Vectara MCP 服务器

🔌与

Vectara MCP 也与任何 MCP 客户端兼容

模型上下文协议 (MCP) 是一种开放标准，使 AI 系统能够与各种数据源和工具无缝交互，促进安全的双向连接。

Vectara-MCP 通过 MCP 协议为任何代理应用程序提供对快速、可靠且幻觉较少的 RAG 的访问，该 RAG 由 Vectara 的 Trusted RAG 平台提供支持。

安装

您可以直接从 PyPI 安装该包：

可用工具

• **ask_vectara：**使用 Vectara 运行 RAG 查询，返回带有生成响应的搜索结果。

  参数：

  • query：str，要运行的用户查询 - 必需。

  • corpus_keys：list[str]，用于搜索的 Vectara 语料库关键词列表 - 必填。请要求用户提供一个或多个语料库关键词。

  • api_key：str，Vectara API 密钥 - 必需。

  • n_sentences_before：int，包含在上下文中的答案之前的句子数 - 可选，默认为 2。

  • n_sentences_after：int，答案后包含在上下文中的句子数 - 可选，默认为 2。

  • lexical_interpolation：浮点数，要使用的词汇插值量 - 可选，默认值为 0.005。

  • max_used_search_results：int，要使用的最大搜索结果数 - 可选，默认为 10。

  • generation_preset_name：str，要使用的生成预设的名称 - 可选，默认为“vectara-summary-table-md-query-ext-jan-2025-gpt-4o”。

  • respond_language：str，响应的语言 - 可选，默认为“eng”。

  返回：

  • Vectara 的回应，包括生成的答案和搜索结果。

• **search_vectara：**使用 Vectara 运行语义搜索查询，无需生成。

  参数：

  • query：str，要运行的用户查询 - 必需。

  • corpus_keys：list[str]，用于搜索的 Vectara 语料库关键词列表 - 必填。请要求用户提供一个或多个语料库关键词。

  • api_key：str，Vectara API 密钥 - 必需。

  • n_sentences_before：int，包含在上下文中的答案之前的句子数 - 可选，默认为 2。

  • n_sentences_after：int，答案后包含在上下文中的句子数 - 可选，默认为 2。

  • lexical_interpolation：浮点数，要使用的词汇插值量 - 可选，默认值为 0.005。

  返回：

  • Vectara 的回应，包括匹配的搜索结果。

使用 Claude Desktop 进行配置

添加到您的 claude_desktop_config.json：

在 Claude 桌面应用程序中的使用

安装完成并配置好 Claude 桌面应用程序后，您必须完全关闭并重新打开 Claude 桌面应用程序才能查看 Vectara-mcp 服务器。您应该会在应用程序左下角看到一个锤子图标，表示可用的 MCP 工具，您可以点击该锤子图标查看有关 Vectara-search 和 Vectara-extract 工具的更多详细信息。

现在，Claude 将拥有 Vectara-mcp 服务器的完整访问权限，包括 ask-vectara 和 search-vectara 工具。首次使用这些工具时，Claude 会要求您提供 Vectara API 密钥和语料库密钥（如果您想使用多个语料库，则需要提供多个密钥）。设置完成后，您就可以开始了。以下是一些您可以尝试的示例（使用包含我们网站信息的 Vectara 语料库）：

Vectara RAG 示例

1. 查询Vectara语料库：

2. 搜索 Vectara 语料库：

致谢✨

• MCP 规范的模型上下文协议

• 克劳德桌面版的Anthropic