MCP ArcKnowledge

Как это работает?

Это сервер протокола контекста модели (MCP) для ваших пользовательских конечных точек веб-перехватчиков (база знаний).

С этим вы можете легко управлять и запрашивать ваш список базы знаний (конечные точки веб-перехвата). Вы можете добавлять новые источники документов, регистрируя их URL-адреса, и по желанию предоставлять описание и ключ API.

Вы также можете составить список всех зарегистрированных источников документов и просмотреть их данные.

Когда вы будете готовы задать вопрос/выполнить поиск, вы можете отправить запрос в базу знаний с помощью текстового вопроса, указав, в каких источниках выполнять поиск, или оставив поле пустым, чтобы выполнить поиск по всем источникам.

Затем инструмент объединит результаты из запрошенных источников и предоставит их вам.

Предпосылки

• Идти

• Питон 3.6+

• Приложение Anthropic Claude Desktop (или Cursor или Cline)

• UV (менеджер пакетов Python), установка с помощью curl -LsSf https://astral.sh/uv/install.sh | sh

Related MCP server: PDF RAG MCP Server

Концепция

Представьте себе возможность объединить одну унифицированную настройку, в которой вы можете соединить все конечные точки вашей пользовательской базы знаний веб-перехватчиком в одну конфигурацию, устраняя необходимость в нескольких серверах MCP.

Демо

Смотреть видео о курсоре mcp

Установка Установка

1. Клонировать репозиторий

2. Настройте конечные точки. Сделайте копию или измените knowledge_document_sources.json . Смотрите папку sample_endpoint для ссылок на текущую схему API конечных точек знаний, поддерживаемую. Вы можете изменить код по своему усмотрению в соответствии с вашими потребностями.

3. Подключиться к серверу MCP

   Скопируйте приведенный ниже json-файл с соответствующими значениями {{PATH}}:

   { "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" } } } }

Для Claude сохраните это как claude_desktop_config.json в каталоге конфигурации Claude Desktop по адресу:

Для Cursor сохраните это как mcp.json в каталоге конфигурации Cursor по адресу:

Для cline сохраните это как cline_mcp_settings.json в вашей конфигурации

4. Перезапустите клиент: Claude Desktop / Cursor / Cline / Windsurf Откройте и перезапустите клиентскую среду для mcp. Например, Claude/Cursor/Cline/и т. д.

Совместимость с Windows

Если вы запускаете этот проект на Windows, учтите, что go-sqlite3 требует включения CGO для правильной компиляции и работы. По умолчанию CGO отключен на Windows , поэтому вам нужно явно включить его и установить компилятор C.

Шаги, которые нужно выполнить:

1. Установить компилятор C
   Мы рекомендуем использовать MSYS2 для установки компилятора C для Windows. После установки MSYS2 обязательно добавьте папку ucrt64\bin в ваш PATH .
   → Пошаговое руководство доступно здесь .

Обзор архитектуры

Это приложение состоит из простого основного компонента:

Сервер Python MCP ( main.py ): сервер Python, реализующий протокол контекста модели (MCP), который предоставляет стандартизированные инструменты клиенту для взаимодействия с данными и вызова API.

Хранение данных

• Все хранилище находится на локальном главном сервере Python во время выполнения.

Технические подробности

1. Клиент отправляет запросы на сервер Python MCP

2. Сервер MCP ищет в своей базе знаний конфигурации времени выполнения.

3. Затем на основе ваших запросов он вызывает API конечной точки вашей базы знаний,

Поиск неисправностей

• Если при запуске uv у вас возникли проблемы с правами доступа, вам может потребоваться добавить его в PATH или использовать полный путь к исполняемому файлу.

• Для корректной работы интеграции убедитесь, что приложение Go и сервер Python запущены.

Запуск сервера

1. Конфигурация Запустите сервер в режиме разработки:

Или установите его для использования с Клодом:

Доступные инструменты

1. По умолчанию загружает список знаний из knowledge_document_sources.json

По умолчанию загружает источники знаний из конфигурации

Вы можете загрузить пользовательские знания из конфигурации среды mcp.json

2. Перечислите все зарегистрированные на данный момент источники знаний.

Показывает и поясняет список всех зарегистрированных источников знаний.

3. Добавить новый источник документа знаний

Добавить новый источник документа arcknowledge endpoint url. Укажите url, описание цели и apikey (если есть)

4. Запрос конкретного источника документа знаний

Выполните запрос к базе данных arcknowledge, созданной на основе этих источников, используя query_knowledge_base.

Функции инструмента

1. add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str

   • Регистрирует новый URL-адрес источника документа, при необходимости с описанием и ключом API.

   • Возврат: подтверждающее сообщение с новым идентификатором источника.

2. list_knowledge_document_sources() -> Dict[str, Dict[str, str]]

   • Перечисляет все зарегистрированные источники документов.

   • Возвращает: словарь, сопоставляющий идентификаторы источников с их данными (URL, описание, ключ API).

3. query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str

   • Запрашивает указанные источники документов (или все, если не указано ни одного) с помощью текстового запроса и дополнительных данных изображения.

   • Возвращает: агрегированные результаты из запрошенных источников.

Разработка

Важные файлыСтруктура проекта

Конфигурация курсора AI MCP

1. Создайте файл mcp.json в корневом каталоге вашего проекта:

2. Настроить курсор ИИ:

   • Открыть настройки курсора AI

   • Перейдите в раздел MCP

   • Добавьте путь к вашему файлу mcp.json

   • Перезапустите Cursor AI, чтобы применить изменения.

3. Проверьте конфигурацию:

Добавление новых функций

1. Определить новые модели в main.py

2. Добавьте новые инструменты с помощью декоратора @mcp.tool()

3. Обновляйте документацию по мере необходимости.

Лицензия

Массачусетский технологический институт

Внося вклад

1. Форк репозитория

2. Создайте свою ветку функций

3. Зафиксируйте ваши изменения

4. Нажмите на ветку

5. Создать новый запрос на извлечение