MCP-ArcKnowledge

MCP ArcKnowledge

Lichtbogenwissen MCP

Wie funktioniert es?

Bogenwissensdiagramm

Dies ist ein Model Context Protocol (MCP)-Server für Ihre benutzerdefinierten Webhook-Endpunkte (Wissensdatenbank).

Damit können Sie Ihre Wissensdatenbankliste (Webhook-Endpunkte) einfach verwalten und abfragen. Sie können neue Dokumentquellen hinzufügen, indem Sie deren URLs registrieren und optional eine Beschreibung und einen API-Schlüssel angeben.

Sie können auch alle registrierten Dokumentquellen auflisten und deren Details anzeigen.

Wenn Sie bereit sind, eine Frage zu stellen/zu suchen, können Sie die Wissensdatenbank mit einer Textfrage abfragen und dabei angeben, welche Quellen durchsucht werden sollen, oder das Feld leer lassen, um alle zu durchsuchen.

Anschließend aggregiert das Tool die Ergebnisse aus den abgefragten Quellen und stellt sie Ihnen zur Verfügung.

Voraussetzungen

Gehen
Python 3.6+
Anthropische Claude-Desktop-App (oder Cursor oder Cline)
UV (Python-Paketmanager), installieren Sie mit curl -LsSf https://astral.sh/uv/install.sh | sh

Konzept

Stellen Sie sich vor, Sie könnten eine einheitliche Konfiguration überbrücken, in der Sie alle Ihre benutzerdefinierten Wissensdatenbank-Endpunkte per Webhook in einer Konfiguration verbinden können, sodass Sie nicht mehr mehrere MCP-Server benötigen.

Demo

Arcknowledge-Demo-Cursor Arcknowledge-Demo-Cline

Siehe MCP-Cursor-Video

Setup-Installation

Repo klonen

git clone https://github.com/dragonjump/mcp-arcknowledge
cd mcp-arcknowledge

Endpunkte konfigurieren. Erstellen Sie eine Kopie oder ändern Sie knowledge_document_sources.json . Im Ordner sample_endpoint finden Sie Referenzen zum aktuell unterstützten API-Schema für Wissensendpunkte. Sie können den Code nach Bedarf anpassen.
Stellen Sie eine Verbindung zum MCP-Server herKopieren Sie das folgende JSON mit den entsprechenden {{PATH}}-Werten:
{ "mcpServers": { "mcp-arcknowledge": { "command": "cmd /c uv", "args": [ "--directory", "C:/Users/Acer/OneDrive/GitHub/YourDrive", "run", "main.py" ], "env": { "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/GitHub/YourDrive/testcustomother.json" } } } }

Für Claude speichern Sie dies als claude_desktop_config.json in Ihrem Claude Desktop-Konfigurationsverzeichnis unter:

~/Library/Application Support/Claude/claude_desktop_config.json

Speichern Sie dies für Cursor als mcp.json in Ihrem Cursor-Konfigurationsverzeichnis unter:

~/.cursor/mcp.json

Für cline speichern Sie dies als cline_mcp_settings.json in Ihrer Konfiguration

Client neu starten: Claude Desktop / Cursor / Cline / Windsurf Öffnen und starten Sie Ihre Client-IDE für mcp neu. zB Claude/Cursor/Cline/etc

Windows-Kompatibilität

Wenn Sie dieses Projekt unter Windows ausführen, beachten Sie, dass go-sqlite3 CGO benötigt, um korrekt kompilieren und funktionieren zu können. Standardmäßig ist CGO unter Windows deaktiviert . Sie müssen es daher explizit aktivieren und einen C-Compiler installieren.

Schritte, damit es funktioniert:

Installieren Sie einen C-Compiler
Wir empfehlen die Verwendung von MSYS2 zur Installation eines C-Compilers für Windows. Fügen Sie nach der Installation von MSYS2 den Ordner ucrt64\bin zu Ihrem PATH hinzu.
→ Eine Schritt-für-Schritt-Anleitung gibt es hier .

Architekturübersicht

Diese Anwendung besteht aus einer einfachen Hauptkomponente:

Python MCP-Server ( main.py ): Ein Python-Server, der das Model Context Protocol (MCP) implementiert, das dem Client standardisierte Tools zur Interaktion mit Daten und zum Aufrufen von API-Aufrufen bereitstellt.

Datenspeicherung

Der gesamte Speicher erfolgt zur Laufzeit auf dem lokalen Python-Hauptserver.

Technische Details

Der Client sendet Anfragen an den Python MCP-Server
Der MCP-Server sucht in seiner Laufzeitkonfigurations-Wissensdatenbank.
Anschließend wird basierend auf Ihren Abfragen die API Ihres Wissensdatenbank-Endpunkts aufgerufen.

Fehlerbehebung

Wenn beim Ausführen von uv Berechtigungsprobleme auftreten, müssen Sie es möglicherweise zu Ihrem PATH hinzufügen oder den vollständigen Pfad zur ausführbaren Datei verwenden.
Stellen Sie sicher, dass sowohl die Go-Anwendung als auch der Python-Server ausgeführt werden, damit die Integration ordnungsgemäß funktioniert.

Starten des Servers

Konfiguration: Führen Sie den Server im Entwicklungsmodus aus:

fastmcp dev main.py

Oder installieren Sie es zur Verwendung mit Claude:

fastmcp install main.py

Verfügbare Tools

1. Standardmäßig wird die Wissensliste aus knowledge_document_sources.json geladen

Standardmäßig werden Wissensquellen aus der Konfiguration geladen

knowledge_document_sources.json
 

Sie können benutzerdefiniertes Wissen aus der Umgebungskonfiguration mcp.json laden

        "env": {
            "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/Somewhere/YourDrive/your-custom.json"
        }

2. Alle aktuell registrierten Wissensquellen auflisten

Zeigt und erklärt die Liste aller registrierten Wissensquellen.

eg. Show me my arcknowledge list 
 

3. Neue Wissensdokumentquelle hinzufügen

Fügen Sie neue URL-Dokumentquellen für Arcknowledge-Endpunkte hinzu. Geben Sie URL, Beschreibungszweck und API-Schlüssel (falls vorhanden) an.

eg. Add new arcknowledge data source. Endpoint is http://something.com/api/123.
Purpose is to handle questions on 123 topic. Api key is 'sk-2123123' 
 

4. Abfragen einer bestimmten Wissensdokumentquelle

Fragen Sie die aus diesen Quellen erstellte Arcknowledge-Basis mit query_knowledge_base ab.

eg. Query for me my  knowledge base for product. Question is : Which is most expensive product? 

eg. Query for me my  arcknowledge base for business. Question is :When is the business established? 

eg. Query for me all my  arcknowledge base  . Question is :When is the business established? Which is most expensive product?

Werkzeugfunktionen

add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str
- Registriert eine neue Dokumentquellen-URL, optional mit einer Beschreibung und einem API-Schlüssel.
- Rückgabe: Bestätigungsnachricht mit der neuen Quell-ID.
list_knowledge_document_sources() -> Dict[str, Dict[str, str]]
- Listet alle registrierten Dokumentquellen auf.
- Gibt zurück: Wörterbuch, das Quell-IDs ihren Details (URL, Beschreibung, API-Schlüssel) zuordnet.
query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str
- Fragt angegebene Dokumentquellen (oder alle, wenn keine angegeben sind) mit einer Textabfrage und optionalen Bilddaten ab.
- Rückgabe: Aggregierte Ergebnisse aus den abgefragten Quellen.

Entwicklung

Wichtige DateienProjektstruktur

mcp-arcknowledge/
├── main.py          # Main server implementation
├── README.md           # Documentation
├── requirements.txt    # Project dependencies

Cursor AI MCP-Konfiguration

Erstellen Sie eine mcp.json Datei im Stammverzeichnis Ihres Projekts:

{
    "name": "mcp-webhook-ai-agent",
    "version": "1.0.0",
    "description": "Webhook AI agent with RAG capabilities",
    "main": "main.py",
    "tools": [
        {
            "name": "set_document_source",
            "description": "Register a new document source URL for RAG operations"
        },
        {
            "name": "list_document_sources",
            "description": "List all registered document sources"
        },
        {
            "name": "query_rag",
            "description": "Query the specified document sources using RAG"
        },
        {
            "name": "process_post_query",
            "description": "Process a POST request with a query payload"
        }
    ],
    "dependencies": {
        "fastmcp": ">=0.4.0",
        "requests": ">=2.31.0",
        "pydantic": ">=2.0.0"
    }
}

Cursor-KI konfigurieren:
- Öffnen Sie die Cursor AI-Einstellungen
- Navigieren Sie zum MCP-Bereich
- Fügen Sie den Pfad zu Ihrer mcp.json Datei hinzu
- Starten Sie Cursor AI neu, um die Änderungen zu übernehmen
Konfiguration überprüfen:

# Check if MCP is properly configured
fastmcp check mcp.json

# List available tools
fastmcp list

Neue Funktionen hinzufügen

Definieren Sie neue Modelle in main.py
Fügen Sie mit dem Dekorator @mcp.tool() neue Tools hinzu
Aktualisieren Sie die Dokumentation nach Bedarf

Lizenz

MIT

Beitragen

Forken Sie das Repository
Erstellen Sie Ihren Feature-Zweig
Übernehmen Sie Ihre Änderungen
Push zum Zweig
Erstellen Sie einen neuen Pull Request

This server cannot be installed

security - not tested

license - permissive license

quality - not tested

How are these scores calculated?

local-only server

The server can only run on the client's local machine because it depends on local resources.

Sie können auch alle registrierten Dokumentquellen auflisten und deren Details anzeigen.

Wenn Sie

Related MCP Servers

Knowledge Base MCP Server
jeanibarz
A
security
A
license
A
quality
Provides tools for listing and retrieving content from different knowledge bases using semantic search capabilities.
Last updated -
2
0
20
TypeScript
The Unlicense
PDF RAG MCP Server
hyson666
-
security
F
license
-
quality
A document knowledge base system that enables users to upload PDFs and query them semantically through a web interface or via the Model Context Protocol, allowing integration with AI tools like Cursor.
Last updated -
11
Python
FastGPT Knowledge Base MCP
boleyn
-
security
F
license
-
quality
Intelligent knowledge base management tool that enables searching, browsing, and analyzing documents across multiple datasets with smart document analysis capabilities.
Last updated -
14
Python
WikiJS MCP Server
RicardoCenci
A
security
A
license
A
quality
Enables AI assistants to search and retrieve content from WikiJS knowledge bases, allowing integration with your Wiki through simple search and retrieval tools.
Last updated -
4
26
1
TypeScript
MIT License

View all related MCP servers

MCP-ArcKnowledge