kb-mcp
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@kb-mcpsearch for lessons about MCP integration"
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-lite
面向AI代理的轻量级本地知识库 · 团队协作友好
pip install kb-mcp-lite — 让任何AI编程助手都拥有结构化、可查询、可同步的团队"第二大脑"
🎯 解决什么问题
当前的知识管理工具存在明显的断层:
面向人类的知识库(Notion/Obsidian):需要手动维护,AI无法直接高效访问
向量数据库:需要复杂配置,没有结构化Schema,团队协作困难
团队文档散落在各个地方:代码注释、Wiki、PR描述、飞书文档,AI找不到也用不了
kb-mcp-lite 专门填补这个空白:专为AI代理设计,同时兼顾人类编辑和团队协作,让AI编程助手可以直接调用团队沉淀的所有技术知识。
对比维度 | Notion/Obsidian | Chroma/LanceDB等向量库 | kb-mcp-lite |
服务对象 | 人类 | 模型嵌入 | AI代理 + 人类开发者 |
访问方式 | Web UI | SDK调用 | MCP标准协议(AI原生) + CLI + Web管理后台 |
结构规范 | 自由格式 | 无结构 | 强Schema(标准化文档类型) |
存储方案 | 云服务/私有部署 | 本地文件 | SQLite + FTS5 单文件存储 |
团队协作 | 在线协作 | 无协作能力 | Git原生同步,纯文本版本管理 |
部署成本 | 账号/服务器 | 安装配置 |
|
数据隐私 | 云服务存储 | 本地 | 完全本地存储,无云服务,无遥测 |
Related MCP server: Brainstem
✨ 核心能力详解
1. 📐 强Schema标准化与结构化Metadata
内置9种开箱即用的文档类型,覆盖技术团队90%的知识沉淀场景,所有类型支持结构化Typed Metadata并可通过Python子类扩展:
文档类型 | ID前缀 | 用途说明 | 结构化Metadata亮点 |
|
| 项目/仓库说明文档 | 记录技术栈、负责人、状态、部署流程 |
|
| 架构决策记录(ADR) | 结构化记录 |
|
| 经验教训/踩坑记录 | 结构化记录 |
|
| 术语表 | 统一业务/技术专有名词标准定义 |
|
| 人员档案 | 团队成员技术栈、模块分工与联系方式 |
|
| 常见问题 | 沉淀高频问答,消除重复咨询 |
|
| API接口文档 | 结构化记录 HTTP Method、Path、鉴权与限流要求 |
|
| 运维手册(SOP) | 标准化运维及应急处置步骤 |
|
| 发布日志 | 版本号、变更清单、影响范围与回滚步骤 |
优势:
真实结构化元数据:支持 JSON 字段与 Frontmatter 无损互转,AI 可精确抽取与检索事实;
自动生成稳定ID(比如
dec/use-sqlite-fts5),可被跨文档可靠引用;支持自定义扩展文档类型,满足团队个性化需求。
2. ⚡ Section 级细粒度切片与 Token 保护
传统知识库全量返回整篇文档极易挤占 Agent 上下文空间,造成 Token 浪费。
章节按需获取:
kb_get(id="...", section="Architecture")/kb get --section "..."仅提取目标标题章节;智能目录感知:未指定章节时或章节不存在时,自动返回可用章节目录清单;
精准降耗:将长文档上下文消耗降低 70%~90%。
3. 🔍 多模式智能搜索
支持四种搜索模式,满足不同场景的查询需求:
词法搜索(默认):基于SQLite FTS5,BM25排序,精准匹配关键词,适合查找确定的技术点
模糊搜索:基于trigram索引,容错拼写错误、缩写、别名,适合模糊记忆的查询
语义搜索(可选):安装
sqlite-vec扩展后支持,支持自然语言语义匹配,适合模糊问题查找相关知识混合搜索:融合词法、模糊、语义三种搜索结果,使用倒数排名融合(RRF)算法,提供最佳综合搜索结果
搜索能力特性:
支持按文档类型、标签过滤
支持
vault="*"跨库联合搜索自动关联相关文档的反向链接
搜索结果返回完整的结构化信息,AI可以直接使用
支持图扩展选项,自动显示相关文档
4. 📜 完整版本控制与审计
所有文档的增删改操作都会被完整记录:
查看任意文档的完整修改历史,每次变更都有版本号
支持版本对比,字段级差异展示,清楚知道改了什么
支持恢复到任意历史版本,误修改可以一键回滚
软删除机制,删除的文档可以随时恢复,不会丢失数据
审计日志记录所有操作,支持审计追踪
5. 🔗 类型化知识图谱
文档之间可以创建带关系的链接:
支持10种标准关系类型:
relates-to、supersedes、superseded-by、depends-on、blocks、implements、references、governs、owned-by、tagged-with支持自定义关系类型(在配置文件中定义)
自动生成反向链接,查找某个决策影响哪些项目,某个Bug关联哪些经验
支持影响分析:当文档变更时,自动识别所有下游受影响的文档
支持决策演进链追踪:查看决策如何随时间演变
支持知识图谱可视化(Web管理后台),直观看到知识之间的关联关系
链接完整性校验,自动检测失效链接
6. 🤝 Git原生团队协作 & 智能三方合并
完全基于Git的团队同步机制,学习成本为零:
智能元数据合并 (3-Way Merge):多人同时修改文档时,对
tags/aliases/links/metadata自动做集合并集合并,杜绝 Git 冲突;自动化文件监听 (Auto-Watcher):提供
kb watch命令,支持事件驱动(Linux inotify、macOS FSEvents、Windows ReadDirectoryChangesW)和轮询模式,本地编辑 Markdown 文件实时增量同步至 SQLite 数据库;自动链接提取:文档添加或更新时,自动从Markdown正文中提取文档引用(
[text](id)和`id`语法),创建references关系链接;数据库文件本地存储,不会提交到Git,每个成员有独立的本地实例;
完全兼容现有Git工作流,支持PR评审、分支管理、Code Owner等机制。
7. 🗄️ 多 Vault 隔离与跨库联合检索
支持创建多个独立的知识库,数据完全隔离且支持 MCP 动态路由:
不同项目、不同团队使用独立的vault,互不干扰;
跨库联合搜索:在 MCP 中支持
kb_search(query="...", vault="*"),一次调用同时检索全局公共库与当前项目私有库;动态单库切换:
kb_get(id="...", vault="work")无需重启服务,随时精准路由;Vault管理:支持创建、切换、列出vault,以及Git同步操作。
8. ⏰ 智能计划任务
内置APScheduler任务调度器,支持自动维护任务:
自动提交:定时导出vault变更并Git提交(默认30分钟)
自动嵌入:定时处理嵌入队列(默认5分钟)
自动重建索引:定时重建FTS5索引(默认每天凌晨3点)
健康检查:定时运行健康检查(默认每周一上午9点)
清理任务:定时清理软删除超过30天的文档(默认每周日凌晨2点)
支持自定义任务间隔和Cron表达式
任务失败自动禁用,支持手动重新启用
跨进程安全,防止并发执行
9. 🌐 MCP协议原生支持 (25工具/13资源/7提示)
完全兼容MCP(Model Context Protocol)标准协议,任何支持MCP的客户端(Claude Desktop、Cursor、Composio等)都可以直接接入,AI自动获得以下能力:
25个内置工具
工具名称 | 功能说明 | AI使用场景 |
| 创建文档 (支持 | AI学习到新知识后,自动沉淀结构化事实到知识库 |
| 获取文档详情 (支持 | AI按需拉取完整内容或指定章节,节省上下文 Token |
| 更新文档 (支持 | 文档内容过时,AI自动更新补充 |
| 软删除文档 | 废弃的文档,AI可以删除 |
| 恢复到指定版本 | 误修改后回滚 |
| 恢复软删除文档 | 误删后恢复 |
| 全文搜索 (支持 | AI遇到问题时,先搜索团队知识库有没有相关解决方案 |
| 按类型/标签/Vault筛选文档 | AI查看所有架构决策、所有项目信息等 |
| 创建带类型的文档链接 | AI发现文档之间的关联关系,自动建立链接 |
| 移除链接 | 关联关系失效时删除 |
| 列出或查看关系类型详情 | AI了解可用的文档关系类型 |
| 多跳图遍历 | AI分析文档之间的复杂关系网络 |
| 影响分析 | AI评估文档变更的影响范围 |
| 决策演进链追踪 | AI了解决策的演变历史 |
| 1跳图扩展 | AI查看文档的直接关联文档 |
| 嵌入相似度搜索 | AI找相关上下文,避免重复沉淀 |
| 近似重复检测 | AI发现并合并重复知识 |
| 嵌入队列状态 | AI了解嵌入处理进度 |
| 重新排队失败嵌入 | AI修复嵌入失败问题 |
| 列出计划任务 | AI查看自动任务配置 |
| 调度器状态 | AI了解任务运行状态 |
| 手动触发任务 | AI立即执行维护任务 |
| 任务执行历史 | AI查看任务执行记录 |
| 版本历史 | AI想知道某个决策的变更过程 |
| 版本差异对比 | AI查看文档修改了什么内容 |
| 健康检查 | AI先确认知识库结构和索引是否正常 |
| Git差异分析 | AI分析代码变更并推荐相关文档 |
批量导入/导出、
prune、reindex、vault 和 Git 同步属于 CLI/Admin 生命周期能力,不会作为 MCP 文件系统工具暴露。
13个结构化资源
资源URI | 返回内容 |
| 完整文档信息 |
| 文档的所有入站和出站链接 |
| 所有文档类型的列表 |
| 知识库统计信息 |
| 以该文档为中心的知识图谱 |
| 指定深度的知识图谱 |
| 所有文档列表 |
| 按类型筛选的文档列表 |
| 最近变更记录 |
| 指定文档的版本历史 |
| 搜索结果 |
| 导出文档为Markdown |
| 帮助文档 |
7个交互Prompt
Prompt名称 | 用途 |
| 引导式创建新文档 |
| 分析文档链接关系 |
| 智能搜索助手 |
| 导入文档指引 |
| 知识库健康检查 |
| 知识库维护指导 |
| 新手上手指南 |
🚀 快速开始使用
🔧 安装
pip install kb-mcp-lite
# 可选安装语义搜索支持(需要SQLite扩展支持)
pip install kb-mcp-lite[vec]
# 可选安装事件驱动文件监听(Linux/macOS/Windows原生支持)
pip install kb-mcp-lite[v0_8]
# 安装所有可选依赖
pip install kb-mcp-lite[vec,v0_8]个人用户基础使用
1. 初始化知识库
kb init会在默认路径 ~/.local/share/kb-mcp/ 创建默认vault的SQLite数据库。
2. 添加第一个文档
kb add --type project \
--title "kb-mcp-lite" \
--tags "mcp,knowledge-base,python" \
--body "面向AI代理的轻量级本地知识库,基于SQLite + FTS5 + MCP协议开发。"3. 搜索文档
# 默认搜索
kb search "MCP 知识库"
# 按类型过滤
kb search "sqlite" --type decision
# 模糊搜索
kb search "ft5" --fuzzy4. 查看已有文档
# 查看所有文档
kb list
# 按类型过滤
kb list --type lesson
# 按标签过滤
kb list --tags "sqlite,bug"5. 更多CLI命令
# 查看文档详情(完整)
kb get <文档ID>
# 按章节获取文档内容(仅提取特定标题内容,节省Token)
kb get <文档ID> --section "Architecture"
# 更新文档
kb update <文档ID> --title "新标题"
# 删除文档
kb delete <文档ID>
# 查看版本历史
kb history <文档ID>
# 对比版本差异
kb diff <文档ID> --v1 1 --v2 2
# 恢复到指定版本
kb restore <文档ID> --version 2
# 创建文档链接
kb link --from <文档ID1> --to <文档ID2> --rel "relates-to"
# 查看文档链接
kb links <文档ID>
# 影响分析
kb impact <文档ID>
# 决策演进链追踪
kb chain <决策文档ID>
# 关系类型管理
kb rel list # 列出所有标准关系类型
kb rel show supersedes # 查看特定关系详情
# 自动监听 Markdown 目录实时增量同步入库
kb watch --interval 1.0
# 启动Web管理后台
kb admin start
# 计划任务管理
kb scheduler list # 列出所有任务
kb scheduler status # 查看调度器状态
kb scheduler run auto-commit # 手动触发任务
kb scheduler history # 查看执行历史
# 健康检查
kb doctor
# 统计信息
kb stats
# 清理软删除文档
kb prune --older-than 30
# Git差异分析
kb diff-check👥 团队协作配置
首次配置团队知识库
管理员创建团队Git仓库(空仓库即可)
管理员本地初始化vault并关联Git
# 创建团队vault kb vault create team --desc "XX团队公共知识库" kb vault switch team # 克隆团队Git仓库到本地 git clone <团队Git仓库地址> ~/team-kb # 关联vault和Git同步目录 kb vault init-git --sync-dir ~/team-kb # 导出已有文档到Git目录并提交 kb vault commit -m "初始化团队知识库" kb vault push
新成员加入
# 1. 克隆团队知识库Git仓库
git clone <团队Git仓库地址> ~/team-kb
# 2. 创建本地vault
kb vault create team --desc "XX团队公共知识库"
kb vault switch team
# 3. 关联Git同步目录
kb vault init-git --sync-dir ~/team-kb
# 4. 拉取并导入所有文档
kb vault pull日常协作流程
graph LR
A[AI自动/手动添加修改文档] --> B[拉取最新变更]
B --> C{是否有冲突?}
C -->|是| D[解决Markdown文件冲突]
C -->|否| E[提交本地变更]
D --> E
E --> F[推送到远程仓库]日常操作命令:
# 写文档前先拉取最新
kb vault pull
# AI添加/修改文档后,提交变更
kb vault commit -m "添加XX项目部署流程文档"
# 推送到远程仓库
kb vault pushAI工具自动同步配置
如果希望AI调用kb add添加文档后自动同步到Git,可以配置post-hook脚本,在~/.config/kb-mcp/config.yaml中添加:
hooks:
post_add: "kb vault commit -m 'AI自动添加文档: {doc_title}' && kb vault push"
post_update: "kb vault commit -m 'AI自动更新文档: {doc_title}' && kb vault push"🤖 MCP客户端接入配置
Claude Desktop 配置
编辑 ~/.config/claude_desktop_config.json 添加:
{
"mcpServers": {
"kb": {
"command": "kb",
"args": ["serve"]
}
}
}重启Claude后,AI就可以直接访问你的知识库了。
Cursor 配置
在Cursor设置中找到MCP服务器配置,添加:
名称:
kb命令:
kb参数:
["serve"]
指定使用某个vault
如果有多个vault,可以指定启动时使用的vault:
"args": ["serve", "--vault", "team"]Cline 配置
在Cline设置中找到MCP服务器配置,添加:
名称:
kb命令:
kb参数:
["serve"]
OpenCode 配置
在OpenCode配置文件中添加:
{
"mcpServers": {
"kb": {
"command": "kb",
"args": ["serve"]
}
}
}🔌 高级用法
自定义文档类型
from kb_mcp_lite.schema import Document, Field
class ApiDoc(Document):
"""API接口文档类型"""
type: str = "api"
id_prefix: str = "api"
# 自定义字段
endpoint: str = Field(description="接口路径")
method: str = Field(description="HTTP方法")
version: str = Field(description="接口版本")
class Config:
schema_extra = {
"example": {
"title": "用户获取接口",
"endpoint": "/api/v1/user/{id}",
"method": "GET",
"version": "v1",
"tags": ["user", "api"],
"body": "接口返回用户的基本信息..."
}
}注册后就可以使用 kb add --type api 创建这种类型的文档。
批量导入现有Markdown文档
# 导入目录下所有Markdown文件
kb import ./docs/
# 试运行,查看会导入什么,不实际写入
kb import ./docs/ --dry-run
# 导入后输出JSON格式报告
kb import ./docs/ --json要求Markdown文件顶部包含YAML frontmatter,至少有type和title字段。
导出知识库
# 导出所有文档到指定目录
kb export ./export_dir/
# 强制覆盖已有文件
kb export ./export_dir/ --force💡 最佳实践
文档命名与分类规范
标题清晰准确:用动宾结构或者问题式标题,比如「Redis缓存击穿解决方案」而不是「Redis笔记」
标签统一规范:所有标签小写,用短横线分隔,比如
redis-cache,bug-fix关联关系完整:创建文档时主动关联相关文档,比如决策记录关联对应的项目,经验教训关联对应的Bug决策
及时更新:文档过时后及时更新,不要保留错误信息
团队协作规范
提交信息规范:
kb vault commit -m "提交信息"要清晰说明修改内容PR评审机制:重要文档变更走PR评审,保证知识质量
定期清理:每个季度运行一次
kb doctor检查知识库健康度,清理失效文档和链接
AI使用建议
要求AI解决问题前先搜索知识库,优先使用已有方案
解决完新问题后,要求AI自动沉淀到知识库作为经验
定期让AI整理知识库,优化结构、补充关联、更新过时内容
🛠️ 开发指南
本地开发环境搭建
git clone https://github.com/HelloTomBruce/kb-mcp-lite
cd kb-mcp-lite
# 安装依赖(推荐使用uv)
uv sync --extra dev
# 运行测试
uv run pytest
# 代码检查
uv run ruff check .
uv run mypy src/
# 格式化代码
uv run ruff format .
uv run ruff check --fix .项目结构说明
src/kb_mcp_lite/
├── cli.py # Click CLI (28 commands)
├── mcp_server.py # FastMCP server (25 tools, 13 resources, 7 prompts)
├── schema.py # Document, Link, SearchHit, TypeRegistry, exceptions
├── store.py # Store Protocol (interface contract)
├── store/ # SQLite存储核心
│ ├── sqlite.py # SqliteStore (composes 4 mixins)
│ ├── search.py # SearchMixin — FTS5 + vec0 hybrid search
│ ├── embedding.py # EmbeddingMixin — vec0 vectors, similarity, duplicates
│ ├── versioning.py # VersioningMixin — history, snapshots, diff, restore
│ ├── maintenance.py # MaintenanceMixin — doctor, prune, stats, subgraph
│ ├── embedding_queue.py # EmbeddingQueue — async queue with state machine
│ └── connection.py # Shared sqlite3 connection factory
├── md_io.py # Markdown frontmatter parser + bulk import/export
├── vault.py # Multi-vault management
├── admin/ # FastAPI web UI
│ ├── routes_docs.py # Document CRUD + search
│ └── routes_meta.py # Overview, links, graph, settings
├── migrations/ # Forward-only SQL migration runner
├── config.py # XDG config loader
├── embedder.py # OpenAI-compatible embedding client
├── worker.py # Background embedding worker thread
├── watcher.py # File watcher (event/poll modes)
├── scheduler.py # APScheduler task scheduler (5 built-in tasks)
├── graph_query.py # Multi-hop graph query engine (BFS)
├── relations.py # Typed relation vocabulary + impact analysis
├── link_parser.py # Body-level reference parser [text](id)
├── context_guard.py # Git diff → relevant decisions/lessons
├── merge.py # 3-way Markdown merge
├── migrations.py # Forward-only SQL migration runner
└── concurrency/
└── write_lock.py # Cross-process flock-based write lock📌 状态说明
当前处于Beta测试阶段:
API和存储格式从v0.5.0开始已经稳定,不会有破坏性变更
v0.8.0 新增:auto-link、关系词汇、调度器、嵌入队列、多跳图查询等
生产环境使用建议锁定版本:
kb-mcp-lite>=0.8,<0.9欢迎提交Issue和PR,贡献代码请查看 CONTRIBUTING.md
📄 许可证
MIT License,可自由使用、修改、分发,保留版权声明即可。
🔗 相关链接
架构文档:docs/architecture.md
CLI参考:docs/cli-reference.md
计划任务:docs/scheduler.md
This server cannot be deployed
Maintenance
Related MCP Connectors
Private-by-default, local-first memory/context/task orchestrator for MCP apps and agents.
An agent-native database over MCP: shared, validated, structured records in every AI chat.
- memnodeOAuthdev.memnode
Persistent, inspectable memory for AI agents with lineage, correction, and a hosted MCP endpoint.
Shared, governed long-term memory for AI agents across tools and sessions via MCP and REST.
Related MCP Servers
- AlicenseNot gradedqualityCmaintenanceA local-first compiled knowledge graph MCP server that provides structured memory for AI agents with full-text search, vector embeddings, and timeline tracking.619 npm8MIT
- AlicenseNot gradedqualityCmaintenanceLocal-first knowledge backend for AI agents that connects MCP hosts to an Obsidian-compatible vault with indexed retrieval, token-budgeted memory recall, and secure ingestion.1MIT
- AlicenseAqualityBmaintenanceA local-first knowledge base for LLM coding agents that indexes repository documentation, concept ontology, and build targets into Qdrant and exposes retrieval as MCP tools (search, get, list sources, reindex).42MIT
- AlicenseNot gradedqualityCmaintenanceProvides a local-first, source-cited memory layer for AI agents, with MCP tools to search, read, explain sources, and propose/apply memory updates.26 npm7Apache 2.0