MCP ArcKnowledge

знание дуги MCP

Как это работает?

диаграмма знаний дуги

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

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

демонстрационный курсор arcknowledge демонстрационный образец arcknowledge

Смотреть видео о курсоре mcp

Установка Установка

Клонировать репозиторий

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

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.
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:

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

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

~/.cursor/mcp.json

Для cline сохраните это как cline_mcp_settings.json в вашей конфигурации

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:

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

Клиент отправляет запросы на сервер Python MCP
Сервер MCP ищет в своей базе знаний конфигурации времени выполнения.
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

Конфигурация Запустите сервер в режиме разработки:

fastmcp dev main.py

Или установите его для использования с Клодом:

fastmcp install main.py

Доступные инструменты

1. По умолчанию загружает список знаний из knowledge_document_sources.json

По умолчанию загружает источники знаний из конфигурации

knowledge_document_sources.json

Вы можете загрузить пользовательские знания из конфигурации среды mcp.json

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

2. Перечислите все зарегистрированные на данный момент источники знаний.

Показывает и поясняет список всех зарегистрированных источников знаний.

eg. Show me my arcknowledge list

3. Добавить новый источник документа знаний

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

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. Запрос конкретного источника документа знаний

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

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?

Функции инструмента

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.
list_knowledge_document_sources() -> Dict[str, Dict[str, str]]
- Перечисляет все зарегистрированные источники документов.
- Возвращает: словарь, сопостав��яющий идентификаторы источников с их данными (URL, описание, ключ API).
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

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

Конфигурация курсора AI MCP

Создайте файл mcp.json в корневом каталоге вашего проекта:

{ "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" } }

Настроить курсор ИИ:
- Открыть настройки курсора AI
- Перейдите в раздел MCP
- Добавьте путь к вашему файлу mcp.json
- Перезапустите Cursor AI, чтобы применить изменения.
Проверьте конфигурацию:

# Check if MCP is properly configured fastmcp check mcp.json # List available tools fastmcp list

Добавление новых функций

Определить новые модели в main.py
Добавьте новые инструменты с помощью декоратора @mcp.tool()
Обновляйте документацию по мере необходимости.

Лицензия

Массачусетский технологический институт

Внося вклад

Форк репозитория
Создайте свою ветку функций
Зафиксируйте ваши изменения
Нажмите на ветку
Создать новый запрос на извлечение

This server cannot be installed

security - not tested

license - not tested

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.