MCP 服务器 ragdocs
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: Rust Docs MCP Server
用法
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
特征
基于矢量的文档搜索和检索
支持多种文档来源
支持本地（Ollama）嵌入生成或 OPENAI
语义搜索功能
自动化文档处理
法学硕士 (LLM) 的实时上下文增强
配置
与 Claude Desktop 一起使用
将其添加到您的claude_desktop_config.json中：
OpenAI 配置
Ollama配置
Ollama 从此代码库运行
环境变量参考
多变的 | 必需 | 默认 | 评论 |
| 全部 |
| “openai”或“ollama” |
| OpenAI | - | 从 OpenAI 仪表板获取 |
| 奥拉马 |
| 本地 Ollama 服务器 URL |
| 全部 |
| Qdrant 端点 URL |
| 云 Qdrant | - | 从 Qdrant Cloud 控制台 |
本地部署
该存储库包括用于本地开发的 Docker Compose 配置：
开始于：
端口 6333 上的 Qdrant 矢量数据库
端口 11434 上的 Ollama LLM 服务
访问端点：
Qdrant： http://localhost:6333
云部署
对于生产部署：
使用托管的 Qdrant Cloud 服务
设置以下环境变量：
工具
搜索文档
使用自然语言查询搜索存储的文档。返回符合上下文的摘录，并按相关性排序。
输入：
query（字符串）：要在文档中搜索的文本。可以是自然语言查询、特定术语或代码片段。limit（数字，可选）：返回结果的最大数量（1-20，默认值：5）。限制值越高，返回结果越全面，但处理时间也越长。
列出来源
列出系统中当前存储的所有文档来源。返回所有已索引文档的完整列表，包括来源 URL、标题和最后更新时间。使用此列表可以了解哪些文档可供搜索，或验证特定来源是否已被索引。
提取网址
提取并分析给定网页的所有 URL。此工具会抓取指定网页，识别所有超链接，并选择性地将其添加到处理队列中。
输入：
url（字符串）：待分析网页的完整 URL（必须包含协议，例如 https://）。该页面必须可公开访问。add_to_queue（布尔值，可选）：如果设置为 true，则自动将提取的 URL 添加到处理队列中，以便稍后进行索引。在大型网站上请谨慎使用，以避免队列过长。
删除文档
根据 URL 从系统中移除特定文档来源。移除操作是永久性的，并将影响未来的搜索结果。
输入：
urls(string[])：要从数据库中移除的 URL 数组。每个 URL 必须与添加文档时使用的 URL 完全匹配。
列表队列
列出当前在文档处理队列中等待的所有 URL。显示调用 run_queue 时将处理的待处理文档源。使用此方法可以监控队列状态、验证 URL 是否已正确添加，或检查处理积压情况。
运行队列
处理并索引当前文档队列中的所有 URL。每个 URL 均按顺序处理，并采用适当的错误处理和重试逻辑。处理过程中会提供进度更新。长时间运行的操作将一直处理，直到队列为空或发生不可恢复的错误。
清除队列
从文档处理队列中移除所有待处理的 URL。当您想重新开始、移除不需要的 URL 或取消待处理处理时，可以使用此功能重置队列。此操作是即时且永久的 - 如果您希望稍后处理 URL，则需要重新添加。
项目结构
该软件包采用模块化架构，核心组件和 MCP 协议处理程序之间清晰分离。请参阅ARCHITECTURE.md以获取详细的结构文档和设计决策。
不使用 Docker 来使用 Ollama Embeddings
安装Ollama：
下载 nomic-embed-text 模型：
验证安装：
执照
此 MCP 服务器采用 MIT 许可证。这意味着您可以自由使用、修改和分发该软件，但须遵守 MIT 许可证的条款和条件。更多详情，请参阅项目仓库中的 LICENSE 文件。
贡献
欢迎大家贡献代码！请参阅我们的CONTRIBUTING.md 文件，了解详细指南，以下是一些基本要求：
分叉存储库
安装依赖项：
npm install创建功能分支：
git checkout -b feat/your-feature使用 npm run commit 提交更改以确保符合常规提交
推送到你的 fork 并打开 PR
Forkception 致谢
该项目基于hannesrudolph/mcp-ragdocs的一个分支，而 hannesrudolph/mcp-ragdocs 本身又从qpd-v/mcp-ragdocs的原始作品中分叉而来。原始项目为本实现提供了基础。