Сервер Obsidian MCP

Сервер MCP (Model Context Protocol), который позволяет агентам ИИ выполнять сложный поиск и анализ знаний в вашем хранилище Obsidian с помощью плагина Local REST API.

Почему это важно

Этот сервер преобразует ваше хранилище Obsidian в мощную базу знаний для агентов ИИ, позволяя выполнять сложные многоэтапные рабочие процессы, такие как:

• «Извлеките заметки из моей папки «Проекты/Планирование», содержащие в заголовках слова «дорожная карта» или «хронология», созданные после 1 апреля, затем проанализируйте их на предмет наличия блокировщиков или зависимостей и представьте консолидированную оценку рисков со ссылками на исходные заметки»

• «Найдите все заметки с тегами «исследование» или «анализ» за последний месяц, просмотрите их содержимое на предмет незавершенных разделов или открытых вопросов, затем сравните с моими заметками «Команда/Экспертиза», чтобы предложить коллегам, которые могли бы помочь заполнить каждый пробел»

• «Получить полное содержание заметок о встречах из «Руководства/Ежеквартально», содержащих «бюджет» или «численность персонала», проанализировать их на предмет пунктов действий, назначенных моему отделу, и создать хронологическую временную шкалу со ссылками на исходные заметки»

Расширенные возможности фильтрации сервера, поддержка регулярных выражений и полный поиск контента позволяют агентам выполнять тонкую работу по обработке знаний, на которую вручную ушли бы часы.

Предпосылки

1. Установите плагин Obsidian Local REST API в хранилище Obsidian

2. Настройте и включите плагин в настройках Obsidian

3. Запишите URL-адрес API (по умолчанию: https://localhost:27124 ) и ключ API, если вы его установили.

Установка

Из PyPI (рекомендуется)

Добавить в конфигурацию MCP

Добавьте в конфигурацию вашего клиента MCP (например, Claude Desktop):

Из источника (Разработка)

Конфигурация

Установите переменные среды для Obsidian API:

Важное примечание по безопасности : Избегайте жесткого кодирования OBSIDIAN_API_KEY непосредственно в скриптах или передачи его в систему контроля версий. Рассмотрите возможность использования файла .env (который включен в .gitignore этого проекта) и библиотеки, например python-dotenv для управления вашим ключом API или используйте переменные среды, управляемые вашей операционной системой или оболочкой.

Примечание : сервер по умолчанию использует HTTPS и отключает проверку сертификатов SSL для самоподписанных сертификатов, обычно используемых с локальными экземплярами Obsidian. Для HTTP-подключений установите OBSIDIAN_API_URL="http://localhost:27123" .

Использование

Запустите сервер MCP:

Доступные инструменты

Сервер предоставляет три мощных инструмента:

1. search_vault — Расширенный поиск с гибкими фильтрами и полным извлечением контента:

   • query — поиск текста или регулярного выражения по содержимому заметки (необязательно)

   • query_type - Тип поиска: «текст» (по умолчанию) или «регулярное выражение»

   • search_in_path — Ограничить поиск определенным путем к папке

   • title_contains — Фильтр по тексту в заголовках заметок (строка, массив или строка JSON)

   • title_match_mode — Как сопоставить несколько терминов: «любой» (ИЛИ) или «все» (И)

   • tag — фильтр по тегу (строка, массив или строка JSON — поиск по заголовкам и встроенным #тегам)

   • tag_match_mode — Как сопоставить несколько тегов: «любой» (ИЛИ) или «все» (И)

   • context_length — объем возвращаемого контента (установите высокое значение для полного контента)

   • include_content — логическое значение для извлечения полного содержимого всех соответствующих заметок.

   • created_since/until - Фильтр по дате создания

   • modified_since/until - Фильтр по дате изменения

   • page_size - Результаты на страницу

   • max_matches_per_file — ограничение совпадений на одну заметку

   Основные характеристики :

   • Если query не указан, автоматически возвращается полный контент для поиска только с фильтром.

   • include_content=True принудительно извлекает полный контент для любого поиска

   • Поддерживает шаблоны регулярных выражений для сложного сопоставления текста (условия ИЛИ, поиск без учета регистра и т. д.)

2. get_note_content — Извлечь полное содержимое и метаданные определенной заметки по пути

3. browse_vault_structure — эффективная навигация по структуре каталогов хранилища:

   • path — каталог для просмотра (по умолчанию — корень хранилища)

   • include_files — логическое значение для включения файлов (по умолчанию: False, только папки для скорости)

   • recursive - Булевский для просмотра всех вложенных каталогов

Примеры использования

Базовые поиски

1. Найти заметки по названию в определенной папке:

   search_vault( search_in_path="Work/Projects/", title_contains="meeting" )

2. Найти заметки с несколькими терминами в заголовках (логика ИЛИ):

   search_vault( title_contains=["foo", "bar", "fizz", "buzz"], title_match_mode="any" # Default )

3. Найти заметки со ВСЕМИ терминами заголовка (И логикой):

   search_vault( title_contains=["project", "2024"], title_match_mode="all" )

4. Получить все последние заметки с полным содержанием:

   search_vault( modified_since="2025-05-20", include_content=True )

5. Текстовый поиск с контекстом:

   search_vault( query="API documentation", search_in_path="Engineering/", context_length=500 )

6. Поиск по тегу:

   search_vault( tag="project" )

7. Поиск регулярных выражений для условий OR:

   search_vault( query="foo|bar", query_type="regex", search_in_path="Projects/" )

8. Поиск регулярных выражений для задач, назначенных конкретным людям:

   search_vault( query="(TODO|FIXME|ACTION).*@(alice|bob)", query_type="regex", search_in_path="Work/Meetings/" )

Расширенные многошаговые рабочие процессы

Эти примеры демонстрируют, как агенты могут объединять сложные задачи по обнаружению знаний:

9. Стратегический анализ проекта:

   # Step 1: Get all project documentation search_vault( search_in_path="Projects/Infrastructure/", title_contains=["planning", "requirements", "architecture"], title_match_mode="any", include_content=True ) # Step 2: Find related technical discussions search_vault( tag=["infrastructure", "technical-debt"], tag_match_mode="any", modified_since="2025-04-01", include_content=True )

   Затем агент может анализировать зависимости, выявлять риски и рекомендовать распределение ресурсов.

10. Майнинг элементов действия встречи:

Агент сканирует контент на предмет элементов действий, извлекает задания и создает хронологическое отслеживание.

11. Анализ пробелов в исследованиях:

Агент выявляет пробелы в знаниях и предлагает членов команды, которые могли бы помочь

12. Исследование структуры хранилища:

13. Картирование знаний на основе тегов:

Разработка

Лицензия

Данный проект лицензирован по лицензии MIT — подробности см. в файле LICENSE .