MCP ArcKnowledge

어떻게 작동하나요?

이는 사용자 정의 웹훅 엔드포인트(지식 기반)를 위한 MCP(모델 컨텍스트 프로토콜) 서버입니다.

이를 통해 지식 기반(웹훅 엔드포인트) 목록을 쉽게 관리하고 쿼리할 수 있습니다. URL을 등록하여 새 문서 소스를 추가할 수 있으며, 선택적으로 설명과 API 키를 제공할 수 있습니다.

등록된 모든 문서 출처를 나열하고 세부 정보를 볼 수도 있습니다.

질문/검색을 할 준비가 되면 텍스트 질문으로 지식 기반을 쿼리할 수 있으며, 검색할 소스를 지정하거나 비워두면 모든 소스를 검색할 수 있습니다.

그러면 도구가 쿼리된 소스의 결과를 집계하여 사용자에게 제공합니다.

필수 조건

가다
파이썬 3.6 이상
Anthropic Claude 데스크톱 앱(또는 Cursor 또는 Cline)
UV(Python 패키지 관리자), curl -LsSf https://astral.sh/uv/install.sh | sh

개념

하나의 구성으로 모든 사용자 정의 지식 기반 엔드포인트 웹훅을 연결할 수 있는 단일 통합 설정을 구축하고 여러 MCP 서버가 필요 없게 된다고 상상해 보세요.

데모

mcp 커서 비디오를 보세요

설정 설치

저장소 복제

지엑스피1

엔드포인트 구성 knowledge_document_sources.json 파일을 복사하거나 변경하세요. 현재 지원되는 Knowledge Endpoint API 스키마에 대한 참조는 sample_endpoint 폴더를 참조하세요. 필요에 따라 코드를 변경할 수 있습니다.
MCP 서버에 연결아래 json을 적절한 {{PATH}} 값으로 복사하세요.
{ "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" } } } }

Claude 의 경우 Claude Desktop 구성 디렉토리에 claude_desktop_config.json 으로 저장합니다.

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

Cursor 의 경우 Cursor 구성 디렉토리에 mcp.json 으로 저장합니다.

~/.cursor/mcp.json

cline 의 경우 구성에서 cline_mcp_settings.json 으로 저장합니다.

클라이언트 재시작: Claude Desktop / Cursor / Cline / Windsurf mcp에 대한 클라이언트 ide를 열고 재시작합니다. 예: Claude/Cursor/Cline/기타

Windows 호환성

Windows에서 이 프로젝트를 실행하는 경우, go-sqlite3 를 컴파일하고 제대로 작동하려면 CGO를 활성화해야 합니다. Windows에서는 기본적으로 CGO가 비활성화되어 있으므로 , C 컴파일러를 설치하고 CGO를 명시적으로 활성화해야 합니다.

작동시키기 위한 단계:

C 컴파일러 설치
Windows용 C 컴파일러를 설치하려면 MSYS2를 사용하는 것이 좋습니다. MSYS2를 설치한 후 ucrt64\bin 폴더를 PATH 에 추가하세요.
→ 단계별 가이드는 여기에서 확인할 수 있습니다.

아키텍처 개요

이 애플리케이션은 간단한 주요 구성 요소로 구성되어 있습니다.

Python MCP 서버 ( main.py ): 데이터와 상호작용하고 API 호출을 호출하는 데 필요한 표준화된 도구를 클라이언트에 제공하는 모델 컨텍스트 프로토콜(MCP)을 구현한 Python 서버입니다.

데이터 저장

모든 저장소는 런타임 로컬 메인 파이썬 서버입니다.

기술적 세부 사항

클라이언트가 Python MCP 서버에 요청을 보냅니다.
MCP 서버는 런타임 구성 지식 기반을 조회합니다.
그런 다음 귀하의 질의에 따라 귀하의 지식 기반 엔드포인트 API를 호출합니다.

문제 해결

uv를 실행할 때 권한 문제가 발생하면 PATH에 추가하거나 실행 파일의 전체 경로를 사용해야 할 수 있습니다.
통합이 제대로 작동하려면 Go 애플리케이션과 Python 서버가 모두 실행 중인지 확인하세요.

서버 시작

구성 개발 모드에서 서버를 실행합니다.

fastmcp dev main.py

또는 Claude와 함께 사용하도록 설치하세요.

fastmcp install main.py

사용 가능한 도구

1. 기본적으로 knowledge_document_sources.json에서 지식 목록을 로드합니다.

기본적으로 구성에서 지식 소스를 로드합니다.

knowledge_document_sources.json
 

mcp.json 환경 구성에서 사용자 정의 지식을 로드할 수 있습니다.

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

2. 현재 등록된 모든 지식 소스를 나열합니다.

등록된 모든 지식 소스 목록을 표시하고 설명합니다.

eg. Show me my arcknowledge list 
 

3. 새로운 지식 문서 소스 추가

새로운 arcknowledge 엔드포인트 URL 문서 소스를 추가합니다. URL, 설명, 목적, API 키(있는 경우)를 제공하세요.

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. 특정 지식 문서 소스 쿼리

query_knowledge_base를 사용하여 이러한 소스에서 구축된 아크노리지 베이스를 쿼리합니다.

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?

도구 기능

add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str
- 설명과 API 키와 함께 새로운 문서 소스 URL을 등록합니다.
- 반환: 새로운 소스 ID가 포함된 확인 메시지입니다.
list_knowledge_document_sources() -> Dict[str, Dict[str, str]]
- 등록된 문서 소스를 모두 나열합니다.
- 반환: 사전 매핑 소스 ID를 세부 정보(URL, 설명, API 키)에 연결합니다.
query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str
- 지정된 문서 소스(또는 지정하지 않으면 모든 소스)를 텍스트 쿼리와 선택적 이미지 데이터로 쿼리합니다.
- 반환: 쿼리된 소스에서 집계된 결과입니다.

개발

중요 파일 프로젝트 구조

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

커서 AI MCP 구성

프로젝트 루트에 mcp.json 파일을 만듭니다.

{
    "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"
    }
}

커서 AI 구성:
- 커서 AI 설정 열기
- MCP 섹션으로 이동
- mcp.json 파일에 경로를 추가하세요
- 변경 사항을 적용하려면 Cursor AI를 다시 시작하세요.
구성 확인:

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

# List available tools
fastmcp list

새로운 기능 추가

main.py 에 새로운 모델을 정의합니다.
@mcp.tool() 데코레이터를 사용하여 새 도구 추가
필요에 따라 문서를 업데이트하세요

특허

MIT

기여하다

저장소를 포크하세요
기능 브랜치를 생성하세요
변경 사항을 커밋하세요
지점으로 밀어 넣기
새로운 풀 리퀘스트 만들기

MCP-ArcKnowledge

Integrations