parquet_mcp_server
ウェブ検索や類似コンテンツの検索ツールを提供する強力なMCP（モデル制御プロトコル）サーバーです。このサーバーはClaude Desktopと連携するように設計されており、主に以下の2つの機能を提供します。
ウェブ検索: ウェブ検索を実行し、結果をスクレイピングする
類似検索: 過去の検索から関連情報を抽出します
このサーバーは特に次の場合に役立ちます:
インストール
Smithery経由でインストール
Smithery経由で Claude Desktop 用の Parquet MCP Server を自動的にインストールするには:
npx -y @smithery/cli install @DeepSpringAI/parquet_mcp_server --client claude
このリポジトリをクローンする
git clone ...
cd parquet_mcp_server
仮想環境の作成と有効化
uv venv
.venv\Scripts\activate # On Windows
source .venv/bin/activate # On macOS/Linux
パッケージをインストールする
環境
次の変数を含む.envファイルを作成します。
EMBEDDING_URL=http://sample-url.com/api/embed # URL for the embedding service
OLLAMA_URL=http://sample-url.com/ # URL for Ollama server
EMBEDDING_MODEL=sample-model # Model to use for generating embeddings
SEARCHAPI_API_KEY=your_searchapi_api_key
FIRECRAWL_API_KEY=your_firecrawl_api_key
VOYAGE_API_KEY=your_voyage_api_key
AZURE_OPENAI_ENDPOINT=http://sample-url.com/azure_openai
AZURE_OPENAI_API_KEY=your_azure_openai_api_key
Claude Desktopでの使用
Claude Desktop 構成ファイル ( claude_desktop_config.json ) に以下を追加します。
{
"mcpServers": {
"parquet-mcp-server": {
"command": "uv",
"args": [
"--directory",
"/home/${USER}/workspace/parquet_mcp_server/src/parquet_mcp_server",
"run",
"main.py"
]
}
}
}
利用可能なツール
サーバーは主に 2 つのツールを提供します。
ウェブ検索: ウェブ検索を実行し、結果をスクレイピングします
検索から情報を抽出: 以前の検索から関連情報を抽出します
プロンプトの例
エージェントで使用できるプロンプトの例を次に示します。
ウェブ検索の場合:
"Please perform a web search for 'macbook' and 'laptop' and scrape the results from page 1"
検索から情報を抽出するには:
"Please extract relevant information from the previous searches for 'macbook'"
MCPサーバーのテスト
このプロジェクトにはsrc/testsディレクトリに包括的なテストスイートが含まれています。以下のコマンドですべてのテストを実行できます。
python src/tests/run_tests.py
または個別のテストを実行します。
# Test Web Search
python src/tests/test_search_web.py
# Test Extract Info from Search
python src/tests/test_extract_info_from_search.py
クライアントを直接使用してサーバーをテストすることもできます。
from parquet_mcp_server.client import (
perform_search_and_scrape, # New web search function
find_similar_chunks # New extract info function
)
# Perform a web search
perform_search_and_scrape(["macbook", "laptop"], page_number=1)
# Extract information from the search results
find_similar_chunks(["macbook"])
トラブルシューティング
SSL検証エラーが発生した場合は、 .envファイルのSSL設定が正しいことを確認してください。
埋め込みが生成されない場合は、以下を確認してください。
Ollamaサーバーは稼働しておりアクセス可能です
指定されたモデルはOllamaサーバーで利用可能です
入力Parquetファイルにテキスト列が存在します
DuckDB 変換が失敗した場合は、以下を確認してください。
PostgreSQL 変換が失敗した場合は、以下を確認してください。
.envファイル内のPostgreSQL接続設定は正しいです
PostgreSQLサーバーが稼働しておりアクセス可能である
テーブルを作成/変更するために必要な権限があります
pgvector拡張機能がデータベースにインストールされています
ベクトル類似度検索のためのPostgreSQL関数
PostgreSQL でベクトル類似性検索を実行するには、次の関数を使用できます。
-- Create the function for vector similarity search
CREATE OR REPLACE FUNCTION match_web_search(
query_embedding vector(1024), -- Adjusted vector size
match_threshold float,
match_count int -- User-defined limit for number of results
)
RETURNS TABLE (
id bigint,
metadata jsonb,
text TEXT, -- Added text column to the result
date TIMESTAMP, -- Using the date column instead of created_at
similarity float
)
LANGUAGE plpgsql
AS $$
BEGIN
RETURN QUERY
SELECT
web_search.id,
web_search.metadata,
web_search.text, -- Returning the full text of the chunk
web_search.date, -- Returning the date timestamp
1 - (web_search.embedding <=> query_embedding) as similarity
FROM web_search
WHERE 1 - (web_search.embedding <=> query_embedding) > match_threshold
ORDER BY web_search.date DESC, -- Sort by date in descending order (newest first)
web_search.embedding <=> query_embedding -- Sort by similarity
LIMIT match_count; -- Limit the results to the match_count specified by the user
END;
$$;
この関数を使用すると、PostgreSQLデータベースに保存されているベクトル埋め込みに対して類似度検索を実行できます。指定された類似度閾値を満たす結果が返され、ユーザー入力に基づいて結果の件数が制限されます。結果は日付と類似度でソートされます。
Postgresテーブルの作成
CREATE TABLE web_search (
id SERIAL PRIMARY KEY,
text TEXT,
metadata JSONB,
embedding VECTOR(1024),
-- This will be auto-updated
date TIMESTAMP DEFAULT NOW()
);