Bear Notes MCP 服务器与 RAG
想要通过 AI 助手提升你的 Bear Notes 体验吗？这款小工具使用语义搜索和 RAG（检索增强生成）技术，将你的个人知识库与 AI 系统连接起来。
我开发这个应用是因为我希望我的AI助手能够真正理解我的笔记内容，而不仅仅是进行简单的文本匹配。我自己都觉得，结果相当不错。
入门
设置很简单：
使脚本可执行（因为权限很重要）：
Related MCP server: Bear MCP Server
首先要做的事情：索引你的笔记
在深入研究之前，您需要创建笔记的矢量嵌入：
温馨提示：如果你像我一样是个笔记高手，这可能需要几分钟。它会把你所有的笔记转换成数学向量，从而捕捉它们的含义——真是个聪明的主意😉。
配置
更新您的 MCP 配置文件：
🚨记得将路径替换为你的实际安装位置。直接使用示例路径恐怕没什么好处。
有何特别之处？
语义搜索：基于语义而非关键词查找笔记。例如，如果您搜索“生产力系统”，即使笔记中不包含这些关键词，它也能找到您关于 GTD 和番茄工作法的笔记。
RAG 支持：您的 AI 助手现在可以从您的笔记中提取相关内容，即使您没有明确提及它们。
全部本地处理：一切都在您的计算机上运行。无需任何数据离开您的计算机，无需 API 密钥，无需互联网依赖（初始设置后）。
优雅的回退：如果语义搜索因任何原因不可用，它将悄悄地回退到传统搜索。安全第一。
工作原理
巧妙之处
该服务器使用 Xenova 实现的 transforms.js 和 all-MiniLM-L6-v2 模型：
它创建 384 维向量来捕捉笔记的语义本质
所有处理均在您的机器本地进行
第一次启动时模型加载可能会有点慢，但之后就很快了
流程
使用转换器模型，您的查询将被转换为向量
该向量与笔记的预索引向量进行比较
无论关键字是否完全匹配，都会返回具有相似含义的注释
人工智能助手使用这些相关注释作为其回复的背景
项目结构
这里没有什么太复杂的：
人工智能助手可用的工具
连接到该服务器的AI助手可以使用以下工具：
search_notes ：查找符合查询的笔记
参数：
query（必需）、limit（可选，默认值：10）、semantic（可选，默认值：true）
get_note ：通过 ID 获取特定笔记
参数：
id（必填）
get_tags ：列出 Bear Notes 中使用的所有标签
检索_for_rag ：获取语义上类似于查询的注释，专门为 RAG 格式化
参数：
query（必需）、limit（可选，默认值：5）
要求
Node.js 版本 16 或更高版本
熊掌记 macOS 版
兼容MCP的AI助手客户端
限制和注意事项
对 Bear Notes 的只读访问权限（我们不会修改您宝贵的笔记）
仅限 macOS（抱歉，Windows 和 Linux 用户）
如果你添加了大量新笔记，你需要使用
npm run index重建索引首次启动有点像等待水壶烧开，同时嵌入模型加载
故障排除
如果事情变得不对劲：
仔细检查你的 Bear 数据库路径
确保已使用
npm run index运行索引过程检查 Bear Notes 数据库的权限
验证服务器脚本是否可执行
在日志中查找错误消息
如有疑问，请尝试将其关闭并重新打开。它的效果比我们愿意承认的要好得多。
执照
MIT（欢迎随意修改、分享和改进）