RAG 文档 MCP 服务器
MCP 服务器实现提供了通过矢量搜索检索和处理文档的工具，使 AI 助手能够通过相关文档上下文增强他们的响应。
目录
Related MCP server: RAG Documentation MCP Server
特征
工具
搜索文档
使用矢量搜索功能搜索文档
返回包含源信息的相关文档块
列表来源
列出所有可用的文档来源
提供有关每个来源的元数据
提取网址
从文本中提取 URL 并检查它们是否已存在于文档中
有助于防止重复文档
删除文档
从特定来源删除文档
清理过时或不相关的文档
列表队列
列出处理队列中的所有项目
显示待处理文件的状态
运行队列
处理队列中的所有项目
自动将新文档添加到矢量存储
清除队列
清除处理队列中的所有项目
对于重置系统很有用
添加文档
将新文档添加到处理队列
支持各种格式和来源
快速入门
RAG 文档工具旨在用于：
利用相关文档增强人工智能响应
构建具有文档意识的人工智能助手
为开发人员创建上下文感知工具
实现语义文档搜索
扩充现有知识库
Docker Compose 设置
该项目包含一个docker-compose.yml文件，可轻松进行容器化部署。要启动服务：
要停止服务：
Web 界面
该系统包含一个 Web 界面，启动 Docker Compose 服务后即可访问：
打开浏览器并导航至：
http://localhost:3030该界面提供：
实时队列监控
文档源管理
用于测试查询的搜索界面
系统状态和健康检查
配置
嵌入配置
该系统使用 Ollama 作为本地嵌入生成的默认嵌入提供程序，并使用 OpenAI 作为后备选项。此设置优先考虑本地处理，同时通过基于云的后备方案保持可靠性。
环境变量
EMBEDDING_PROVIDER：选择主要嵌入提供程序（'ollama' 或 'openai'，默认值：'ollama'）EMBEDDING_MODEL：指定要使用的模型（可选）对于 OpenAI：默认为“text-embedding-3-small”
对于 Ollama：默认为“nomic-embed-text”
OPENAI_API_KEY：使用 OpenAI 作为提供商时必需FALLBACK_PROVIDER：可选备份提供程序（'ollama' 或 'openai'）FALLBACK_MODEL：后备提供程序的可选模型
克莱恩配置
将其添加到您的cline_mcp_settings.json ：
Claude桌面配置
将其添加到您的claude_desktop_config.json中：
默认配置
系统默认使用 Ollama 进行高效的局部嵌入生成。为了获得最佳可靠性，请执行以下操作：
在本地安装并运行 Ollama
将 OpenAI 配置为后备（推荐）：
{ // Ollama is used by default, no need to specify EMBEDDING_PROVIDER "EMBEDDING_MODEL": "nomic-embed-text", // optional "FALLBACK_PROVIDER": "openai", "FALLBACK_MODEL": "text-embedding-3-small", "OPENAI_API_KEY": "your-api-key-here" }
此配置可确保：
使用 Ollama 快速生成本地嵌入
如果 Ollama 失败，则自动回退到 OpenAI
除非必要，否则无需调用外部 API
注意：系统将根据提供商自动使用适当的向量尺寸：
Ollama（nomic-embed-text）：768 维
OpenAI（text-embedding-3-small）：1536 维
致谢
该项目是qpd-v/mcp-ragdocs的一个分支，最初由 qpd-v 开发。原始项目为本实现提供了基础。
特别感谢原作者 qpd-v 为 MCP 服务器初始版本所做的创新工作。Rahul Retnan 已为本次分叉添加了更多功能和改进。
故障排除
服务器未启动（端口冲突）
如果由于端口冲突导致 MCP 服务器启动失败，请按照以下步骤操作：
识别并终止使用端口 3030 的进程：
重启 MCP 服务器
如果问题仍然存在，请检查使用该端口的其他进程：
如果需要，您还可以更改配置中的默认端口