MCP-Server für eine persönliche Wissensbasis

Ein recruiter-tauglicher MCP-Server, der semantische Suche über einen echten, selbst angelegten Dokumentenkorpus bereitstellt.

Problem

Stichwortsuche übersieht semantisch verwandte Informationen, wenn die Formulierung abweicht. Dieses Projekt indiziert persönliche Notizen mit Embeddings und stellt über das Model Context Protocol wiederverwendbare Retrieval-Tools bereit.

Related MCP server: research-mcp

Was enthalten ist

• FastMCP-Server mit 3 aufrufbaren Tools:

  • search_notes(user_id, query, top_k) – nach Relevanz sortierte Chunks + Quellenangaben

  • get_document(user_id, doc_id) – vollständiger Kontext des indizierten Dokuments

  • list_sources(user_id) – indizierte Quellen

• PDF/Markdown/TXT-Import und überlappungsbewusstes Chunking

• sentence-transformers/all-MiniLM-L6-v2-Embeddings

• Qdrant-Vektorspeicher mit Sammlungen pro Benutzer

• Ähnlichkeitsschwelle mit explizitem no_confident_match

• FastAPI-Webdemo für mehrere Benutzer mit Registrierung/Login, Upload und Suche

• Skript zur Retrieval-Evaluierung mit handvergebenen Labels

Architektur

Siehe architecture.md.

Schnellstart

1. Installation

python -m venv .venv
# Windows:
.venv\Scripts\activate
# macOS/Linux:
source .venv/bin/activate
pip install -r requirements.txt

2. Qdrant Cloud konfigurieren

Erstellen Sie einen kostenlosen Qdrant-Cloud-Cluster, kopieren Sie dessen URL/API-Schlüssel und erstellen Sie .env aus .env.example.

QDRANT_URL=https://YOUR-CLUSTER.qdrant.io
QDRANT_API_KEY=YOUR_KEY

3. Ihren echten Korpus hinzufügen

Legen Sie 2–5 eigene Semesternotizen in corpus/ ab und führen Sie dann Folgendes aus:

python ingest.py --user demo --path corpus

4. Webdemo ausführen

uvicorn api:app --reload

Öffnen Sie dann http://127.0.0.1:8000.

5. MCP-Server ausführen

python server.py

Für Claude Desktop fügen Sie den Server-Befehl zur MCP-Konfiguration hinzu. Verwenden Sie dabei den absoluten Pfad zu server.py und denselben Python-Interpreter aus Ihrer virtuellen Umgebung.

Beispielhafte Struktur:

{
  "mcpServers": {
    "personal-knowledge-base": {
      "command": "C:\\PATH\\TO\\.venv\\Scripts\\python.exe",
      "args": ["C:\\PATH\\TO\\personal-knowledge-base-mcp\\server.py"]
    }
  }
}

Retrieval-Qualität

Erstellen Sie in evaluation_queries.json einen kleinen, handkommentierten Datensatz, bei dem jede Abfrage der korrekten doc_id zugeordnet ist, und führen Sie dann Folgendes aus:

python evaluate.py --user demo

Geben Sie die tatsächlich gemessene Precision@k in Ihrer finalen README an. Erfinden Sie die Zahl nicht.

Demo

Siehe demo_script.md für eine 5-minütige Live-Demo-Sequenz.

Tech-Stack

Python · FastMCP · Qdrant Cloud · Sentence Transformers · FastAPI · SQLite · PDF/Markdown/TXT

Warum das nützlich ist

Die MCP-Ebene ist protokollbasiert: Dieselbe Retrieval-Fähigkeit kann von Claude Desktop oder einem anderen MCP-kompatiblen Client aufgerufen werden, statt in eine eigene Chatbot-Oberfläche integriert zu sein.