适合谁
- 需要知识图谱和网络分析的研究人员
- 内容创作者和 SEO 专业人士
- 希望增强 LLM 工作流上下文的开发者
- 需要从文本中提取结构化洞察的分析师
M
56FMRS · C
InfraNodus MCP 服务器提供了丰富的文本网络分析工具，将知识图谱能力无缝集成到 LLM 工作流中。其强大的功能（如内容缺口检测和 SEO 分析）使其对内容创建者和研究人员特别有价值。然而，用户需要注意 API 配额和隐私因素。
InfraNodus MCP 服务器是一个官方 MCP 服务器，使 LLM 工作流和 AI 助手能够利用先进的网络科学算法分析文本，生成知识图谱，检测内容缺口，并识别关键主题和概念。它将非结构化文本通过图论和网络分析转化为结构化洞察。
工具能力
generate_knowledge_graph
将任意文本转换为可视化知识图谱，提取主题、概念及其关系，识别结构模式和簇，支持 AI 主题命名和实体检测。
analyze_existing_graph_by_name
从你的 InfraNodus 账户检索并分析现有图谱，访问先前保存的分析，导出带有完整统计信息的图谱数据。
analyze_text
分析文本、URL 或 YouTube 转录稿，提取并分析图谱，提供主题、簇、陈述、图结构和 AI 摘要。
generate_content_gaps
检测话语中的缺失连接，识别未充分探索的主题，生成研究问题，建议内容开发机会。
generate_topical_clusters
使用知识图谱分析从文本生成主题和关键词簇，返回 AI 生成的簇概述，适用于 SEO 主题权威建设。
generate_contextual_hint
生成文本的主题概述，为 LLM 提供洞察以生成更好的响应，可增强 LLM 工作流中的提示。
generate_research_questions
基于文本或图谱中的内容缺口生成研究问题，弥补知识差距。
generate_research_ideas
基于内容缺口生成创新研究想法，提供可操作的改进建议。
optimize_text_structure
使用知识图谱分析文本的偏见和连贯性水平，平衡话语、深化分析或改善一致性。
optimize_reasoning
对模型自身的推理轨迹应用偏见/连贯性分析，引导推理朝向最佳多样性和连贯性。
generate_responses_from_graph
基于已有图谱生成响应，集成到 LLM 工作流中，可使用任意 AI 模型和提示。
develop_conceptual_bridges
分析文本并发展潜在想法，基于连接文本与更广泛话语的概念，发现隐藏主题和模式。
develop_latent_topics
提取未充分发展的主题并提供发展建议，识别需要更多关注的领域。
develop_text_tool
综合文本分析，结合内容缺口想法、潜在主题和概念桥梁，顺序执行多种分析并跟踪进度。
create_knowledge_graph
从文本创建知识图谱并提供链接。
generate_ontology_graph
使用 AI 从主题或文本生成推理本体图（实体和关系），可保存或仅用于一次性分析。
analyze_llm_results
让 LLM 描述主题并将其响应转化为知识图谱，揭示模型的框架、偏见和结构。
overlap_between_texts
创建两个或多个文本的知识图谱并查找重叠（相似性）。
merged_graph_from_texts
构建所有提供的文本和 URL 的合并图谱，显示合并内容中的簇和内容缺口。
difference_between_texts
比较两个或多个文本的知识图谱，找出第一个图谱中缺失但其他图谱中存在的内容。
analyze_google_search_results
为 Google 搜索结果生成关键词和主题图谱，理解当前的信息供给。
analyze_youtube_results
从 YouTube 结果（搜索、评论、频道、播放列表、字幕）生成图谱，理解视频话语中的主题和缺口。
analyze_related_search_queries
从 Google 建议的搜索查询生成图谱，理解当前的信息需求。
search_queries_vs_search_results
生成人们搜索但未在搜索结果中轻易出现的关键词组合图谱，发现需求与供给的差距。
generate_seo_report
分析内容对比 Google 搜索结果和搜索查询，识别内容缺口和 SEO 优化机会。
memory_add_relations
从文本向 InfraNodus 记忆添加关系，自动检测实体或使用 [[wikilinks]] 标记。
memory_get_relations
从 InfraNodus 记忆检索特定实体的关系，支持实体特定搜索或全文检索。
retrieve_from_knowledge_base
使用 GraphRAG 从现有知识图谱检索上下文，用自然语言查询获取相关陈述。
search
搜索现有 InfraNodus 图谱，也可搜索特定用户的公开图谱，兼容 ChatGPT 深度研究模式。
fetch
获取图谱的特定搜索结果，可用于 ChatGPT 深度研究模式。
安装接入
- 在 InfraNodus 创建账户并获取 API 密钥（支持 14 天免费试用）。 2. 对于远程/网页应用，使用服务器 URL https://mcp.infranodus.com 添加 MCP 服务器，并通过 OAuth 认证。 3. 对于本地安装，使用 npx 命令
npx -y infranodus-mcp-server并设置环境变量 INFRANODUS_API_KEY。 4. 将配置添加到支持的客户端（如 Claude Desktop 或 Cursor）。
claude_desktop_config.json
{
"mcpServers": {
"infranodus": {
"command": "npx",
"args": [
"-y",
"infranodus-mcp-server"
],
"env": {
"INFRANODUS_API_KEY": "YOUR_INFRANODUS_API_KEY"
}
}
}
}
选型与风险
不适合谁
- 需要完全离线无 API 密钥使用的用户（免费额度有限）
- 寻求轻量级简单文本摘要的用户
- 不需要图结构或网络分析的用户
所需权限
- 需要有效的 InfraNodus API 密钥
- 可以读取提供的文本或 URL 内容
- 可以创建、检索和修改用户账户中的知识图谱
- 可能调用外部 AI 模型（通过 InfraNodus API）
风险与副作用
- API 密钥滥用或泄露风险
- 依赖外部 API 的可用性和配额限制
- 付费墙：免费额度后需要 API 密钥
- 托管服务器可能存储文本数据，隐私风险
常见排障
- 检查配置文件中服务器路径或命令是否正确
- 验证 API 密钥是否有效且未过期
- 确保 Node.js 在系统 PATH 中
- 完全重启客户端应用
- 如有构建错误，执行 `rm -rf node_modules package-lock.json && npm install && npm run build`
使用场景
将现有知识图谱集成到 AI 对话中
分析文本结构以发现主题簇和内容缺口
生成 SEO 报告和内容优化建议
创建新知识图谱以增强 LLM 响应
使用 GraphRAG 从知识库中检索上下文
支持客户端
Claude Desktop完整支持
Cursor完整支持