How do I use kb-mcp-server?

1. Click on "Install Server". 2. Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state. 3. In the chat, type @ followed by the MCP server name and your instructions, e.g., "@kb-mcp-server What's the status of order 12345 and related return policy?" That's it! The server will respond to your query, and you can continue using it as needed. Here is a step-by-step guide with screenshots.

kb-mcp-server

by Doy369

Overview Schema Related Servers Score Discussions

Python

Hybrid

KB MCP Server · 企业级 B2B 客服工单知识库 RAG 系统

基于 MCP 协议 + Python 3.13 的可调用外部 API 的知识库。给 Agent 一套「检索知识 + 调用实时数据 + 结构化合成答复」的工具，让客服工单场景的问答既有据可依（知识库）、又实时准确（订单/库存等外部系统）。

🌐 在线演示：https://db4cf4dd1f9242009c50427cdd5a79.app.workbuddy.link

演示为离线模式（本地私有化检索 + mock 实时数据），无需任何外部依赖，开箱即跑。

✨ 特性

MCP 工具化：通过 MCP 协议把知识库能力暴露给任意 MCP 客户端（Claude Desktop、自研 Agent 等）。
混合检索（RAG）：向量语义召回 + 关键词，命中片段带相似度分数与可解释来源。
知识图谱（P6 · GraphRAG）：摄取时自动抽取三元组建图；问答时语义召回与图谱多跳并行，答复附带可解释关系路径（路径即证据）。
实时数据接入（P4）：内置订单状态 / 库存适配器，按问题意图自动调用外部 API，合成为「知识 + 实时数据」结构化答复（含置信度与轨迹）。
多格式摄取：.md / .txt / .docx（零依赖解析），支持单文档、文件夹批量、文件上传。
可切换存储 / 嵌入：
- 存储：memory（纯 Python 离线开发）⇄ pgvector（生产，Postgres + 向量索引）。
- 嵌入：dev（离线条目哈希，零依赖）⇄ bge（sentence-transformers 本地模型，数据不出域）。
Web 控制台：内置前端（static/index.html），知识摄取、检索、指标、知识图谱、Agent 协作、接口配置、对话一体。
生产加固（P5）：可选 Bearer 鉴权、按 IP 限流、结构化访问日志、/api/metrics 指标。
桌面客户端：可用 PyInstaller 打包为单文件 exe，原生窗口承载控制台（pywebview）。

Related MCP server: mcp-rag-assistant

🏗 架构

   MCP Client ──▶ MCP Server (FastMCP)
   (Agent / IDE)  ingest · search · ask_with_live
                  graph_query · graph_expand · graph_paths
                          │
                          ▼
     ┌──────────────────────────────────────────────────┐
     │               KB MCP Server 核心                 │
     │                                                  │
     │  Ingestion ──┬─▶ Embeddings ────▶ 向量库          │
     │              └─▶ TripleExtractor ▶ 知识图谱       │
     │                                                  │
     │  Retrieval(向量+BM25) ─┐                         │
     │  graph.expand_facts ───┼─▶ Synthesis 合成答复     │
     │  Adapters(实时数据) ───┘                         │
     └────┬──────────────┬───────────────┬─────────────┘
          │              │               │
          ▼              ▼               ▼
   memory / pgvector  memory / AGE    订单 · 库存 · CRM
   （向量：管语义）    （图谱：管关系）  （实时数据）
          └──────── 同一个 PostgreSQL 实例 ─────────┘
                          │
                          ▼
   Web 控制台 (app.py → static/index.html)
   知识库 / 检索·指标 / 知识图谱 / 接口配置 / 对话

GraphRAG 的分工：向量检索回答「哪段话像这个问题」，知识图谱回答「这些实体之间什么关系、能推出什么」。两者互补——图谱是向量库的关系增强层，不是替代品。

📁 目录结构

kb-mcp-server/
├── kb_mcp_server/          # 核心包
│   ├── server.py           # MCP Server（FastMCP 工具定义，含图谱与多 agent 工具）
│   ├── config.py           # 配置（环境变量 + 运行时配置持久化）
│   ├── embeddings.py       # 嵌入层（DevEmbedder / BGEEmbedder）
│   ├── storage.py          # 向量存储（MemoryVectorStore / PGVectorStore）
│   ├── graph.py            # 知识图谱（本体 / 双后端 / 三元组抽取 / 多跳查询）
│   ├── llmclient.py        # 本地 LLM 客户端（代理绕过 + 60s 熔断，三处调用共用）
│   ├── ingestion.py        # 摄取管线（切片 + 嵌入 + 写入，顺带抽取三元组入图）
│   ├── retrieval.py        # 混合检索
│   ├── synthesis.py        # 合成层（知识 + 图谱 + 实时数据 → 结构化答复）
│   ├── adapters.py         # 外部 API 适配器（订单/库存）
│   ├── agents/             # 多 agent 协作层（P7）
│   │   ├── base.py         #   AgentContext 黑板 + BaseAgent 模板（计时/异常兜底）
│   │   ├── workers.py      #   GraphBuilder / Retriever / GraphReasoner / LiveData / Synthesizer
│   │   └── orchestrator.py #   编排器（deterministic / llm 路由，三路并行）
│   └── __main__.py
├── app.py                  # Web 控制台（HTTP 服务 + 前端）
├── run_demo.py             # 演示入口（离线播种，用于云端/演示部署）
├── client.py               # 桌面客户端（pywebview 原生窗口）
├── static/index.html       # 前端控制台页面（含知识图谱面板）
├── demo_offline.py         # 离线自检脚本（摄取→检索整条链路）
├── demo_graph.py           # 图谱自检脚本（建图→多跳→推理路径→融合答复）
├── demo_agents.py          # 多 agent 自检脚本（补图→并行召回→合成→轨迹）
├── setup_db.py             # pgvector 建表初始化（--graph 额外初始化 AGE 图）
├── make_samples.py         # 生成多格式测试样本
├── fake_order_api.py       # 本地假订单后端（验证字段映射用）
├── requirements.txt
├── .env.example            # 全部配置项示例
└── samples/ test-docs/     # 示例知识库文档

🚀 快速开始（离线模式）

1. 环境

Python 3.13+
离线默认模式零额外依赖（仅 pydantic、python-dotenv）

pip install pydantic python-dotenv
# 生产模式按需：pip install "psycopg[binary]" pgvector

2. 运行 Web 控制台（最直观）

python app.py
# 自动打开浏览器：http://localhost:8000

控制台包含：

📚 知识库：粘贴文本入库 / 载入示例 FAQ / 选择文件夹或输入路径批量导入（自动建图）。
🔍 检索 · 指标：测试查询、查看命中片段与相似度、查看 /api/metrics 运行指标。
🕸 知识图谱：图谱统计、实体列表、点实体查多跳路径、用问题试关系侧召回、一键重建。
🤝 Agent 协作：agent 团队清单、协作问答——答复附带每个 agent 的耗时/成败/摘要轨迹。
⚙ 接口配置：在页面上填写外部 API 地址、鉴权、字段路径等，立即生效并持久化。
💬 对话：多轮问答，自动召回知识 + 图谱路径 + 拉取实时数据（订单/库存）合成答复。

3. 运行 MCP Server

python -m kb_mcp_server.server
# 也可 mcp.run() 默认 stdio 传输，供 MCP 客户端连接

4. 演示 / 云端部署入口

python run_demo.py
# 强制离线默认 + 重新播种示例知识库 + mock 实时数据
# 端口优先读 $PORT，回退 $KB_WEB_PORT，再回退 8000

🧰 MCP 工具一览

工具	说明
`ping`	健康检查
`ingest_document(doc_id, text, chunk_size, overlap)`	把文档灌入知识库，返回切片数
`search_knowledge(query, top_k, mode)`	混合检索，返回带相似度分数的知识片段
`ask_with_live_data(question, top_k, order_id, sku, history)`	检索 + 调外部 API + 查图谱 + 合成结构化答复（含置信度/关系路径/轨迹），支持多轮 `history`
`list_documents()`	列出知识库所有文档（含片段数与预览）
`delete_document(doc_id)`	删除某篇文档及其全部片段，并清理它在图谱中抽出的关系

知识图谱工具（P6）

工具	说明
`graph_expand(query, top_k, depth)`	GraphRAG 关系侧召回：从问题抽实体 → 查图谱多跳邻居 → 返回可解释路径
`graph_query(entity, relation, direction, depth)`	查某实体的关联（1-4 跳），返回每个邻居的完整路径
`graph_paths(src, dst, max_depth)`	查两实体间的推理路径，例如「物流配送」到「全额退款」走了几跳
`graph_entities(name, node_type, limit)`	列出图谱实体（模糊匹配 / 按类型过滤），按关联度排序
`graph_stats()`	图谱概况：节点/边数量、类型分布、本体定义
`graph_rebuild()`	用向量库已有文档重新抽取建图（存量知识补建 / 换本体后重建）

多 agent 协作工具（P7）

工具	说明
`multi_agent_ask(question, top_k, order_id, sku, history)`	多 agent 协作问答：编排器调度 4 个职责 agent，答复附带每个 agent 的耗时/成败/摘要轨迹
`agent_status()`	agent 清单与当前编排模式

🕸 知识图谱（GraphRAG 关系层）

它解决什么问题

纯向量检索答不准关系型多跳问题——「这个客户的问题是不是和前几单同一根因」「这条产品线适用哪条 SLA 例外条款」。这类问题的答案不在任何一段文本里，而在实体之间的关系里。知识图谱就是把这层关系显式建出来，给向量检索补上「推理 + 可解释」。

本体（最小可行：8 类节点 / 7 类关系）

本体驱动的意义：抽取与查询都在这个边界内，不合规的三元组直接丢弃，图谱不会发散。

节点类型：

类型	含义	类型	含义
`IssueCategory`	问题类别	`Product`	产品
`SLAClause`	SLA 条款	`RootCause`	根因
`Solution`	解决方案	`Ticket`	工单
`Document`	文档（知识来源）	`Customer`	客户

关系（带主宾类型约束）：

关系	含义	主语 → 宾语
`GOVERNED_BY`	适用条款	问题类别 → SLA 条款
`SOLVED_BY`	解决方案为	问题类别 → 解决方案
`CAUSED_BY`	根因为	问题类别/工单 → 根因
`ABOUT_PRODUCT`	涉及产品	问题类别/工单 → 产品
`CATEGORY_OF`	归类为	工单 → 问题类别
`SUBMITTED_BY`	由…提交	工单 → 客户
`MENTIONS`	提及	文档 → 各类实体

三元组怎么来的

本地 LLM 抽取（KB_LLM_ENABLED=1）：按本体约束输出 JSON 三元组，数据不出域。
规则词典兜底（默认，离线零依赖）：关键词/正则匹配问题类别、SLA 时限、解决方案、产品、根因。例：「付款后 48 小时内发货」→ (物流配送) --适用条款--> (48小时内发货)。
抽取挂在摄取管线上：每摄入一篇文档顺带把三元组写进图，不需要额外步骤。图谱失败绝不阻断摄取——向量库写成功即算成功。

三种用法

MCP 工具（给任意 agent）：graph_expand / graph_query / graph_paths。
Web 控制台：侧栏「🕸 知识图谱」——看统计、翻实体、点实体查多跳、用问题试关系侧召回。

代码：

from kb_mcp_server.graph import get_graph_store, expand_facts

g = get_graph_store()
g.add_triples(triples)                       # 建图（本体校验内置）
facts = expand_facts(g, "物流超时怎么赔偿")    # 关系侧召回，返回带路径的事实

自检

python demo_graph.py

跑完整链路：4 篇示例文档摄取建图 → 图谱统计 → 多跳查询 → 推理路径 → GraphRAG 融合答复。实测输出（memory 后端、离线零依赖）：

节点 34 / 边 34
按类型: Document 4, IssueCategory 6, SLAClause 12, Solution 6, Product 4, RootCause 2
─
物流配送 --适用条款--> 48小时内发货
退款退货 --解决方案为--> 全额退款
退款退货 --提及--> sla_policy ; sla_policy --提及--> 服务响应 ; 服务响应 --解决方案为--> 全额退款

最后一行正是图谱的价值所在：两段知识在向量空间里毫无相似之处，图谱却把它们串成了一条 跨文档、可解释的推理链——这就是「路径即证据」。

🤝 多 agent 协作（P7）

架构：按职责切分，共享同一张图

                Orchestrator（编排 · 路由）
                 │ 增量补图
                 ▼
                GraphBuilder ──写入──▶ 知识图谱
                 │
     ┌───────────┼───────────┐  （三个无依赖 worker 并行执行）
     ▼           ▼           ▼
  Retriever  GraphReasoner  LiveData      ← 各自只写黑板（AgentContext）里自己的字段
  语义召回     图谱多跳       订单/库存
     └───────────┼───────────┘
                 ▼
              Synthesizer ──▶ 结构化答复 + agent 轨迹

按职责切，不按知识域切（初期知识域太小，按域切会切出一堆空 agent）。
协作靠共享黑板（AgentContext）传递中间结果，不引入消息总线——协议仍然是 MCP（决策 D6）。
每个 agent 只写自己负责的字段；单个 agent 失败只降级、不阻断链路（沿用全项目的降级约定）。

两种编排模式（`KB_AGENT_MODE`）

模式	行为	适用
`deterministic`（默认）	固定流水线，零 LLM 依赖	离线演示 / 生产兜底
`llm`	本地 LLM 判断要不要查图 / 查实时数据，裁剪流水线	LLM 可用时降低延迟；失败自动回退 deterministic

轨迹即可观测性

multi_agent_ask 的返回里带 agents.trace——每个 agent 的名称、耗时、成败、一句话摘要：

[OK] GraphBuilder    10ms  图谱已是最新（4 篇已入图）
[OK] Retriever        18ms  召回 1 个片段
[OK] GraphReasoner    18ms  命中 1 个实体，10 条关系事实
[OK] LiveData          1ms  取到 1 条实时数据
[OK] Synthesizer       1ms  合成完成（template，置信度高，5 条关系路径）

自检

python demo_agents.py

完整演示「知识只入向量库 → GraphBuilder 自动补图 → 三路并行召回 → 合成 → 第二轮秒回」。 LLM 不可达时自动熔断（60s 内不再重试）并回退规则/模板，链路照常跑通。

⚙️ 配置

复制 .env.example 为 .env 后按需修改，关键项：

分组	变量	说明
存储	`KB_STORAGE_BACKEND`	`memory`（离线） / `pgvector`（生产）
图谱	`KB_GRAPH_BACKEND`	`memory`（离线纯 Python 图） / `age`（Postgres + Apache AGE，与 pgvector 同库）
图谱	`KB_GRAPH_ENABLED`	总开关，摄取时是否自动抽取三元组入图（默认 `1`）
图谱	`KB_GRAPH_NAME`	AGE 模式下的图名（默认 `kb_graph`）
嵌入	`KB_EMBEDDING_BACKEND`	`dev`（零依赖） / `bge`（本地模型）
合成	`KB_LLM_ENABLED` / `KB_LLM_BASE_URL` / `KB_LLM_MODEL`	本地 LLM（OpenAI 兼容，如 Ollama），失败自动回退模板
实时 API	`KB_API_MOCK` / `KB_ORDER_API_URL` / `KB_INVENTORY_API_URL` / 字段路径	`KB_API_MOCK=1` 走样例；配 URL 且 `=0` 走真实 HTTP
加固	`KB_API_TOKEN` / `KB_RATE_LIMIT` / `KB_LOG_FILE`	Bearer 鉴权 / 每 IP 限流 / 结构化日志

页面「接口配置」提交的配置会持久化到 runtime_config.json，优先级高于 .env。

🏭 生产部署

存储切 pgvector

pip install "psycopg[binary]" pgvector
# 目标 PG 安装 vector 扩展后：
KB_STORAGE_BACKEND=pgvector KB_DATABASE_URL=postgresql://user:pass@host:5432/kb python setup_db.py

图谱切 AGE（可选，与 pgvector 同库，不额外引入数据库）

# 前提：目标 PG 已安装 age 扩展（CREATE EXTENSION age 可用）
KB_STORAGE_BACKEND=pgvector KB_GRAPH_BACKEND=age \
  KB_DATABASE_URL=postgresql://user:pass@host:5432/kb python setup_db.py --graph

AGE 不可用时会自动回退 memory 图并在日志里说明，主链路不受影响。

嵌入切 bge（数据不出域）

pip install sentence-transformers
KB_EMBEDDING_BACKEND=bge   # 默认 BAAI/bge-large-zh-v1.5

启用本地 LLM 合成：KB_LLM_ENABLED=1 + 可达的 KB_LLM_BASE_URL（如 Ollama http://localhost:11434/v1）。
接真实外部 API：在 .env 配 KB_ORDER_API_URL / KB_INVENTORY_API_URL + 字段路径，并设 KB_API_MOCK=0。
加固：设置 KB_API_TOKEN 启用 Bearer 鉴权，KB_RATE_LIMIT 限流，KB_LOG_FILE 落结构化日志。

🖥 桌面客户端（可选）

pip install pywebview
python client.py            # 原生窗口承载控制台
# 打包为单文件 exe：
pyinstaller kb-mcp-client-v2.spec

📌 备注

runtime_config.json、kb_store.json、.env 均已 gitignore，不进仓库（含本地私有数据）。
离线 dev 嵌入为条目哈希实现，语义召回能力有限，仅用于跑通管线与演示；生产请用 bge。
外部 API 适配器为可扩展框架：继承 APIAdapter 实现 call() + _mock()，在 build_registry 注册即可新增后端（CRM / 工单系统等）。

📄 License

内部 B2B 项目，使用请遵循团队内部约定。

This server cannot be installed

RayrunBuild, deploy, and operate MCP servers without becoming an infrastructure team.ray.runAd

Maintenance

ActivityMaintained

ResponsivenessNo issues

Resources

GitHub Repository

Need Help?

Related Servers

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Connectors

Knowledge Raven
com.knowledge-raven
Make your knowledge agent-ready. One MCP endpoint, 5 connectors, 3 search modes.
RAG Systems Knowledge & Memory Search
2
brainattic
ai.brainattic
The knowledge base your AI reads and writes, under your rules — over MCP, EU-hosted.
Knowledge & Memory Search
2
iknow
dev.iknow
Knowledge base MCP for AI agents on iknow.dev. Search, read, and maintain via OAuth.
Knowledge & Memory Search Documentation Access
1
mcpOAuth
ai.zine
Your memory, everywhere AI goes. Build knowledge once, access it via MCP anywhere.
Knowledge & Memory RAG Systems Autonomous Agents
2

Related MCP Servers

mcp-rag-agent
RAG Systems AI & Machine Learning Knowledge & Memory
Apageoflove
A
license
Not graded
quality
B
maintenance
Enables document-based Q&A with multi-modal RAG, hybrid retrieval, knowledge graph reasoning, and multi-agent orchestration via MCP tools.
Updated 2 days ago (2026-09-01 05:58 UTC)
4
MIT
mcp-rag-assistant
RAG Systems Search
EdwinIN01
F
license
Not graded
quality
C
maintenance
Provides RAG-based knowledge retrieval and document management as MCP tools, supporting hybrid search, reranking, and retrieval process visualization.
Updated 2 months ago (2026-07-07 04:13 UTC)
mcp-business-bot
RAG Systems Knowledge & Memory
Akes102
F
license
Not graded
quality
C
maintenance
Enables querying company knowledge base using RAG, providing accurate answers from internal documents via MCP.
Updated 2 months ago (2026-07-13 07:18 UTC)
MCP RAG Server
RAG Systems Vector Databases
amaralphp
A
license
Not graded
quality
C
maintenance
Enables document ingestion, semantic search, and retrieval-augmented generation via MCP tools and REST API, using vector embeddings and intelligent chunking.
Updated a month ago (2026-07-28 13:03 UTC)
MIT

Latest Blog Posts

Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)
By Om-Shree-0709 on July 25, 2026.
mcp
Agent Identity
OAuth 2.1
Your AI Chatbot Just Exposed Your CEO's Salary to an Intern
By Om-Shree-0709 on July 2, 2026.
Agent Identity
MCP Security
OAuth Delegation
Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)
By Om-Shree-0709 on June 30, 2026.
Agentic Ai
Prompt Injection
WebAssembly

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/Doy369/kb-mcp-server'

If you have feedback or need assistance with the MCP directory API, please join our Discord server