MCP RAG 工具集

基于模型上下文协议（MCP）的智能知识库系统，提供文档处理、知识问答和向量库管理功能。

支持使用豆包与OpenAI

✨ 主要特性

• 🧠 智能知识库：基于向量检索的 RAG 系统，支持语义搜索和智能问答

• 📄 多格式文档处理：支持超过 25 种文档格式，包括 PDF、DOCX、PPTX、XLSX、图片、邮件等

• 🌐 直观 Web 界面：Bento 风格布局，分类展示所有工具功能

• 🤖 多模型支持：兼容 OpenAI、豆包、Ollama 等主流 AI 模型

• 🔍 高级过滤搜索：支持按文件类型、内容结构等条件进行精确检索

• 📊 统计分析：提供知识库统计、嵌入缓存分析等数据洞察

• ⚡ 本地化处理：支持本地模型推理，保护数据隐私

• 🔧 向量库管理：提供缓存清理、数据库优化等维护功能

安装

使用

启动 MCP 服务器

启动 Web 界面

Web 界面提供直观的 Bento 布局，支持以下工具分类：

• 📥 添加内容：添加文本和文档到知识库

• ❓ 智能问答：基于知识库进行问答和检索

• 📊 数据统计：查看知识库和系统统计信息

• ⚙️ 向量库管理：优化和维护向量数据库

配置

在项目根目录创建 .env 文件进行配置：

mcp客户端配置（豆包为例）

可用工具

添加内容

• learn_text(text, source_name) - 添加文本到知识库

• learn_document(file_path) - 处理并添加文档到知识库

智能问答

• ask_rag(query) - 基于知识库回答问题

• ask_rag_filtered(query, file_type, min_tables, min_titles, processing_method) - 带过滤条件的智能检索

数据统计

• get_knowledge_base_stats() - 显示知识库统计信息

• get_embedding_cache_stats() - 显示嵌入缓存统计

• get_data_paths() - 查看存储路径信息

向量库管理

• clear_embedding_cache_tool() - 清理嵌入缓存

• optimize_vector_database() - 优化向量数据库性能

• get_vector_database_stats() - 显示向量数据库统计

• reindex_vector_database() - 重新索引向量数据库

支持格式

支持超过 25 种文档格式，包括 PDF、DOCX、PPTX、XLSX、图片、邮件等。