MCP Client。Zotero-MCP主推的是Claude Desktop，但是因为只能使用Claude模型，所以有一些封闭。相比之下，Cherry Studio可以设置不同LLM，是更好的选择。以下以DeepSeek为例，介绍设置过程。

第一步，在DeepSeek开放平台充值并创建API。

第二步，在Cherry Studio中Settings -> Model Provider，设置DeepSeek API Key。

Note: 设置完后，记得点击右上角的开关按钮以打开

第三步，在Cherry Studio中Settings -> MCP Servers，设置MCP Server

首先安装uv和bun，

然后，Add -> Import from JSON，复制粘贴如下JSON

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

{
  "mcpServers": {
    "zotero": {
      "name": "zotero",
      "type": "stdio",
      "isActive": true,
      "command": "zotero-mcp",
      "args": [],
      "env": {
        "ZOTERO_LOCAL": "true"
      }
    }
  }
}

至此，Cherry Studio完成设置

使用案例

在Cherry Studio的首页中，点击对话框下部工具栏中的锤子按钮以选择配置好的Zotero-MCP Servers。

然后，选择推理模型并输入指令，让LLM通过MCP连接本地的Zotero。例如，我让他检索本地有关V2G的文献。

Note: DeepSeek有Chat和Reasoner，后者的思维链比较长，相对比较消耗Tokens。应根据任务，适当选择对应的推理模型。