MCP ArcKnowledge

它是如何工作的？

这是用于您的自定义 webhook 端点（知识库）的模型上下文协议 (MCP) 服务器。

有了它，您可以轻松管理和查询您的知识库列表（Webhook 端点）。您可以通过注册 URL 来添加新的文档源，并可选择提供描述和 API 密钥。

您还可以列出所有已注册的文档源并查看其详细信息。

当您准备好询问/搜索时，您可以使用文本问题查询知识库，指定要搜索的来源或将其留空以搜索所有来源。

然后，该工具将汇总来自查询源的结果并提供给您。

先决条件

去
Python 3.6+
Anthropic Claude 桌面应用程序（或 Cursor 或 Cline）
UV（Python 包管理器），使用curl -LsSf https://astral.sh/uv/install.sh | sh

概念

想象一下，能够桥接 1 个统一的设置，您可以在一个配置中连接所有自定义知识库端点 webhook，从而无需多个 MCP 服务器。

演示

观看 mcp 光标视频

设置安装

1.克隆仓库

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

配置端点复制或更改knowledge_document_sources.json文件。请参阅sample_endpoint文件夹，了解当前知识端点 API 架构的支持情况。您可以根据需要更改代码。
连接到 MCP 服务器使用适当的 {{PATH}} 值复制以下 json：
{ "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" } } } }

对于Claude ，将其保存为claude_desktop_config.json并保存在 Claude Desktop 配置目录中：

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

对于Cursor ，将其保存为mcp.json并保存在 Cursor 配置目录中：

~/.cursor/mcp.json

对于cline ，将其保存为cline_mcp_settings.json在您的配置中

重启客户端：Claude Desktop / Cursor / Cline / Windsurf打开并重启 mcp 的客户端 ide。例如 Claude/Cursor/Cline/等

Windows 兼容性

如果您在 Windows 上运行此项目，请注意， go-sqlite3需要启用 CGO才能编译并正常工作。默认情况下， CGO 在 Windows 上处于禁用状态，因此您需要显式启用它并安装 C 编译器。

使其工作的步骤：

安装 C 编译器
我们建议使用MSYS2为 Windows 安装 C 编译器。安装 MSYS2 后，请确保将ucrt64\bin文件夹添加到PATH中。
→此处提供分步指南。

架构概述

该应用程序由简单的主要组件组成：

Python MCP 服务器（ main.py ）：实现模型上下文协议（MCP）的 Python 服务器，它提供标准化的工具客户端与数据交互并调用 api 调用。

数据存储

所有存储都是运行时本地主 python 服务器。

技术细节

客户端向 Python MCP 服务器发送请求
MCP 服务器查找其运行时配置知识库。
然后根据您的查询，它会调用您的知识库端点 API，

故障排除

如果在运行 uv 时遇到权限问题，则可能需要将其添加到 PATH 或使用可执行文件的完整路径。
确保 Go 应用程序和 Python 服务器都在运行，以确保集成正常工作。

启动服务器

配置以开发模式运行服务器：

fastmcp dev main.py

或者安装它以便与 Claude 一起使用：

fastmcp install main.py

可用工具

1. 默认从 knowledge_document_sources.json 加载知识列表

默认从配置中加载知识源

knowledge_document_sources.json
 

您可以从 mcp.json 环境配置中加载自定义知识

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

2. 列出所有当前注册的知识源

显示并解释所有注册知识源的列表。

eg. Show me my arcknowledge list 
 

3.添加新的知识文档源

添加新的 arcknowledge 端点 URL 文档源。请提供 URL、描述目的以及 API 密钥（如有）。

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.查询特定知识文档来源

使用 query_knowledge_base 查询从这些源构建的 arcknowledge 库。

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?

工具功能

add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str
- 注册一个新的文档源 URL，可选择附带描述和 API 密钥。
- 返回：带有新源 ID 的确认消息。
list_knowledge_document_sources() -> Dict[str, Dict[str, str]]
- 列出所有已注册的文档源。
- 返回：将源 ID 映射到其详细信息（URL、描述、API 密钥）的字典。
query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str
- 使用文本查询和可选图像数据查询指定的文档源（如果未指定则查询所有文档源）。
- 返回：来自查询源的聚合结果。

发展

关键文件项目结构

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

光标 AI MCP 配置

在项目根目录中创建一个mcp.json文件：

{
    "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"
    }
}

配置光标AI：
- 打开光标 AI 设置
- 导航至 MCP 部分
- 添加mcp.json文件的路径
- 重新启动 Cursor AI 以应用更改
验证配置：

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

# List available tools
fastmcp list

添加新功能

在main.py中定义新模型
使用@mcp.tool()装饰器添加新工具
根据需要更新文档

执照

麻省理工学院

贡献

分叉存储库
创建你的功能分支
提交你的更改
推送到分支
创建新的 Pull 请求

MCP-ArcKnowledge

Integrations