HaoApi MCP Server
Allows importing documents from Git repositories into the knowledge base via the MCP import_source tool, enabling the server to clone and index code and text files.
Allows Ollama to be used as an upstream channel, so local models can be accessed through the same gateway interface with load balancing and failover.
Allows routing chat completion, embedding, and model list requests to OpenAI models through the gateway, with load balancing, failover, and model mapping.
Click on "Install 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., "@HaoApi MCP Serversearch the knowledge base for how to configure the LLM gateway"
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.
MindHub
本地 LLM API 网关 · 多协议接入 · 私有知识库 RAG · MCP 工具服务
MindHub 是一款本地运行的 LLM API 网关桌面软件。它将多个上游模型供应商(OpenAI、Claude、DeepSeek、Gemini……)统一为 OpenAI 兼容协议,配合 Codex、Claude Code、Gemini CLI、OpenClaw 等 AI 编程工具使用;内置基于 tree-sitter 代码符号感知的 RAG 引擎,让你在统一调用多模型的同时积累私有知识。
📑 目录
Related MCP server: Modular RAG MCP Server
🧭 工作原理
MindHub 作为本地网关,在下游 AI 应用和上游模型供应商之间做协议翻译、负载均衡、安全审计和日志记录。同时内置知识库引擎和 MCP Server,让 AI Agent 能直接检索私有知识。
请求转发流程
graph TD
subgraph Downstream[下游 AI 应用]
A1[WaLiCode]
A2[Claude Code]
A3[Codex CLI]
A4[Gemini CLI]
A5[OpenClaw]
A6[ChatBox / NextChat]
end
Downstream -->|"OpenAI / Anthropic / Responses 协议<br/>Authorization: Bearer sk-mindhub-*"| Gateway
subgraph Gateway[MindHub 本地网关]
B[协议转换层<br/>OpenAI Chat · Responses · Anthropic<br/>双向转换]
C[安全审计引擎<br/>风险扫描 · 脱敏/阻断 · 规则引擎]
D[渠道调度器<br/>优先级+权重 · 故障切换 · 模型映射]
E[适配器层<br/>OpenAI · Claude · DeepSeek<br/>Gemini · Custom]
F[审计日志记录<br/>请求/响应体 · Token 统计 · Trace ID]
B --> C --> D --> E
C --> F
subgraph KBService[知识库 & MCP 服务]
G1[文档解析<br/>Markdown / Code / PDF]
G2[智能分块器<br/>滑动窗口 · 符号感知]
G3[向量化<br/>复用渠道 Embedding]
G4[HNSW 索引<br/>向量检索 + FTS5 混合]
G5[RAG 引擎<br/>混合检索 → 重排 → 生成回答]
G6[MCP Server<br/>Streamable HTTP + SSE<br/>13 个工具]
G1 --> G2 --> G3 --> G4
G4 --> G5
G4 -.-> G6
end
end
E -->|HTTPS| Upstream
subgraph Upstream[上游模型供应商]
U1[OpenAI]
U2[Claude]
U3[DeepSeek]
U4[Gemini]
U5[通义 · 智谱 · Moonshot · 豆包 · Ollama]
end知识库 RAG 流程
flowchart TD
A[用户上传文档] --> B[文档解析器<br/>Markdown / Code / PDF / JSON / YAML]
B --> C[tree-sitter 代码符号提取<br/>函数 / 类 / 结构体 / 接口]
C --> D[智能分块器<br/>滑动窗口 + 重叠分块 · 符号感知]
D --> E[向量化引擎<br/>复用 MindHub 渠道调度<br/>text-embedding]
E --> F
subgraph F[存储 + 索引]
F1[(SQLite<br/>chunks + FTS5)]
F2[(HNSW 向量索引<br/>文件存储)]
end
F --> G[检索阶段<br/>向量检索 HNSW + FTS5 全文检索<br/>→ 加权混合排序 Hybrid]
G --> H[RAG 生成阶段<br/>组装 Top-K 片段 + 对话历史<br/>→ 通过网关转发至 LLM<br/>→ 生成回答 + 来源引用]知识库文档与索引状态均为
ready后才会参与检索。RAG 回答是基于命中文本生成的结果,不是事实保证;请结合返回的来源引用进行核验。
MCP 工具服务
MindHub 内置 MCP (Model Context Protocol) Server,通过 Streamable HTTP + SSE 端点对外暴露知识库工具,任何支持 MCP 的 AI Agent 均可接入:
flowchart LR
Agent[AI Agent<br/>Claude / OpenClaw / ...] -->|"POST /mcp<br/>JSON-RPC"| MCP
MCP -->|"SSE Stream"| Agent
subgraph MCP[MCP Server — MindHub]
T1[search_knowledge_base<br/>语义搜索]
T2[ask_knowledge_base<br/>RAG 问答]
T3[read_document<br/>读取文档]
T4[list_knowledge_bases<br/>列出知识库]
T5[get_knowledge_base_stats<br/>知识库统计]
T6[create / update / delete<br/>知识库 CRUD]
T7[upload_document<br/>上传文档]
T8[list_documents<br/>文档列表]
T9[build_index<br/>构建索引]
T10[import_source<br/>多源导入]
T11[delete_document<br/>删除文档]
end
MCP --> KB[(知识库<br/>SQLite + HNSW)]**安全边界:**MCP 当前没有独立认证层,且包含创建、导入、删除与重建索引等写工具。请仅让受信任的本机 Agent 连接,并保持网关监听在
127.0.0.1;不要将/mcp暴露到局域网、公网、反向代理或不可信插件。mcp_enabled只控制知识库可见性,不是身份认证。
🎯 核心功能
🔌 多渠道管理
支持 10 种渠道类型:OpenAI、DeepSeek、Claude、Gemini、智谱、通义、Moonshot、豆包、Ollama 及自定义渠道
优先级 + 权重的负载均衡策略,自动故障切换
模型映射(渠道级别 model mapping),下游模型名自动映射到上游实际模型
渠道连通性测试,实时显示延迟与错误信息
渠道统计:调用次数、Token 消耗、成功率、平均延迟
🔑 密钥管理
为下游应用生成
sk-mindhub-*格式的本地访问密钥支持配额限制与启用/禁用
每个密钥展示调用次数、成功率、Token 消耗、平均延迟
📊 仪表盘
6 项核心指标一目了然:今日请求、今日 Token、累计请求、累计 Token、活跃渠道、平均延迟
服务可用率徽章,颜色分级(绿/黄/红)实时反映健康度
运维建议根据当前数据动态生成(延迟超阈值建议排查、渠道不足建议启用等)
📝 审计日志
记录每次 API 调用的审计信息:经脱敏处理的请求/响应、模型参数、Token 消耗、状态码与 Trace ID
支持按关键词、密钥、渠道、模型、日期范围、Trace ID 搜索筛选
请求/响应 JSON 标签页切换,Trace ID 默认折叠可展开
日志编号自增,方便定位与引用
日志清理:按日期删除 / 一键清空
🛡️ 安全审计中心
风险检测引擎:自动扫描请求中的敏感信息泄露(API Key、私钥、JWT、Cookie、Bearer Token)、敏感文件路径(
~/.ssh、.env、云凭据)、Unicode 隐写字符(零宽字符、方向控制字符)、可疑工具调用(curl外联、管道上传)、网络风险(公网 IP 探测、Webhook/隧道域名)、追踪像素与风控指纹风险等级:clean / info / low / medium / high / critical,综合评分 0–100
策略模式:只审计 / 警告 / 脱敏 / 阻断,默认只审计不影响请求
规则管理:内置 25+ 条风险规则 + 自定义黑白名单(域名/工具/路径/关键词)
📚 知识库引擎
文档解析:Markdown、代码文件(TS/JS/Python/Rust/Go/Java 等 20+ 语言)、PDF、JSON/YAML/CSV
代码符号感知:基于 tree-sitter 提取函数、类、结构体等符号信息,分块时保留语义边界
智能分块:滑动窗口 + 重叠分块,符号感知避免截断函数体
向量化:复用 MindHub 渠道调度获取 Embedding;知识库的
embedding_model必须是某个启用渠道实际支持的 Embeddings 模型HNSW 向量索引:轻量级分层导航小世界图,O(log n) 检索复杂度,适合桌面级数据量(≤100K 切片)
FTS5 混合检索:向量语义检索 + SQLite FTS5 全文检索加权融合,支持三种模式(向量 / 关键词 / 混合)
RAG 问答:检索 Top-K 片段 + 对话历史 → 网关转发至 LLM → 生成回答 + 来源引用
多源导入:Git 仓库克隆导入、URL 批量导入、本地目录扫描导入;仅导入可信公开 URL 与仓库,私有 Git Token 应使用最小权限、短期令牌
格式边界:支持 Markdown、PDF、文本、结构化文件和常见源码;
.docx、.xlsx等二进制 Office 格式暂不支持解析会话管理:按知识库维度的对话历史记录与清除
🔗 MCP Server
内置 Model Context Protocol Server,通过
/mcp端点对外提供 13 个知识库工具支持 Streamable HTTP(POST JSON-RPC)和 SSE(GET 升级)两种传输模式
兼容 Claude Desktop、OpenClaw 等支持 MCP 协议的 AI Agent
工具列表:搜索、RAG 问答、读取文档、知识库 CRUD、文档上传/删除、索引管理、多源导入
推荐流程:先调用
list_knowledge_bases,再使用明确的kb_id调用ask_knowledge_base;只有需要原始片段或自行检索时才调用search_knowledge_base未指定
kb_id时,搜索与问答会跨全部 MCP 已暴露的知识库执行;敏感知识库应关闭 MCP 暴露
⚙️ 设置中心
Tab 切换式布局:安全审计 / 服务配置 / 通用设置 / 界面设置 / 重试策略
深色 / 浅色 / 跟随系统主题切换
最小化到托盘、关闭到托盘、开机自启
失败自动重试策略配置(默认 2 次)
🔧 应用配置
一键将 MindHub 网关地址和密钥写入 8 款 AI 编程工具的配置文件: Claude Code、Codex CLI、Gemini CLI、Claude Desktop、OpenCode、OpenClaw、Hermes Agent、WaLiCode
自动检测已安装应用,支持配置预览、写入、清除、打开配置目录
📦 导入导出
渠道配置批量导出为 JSON 备份
支持导入 WaLiCode 备份文件恢复渠道配置
📡 流式响应
完整 SSE 流式转发,兼容 ChatBox / NextChat / OpenAI SDK 等下游客户端
流式使用量解析(累积 input/output tokens)
🔗 多协议接入
MindHub 在网关层做协议翻译,入口多协议,出口统一为 OpenAI Chat Completions,上游渠道无感知。
协议 | 端点 | 认证方式 | 说明 |
OpenAI Chat Completions |
|
| 标准兼容协议,支持流式 |
OpenAI Responses |
|
| Responses API 双向转换 |
Anthropic Messages |
|
| Anthropic 协议,自动头转换 |
OpenAI Embeddings |
|
| 向量嵌入,知识库复用 |
模型列表 |
|
| 聚合所有启用渠道的模型 |
健康检查 |
| 无 | 服务存活探针 |
MCP |
| 无独立认证 | MCP Streamable HTTP + SSE;仅限受信任本机 Agent |
知识库管理 | 桌面端 Tauri IPC | — | 创建、导入、检索和问答不通过网关开放 HTTP 路由 |
接入示例(以 OpenAI 协议为例):
curl http://127.0.0.1:8777/v1/chat/completions \
-H "Authorization: Bearer sk-mindhub-xxxx" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o",
"messages": [{"role": "user", "content": "Hello!"}]
}'接入示例(以 Anthropic 协议为例):
curl http://127.0.0.1:8777/v1/messages \
-H "x-api-key: sk-mindhub-xxxx" \
-H "anthropic-version: 2023-06-01" \
-H "Content-Type: application/json" \
-d '{
"model": "claude-sonnet-4-20250514",
"max_tokens": 1024,
"messages": [{"role": "user", "content": "Hello!"}]
}'💡 在「接入示例」页面可查看 cURL / Python / Node.js / TypeScript / Rust / Java 共 5 平台 × 3 协议 = 15 套代码示例。
🏗️ 技术栈
层 | 技术 | 版本 |
前端 | React + TypeScript + Vite + Tailwind CSS + Zustand | 19 / 5.x / 7 / 4 / 5 |
后端 | Rust + Tauri 2 + Axum + SQLite (sqlx) + Reqwest | Edition 2021 |
UI | shadcn/ui 风格 + Lucide Icons + React Router 7 | — |
知识库 | tree-sitter (7 语言) + HNSW + FTS5 + bincode | — |
打包 | Tauri bundler(.dmg / .msi / .deb / .AppImage) | 2.x |
📦 安装使用
1. 下载安装包或从源码启动
从 GitHub Releases 或夸克网盘下载对应平台安装包:
GitHub: Releases
平台 | 格式 | 架构 |
macOS |
| ARM64 (Apple Silicon) |
Windows |
| x64 |
Linux |
| x64 |
源码开发运行:
pnpm install
pnpm tauri dev应用会启动本地 HTTP 网关。默认地址为 http://127.0.0.1:8777;可在「设置 → 服务配置」修改监听地址和端口,保存后点击「重启服务」生效。端口设为 0 时由系统分配可用端口,应以应用内服务状态显示的实际地址为准。
**请保持
127.0.0.1。**网关的 MCP 端点没有独立认证,且包含写工具;不要将监听地址设为0.0.0.0、局域网地址或通过反向代理暴露到公网。
2. 配置渠道并测试
打开「渠道管理 → 新建渠道」,填写渠道名称、上游 Base URL、供应商 API Key 和模型列表;按需配置模型映射、优先级和权重。保存后先执行渠道测试,再将测试通过的渠道用于正式调用。
若需要知识库功能,至少准备:
一个实际支持 Embeddings 的启用渠道和模型,用于切片向量化;
一个实际支持聊天生成的启用渠道和模型,用于 RAG 问答。
3. 创建下游 API Key
打开「API 密钥 → 新建密钥」,填写名称和配额,创建 sk-mindhub-* 格式的本地访问密钥。下游应用只保存这个本地密钥,不应保存上游供应商密钥。
4. 下游接入
在 ChatBox、NextChat、OpenAI SDK、WaLiCode 等客户端中配置:
Base URL:
http://127.0.0.1:8777/v1(若已修改端口,请使用实际端口)API Key:创建的
sk-mindhub-...密钥
可先验证服务状态:
curl http://127.0.0.1:8777/health5. 应用配置(可选)
在「应用配置」页面选择已安装的 AI 编程工具,一键写入网关地址和密钥,无需手动编辑配置文件。
🚀 实际投入使用
1. 日常网关使用
配置并测试至少一个启用渠道;
创建一个本地 API Key;
将下游客户端指向本地
/v1地址;在「审计日志」检查请求、模型、渠道、Token 和失败原因;
需要切换端口、监听地址或安全策略时,在「设置」保存后重启服务。
2. 私有知识库与 RAG
打开「服务 → 知识库」,新建知识库;
在知识库设置中确认
embedding_model与启用渠道的 Embeddings 模型一致,按需调整切片大小、重叠和文件过滤;通过「文档」上传文件,或通过「来源」导入可信 Git 仓库、公开 URL 或本地目录;
等待文档和索引状态均变为
ready;失败时先修复渠道、模型或源文件,再重新处理;使用「搜索」核验原始命中片段,再在「问答」中进行 RAG 对话并检查来源引用。
导入 URL 时只使用明确、可信的公开地址;不要输入内网地址、云元数据地址或不可信跳转链接。导入私有 Git 仓库时使用最小权限、短期 Token。
只有需要外部 Agent 调用时才开启知识库的 MCP 暴露。默认端点为 http://127.0.0.1:8777/mcp;先调用 list_knowledge_bases,再带明确 kb_id 调用 ask_knowledge_base。不要把包含敏感资料的知识库暴露给 MCP。
3. Exchange 候选审核与经验提炼(受限能力)
当知识库已存在 API Key ↔ 知识库绑定 并启用捕获时,网关会从完整、非高风险的 Exchange 生成候选。可在「服务 → 候选审核」中查看脱敏 Exchange、批准或拒绝候选、分别入库,或选择 2–50 个候选合并为一张知识卡。
LLM 经验提炼只生成可编辑的结构化草稿;只有点击「确认并正式入库」后才会写入知识库并更新索引。草稿有效期为 24 小时,确认时会再次校验候选来源和草稿内容,不会自动正式入库。
**当前限制:**桌面端尚未提供创建或编辑 API Key ↔ 知识库绑定的界面。全新安装后可直接使用网关、手动知识库/RAG 和 MCP;候选自动捕获与审核需要已有绑定,不应作为开箱即用流程依赖。
经验提炼当前复用知识库的
embedding_model发起 Chat Completions。常见的纯 Embeddings 模型(例如text-embedding-*)不支持聊天生成,会导致提炼失败;仅在该模型标识同时可被上游用于聊天生成时使用此实验性功能。
📁 项目结构
MindHub/
├── src/ # 前端源码
│ ├── pages/
│ │ ├── DashboardPage.tsx # 仪表盘
│ │ ├── ChannelsPage.tsx # 渠道管理
│ │ ├── ApiKeysPage.tsx # 密钥管理
│ │ ├── LogsPage.tsx # 审计日志
│ │ ├── KnowledgeBasePage.tsx # 知识库 + MCP 服务
│ │ ├── KnowledgeCapturePage.tsx # Exchange 候选审核
│ │ ├── UsagePage.tsx # 接入示例
│ │ ├── SettingsPage.tsx # 设置中心
│ │ └── AppConfigPage.tsx # 应用配置
│ ├── components/ # 通用组件
│ ├── lib/ # 工具库 (api.ts, constants.ts)
│ └── types/ # TypeScript 类型定义
├── src-tauri/ # 后端源码
│ ├── src/
│ │ ├── server/ # HTTP 服务器
│ │ │ ├── router.rs # 路由定义 (含服务注册)
│ │ │ └── handlers.rs # 请求处理器
│ │ ├── adaptor/ # 渠道适配器
│ │ │ ├── mod.rs # Adaptor Trait + 配置
│ │ │ ├── openai.rs # OpenAI 适配器
│ │ │ ├── claude.rs # Claude 适配器
│ │ │ ├── deepseek.rs # DeepSeek 适配器
│ │ │ ├── gemini.rs # Gemini 适配器
│ │ │ └── custom.rs # 自定义适配器
│ │ ├── protocol/ # 协议转换层
│ │ │ ├── mod.rs # 双向格式转换
│ │ │ ├── anthropic.rs # Anthropic SSE 流式
│ │ │ └── responses.rs # Responses SSE 流式
│ │ ├── core/ # 核心逻辑
│ │ │ ├── proxy.rs # 代理转发 + 安全扫描 + 重试
│ │ │ └── dispatcher.rs # 渠道调度 (优先级/权重/故障切换)
│ │ ├── security/ # 安全审计
│ │ │ ├── scanner.rs # 风险扫描引擎
│ │ │ ├── rules.rs # 规则定义
│ │ │ ├── redact.rs # 脱敏处理
│ │ │ └── mod.rs # 安全设置
│ │ ├── services/ # 服务层
│ │ │ ├── mod.rs # Service Trait + 注册表
│ │ │ ├── knowledge/ # 知识库服务
│ │ │ │ ├── parser.rs # 文档解析 (MD/Code/PDF/JSON)
│ │ │ │ ├── code_parser.rs # tree-sitter 代码符号提取
│ │ │ │ ├── splitter.rs # 智能分块器
│ │ │ │ ├── embedder.rs # 向量化 (复用渠道调度)
│ │ │ │ ├── index.rs # HNSW 向量索引
│ │ │ │ ├── retriever.rs # 混合检索 (HNSW + FTS5)
│ │ │ │ ├── rag.rs # RAG 问答引擎
│ │ │ │ ├── processor.rs # 文档处理流水线
│ │ │ │ ├── publisher.rs # 候选/合并知识卡正式入库
│ │ │ │ ├── exchange.rs # 脱敏 Exchange 与候选数据
│ │ │ │ ├── extraction.rs # LLM 经验提炼草稿
│ │ │ │ ├── importer.rs # 多源导入 (Git/URL/目录)
│ │ │ │ ├── repository.rs # 数据访问层
│ │ │ │ └── routes.rs # 遗留 REST 路由(未挂载)
│ │ │ └── mcp/ # MCP Server
│ │ │ ├── mod.rs # MCP Service 定义
│ │ │ └── handlers.rs # JSON-RPC 工具处理
│ │ ├── commands/ # Tauri Commands
│ │ │ ├── channel.rs # 渠道管理
│ │ │ ├── api_key.rs # 密钥管理
│ │ │ ├── log.rs # 日志管理
│ │ │ ├── stats.rs # 统计数据
│ │ │ ├── settings.rs # 设置管理
│ │ │ ├── security.rs # 安全规则
│ │ │ ├── knowledge_base.rs # 知识库命令
│ │ │ ├── knowledge_capture.rs # 候选审核与提炼命令
│ │ │ ├── services.rs # 服务状态
│ │ │ ├── app_config.rs # 应用配置 (8 款工具)
│ │ │ ├── import_export.rs # 导入导出
│ │ │ └── server.rs # 服务控制
│ │ ├── db/ # 数据库层
│ │ │ ├── mod.rs # Database 初始化
│ │ │ ├── models.rs # 数据模型
│ │ │ └── repository.rs # 数据访问
│ │ ├── utils/ # 工具函数
│ │ ├── lib.rs # 入口 + 系统托盘
│ │ └── main.rs # main 函数
│ ├── migrations/ # 数据库迁移(含候选、来源追踪与提炼草稿)
│ └── tauri.conf.json # Tauri 配置
└── package.json📌 版本历史
v0.1.4 (2026-07-30)
✨ 知识库引擎:文档解析 → tree-sitter 代码符号感知 → 智能分块 → 向量化 → HNSW 索引
✨ 混合检索:HNSW 向量检索 + SQLite FTS5 全文检索加权融合,三种模式(向量/关键词/混合)
✨ RAG 问答引擎:Top-K 检索 + 对话历史 + 来源引用
✨ MCP Server:Streamable HTTP + SSE,13 个知识库工具,兼容 Claude Desktop / OpenClaw
✨ 多源导入:Git 仓库克隆、URL 批量导入、本地目录扫描
✨ 应用配置:一键写入 8 款 AI 编程工具配置(Claude Code / Codex / Gemini CLI / WaLiCode 等)
✨ 导入导出:渠道配置 JSON 备份 + WaLiCode 备份文件导入
✨ 内置应用更新检查(Tauri Updater)
v0.1.1 (2026-07-21)
✨ 多协议网关:支持 OpenAI Chat Completions + Responses API + Anthropic Messages 三协议入口
✨ 仪表盘优化:统一 6 卡片指标网格 + 健康度徽章 + 动态运维建议
✨ 渠道统计:调用次数、Token 消耗、成功率、平均延迟
✨ 密钥统计:每个密钥的调用指标展示
✨ 接入示例页:三协议切换 + 15 套代码示例 + 连接测试
v0.1.0 (2026-07-18)
🎉 首个发布版本
多渠道管理(10 种渠道类型)+ 优先级/权重负载均衡
密钥管理 + 配额限制
请求/响应日志 + 全维度搜索筛选
安全审计中心(25+ 规则,5 种策略模式)
设置中心(主题/托盘/自启/重试)
SSE 流式响应转发
👥 贡献者
感谢所有对 MindHub 项目贡献代码的开发者。
欢迎通过 PR / Issue 参与项目共建。
📄 License
This server cannot be installed
Maintenance
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.
Related MCP Connectors
The CustomGPT.ai MCP server is a fully managed, RAG-powered endpoint that connects large language models with private knowledge bases and external data sources. It provides tools for retrieval-augmented generation queries (send_message), data ingestion (upload_file), and source listing, enabling AI agents to query private documents like PDFs with high accuracy and real-time citations.
- WauldoOAuthcom.wauldo
Stateless agentic tools over MCP: concept extraction, long-context, knowledge graph, planning.
MCP-Native LLM Orchestration Agent
AI Reasoning Cache & Consensus Layer with 11 MCP tools via Streamable HTTP.
Related MCP Servers
- AlicenseNot gradedqualityFmaintenanceA comprehensive MCP server that provides full integration with LightRAG API, offering 22 tools across document management, querying, knowledge graph operations, and system management.37MIT
- FlicenseNot gradedqualityBmaintenanceA pluggable, observable modular RAG service framework that exposes tool interfaces via the MCP protocol, enabling AI assistants like Copilot and Claude to directly query knowledge bases.1-
- AlicenseAqualityCmaintenanceUniversal MCP knowledge server for LLM agents, powered by local RAG, providing domain-specific best practices and playbooks across software engineering, marketing, video editing, and other knowledge areas.3MIT
- AlicenseNot gradedqualityDmaintenanceA pluggable, observable modular RAG service framework that exposes tool interfaces via the MCP protocol, enabling AI assistants like Copilot and Claude to directly invoke knowledge retrieval and reasoning capabilities.MIT