MCP 文档服务器
使用 Docling 库提供文档处理功能的 MCP 服务器。
安装
您可以使用 pip 安装该软件包：
pip install -e .Related MCP server: MarkItDown MCP Server
用法
使用 stdio（默认）或 SSE 传输启动服务器：
# Using stdio transport (default)
mcp-server-lls
# Using SSE transport on custom port
mcp-server-lls --transport sse --port 8000如果您使用 uv，则无需安装即可直接运行服务器：
# Using stdio transport (default)
uv run mcp-server-lls
# Using SSE transport on custom port
uv run mcp-server-lls --transport sse --port 8000可用工具
该服务器公开以下工具：
convert_document ：将文档从 URL 或本地路径转换为 markdown 格式
source：文档的 URL 或本地文件路径（必需）enable_ocr：是否对扫描文档启用 OCR（可选，默认值：false）ocr_language：OCR 的语言代码列表，例如 [“en”，“fr”]（可选）
convert_document_with_images ：转换文档并提取嵌入的图像
source：文档的 URL 或本地文件路径（必需）enable_ocr：是否对扫描文档启用 OCR（可选，默认值：false）ocr_language：OCR 的语言代码列表（可选）
extract_tables ：从文档中提取表格作为结构化数据
source：文档的 URL 或本地文件路径（必需）
convert_batch ：以批处理模式处理多个文档
sources：文档的 URL 或文件路径列表（必需）enable_ocr：是否对扫描文档启用 OCR（可选，默认值：false）ocr_language：OCR 的语言代码列表（可选）
qna_from_document ：从 URL 或本地路径创建 YAML 格式的问答文档
source：文档的 URL 或本地文件路径（必需）no_of_qnas：预期问答数量（可选，默认值：5）注意：此工具需要将 IBM Watson X 凭证设置为环境变量：
WATSONX_PROJECT_ID：您的 Watson X 项目 IDWATSONX_APIKEY：您的 IBM Cloud API 密钥WATSONX_URL：Watson X API URL（默认值： https ://us-south.ml.cloud.ibm.com）
get_system_info ：获取有关系统配置和加速状态的信息
Llama Stack 示例
https://github.com/user-attachments/assets/8ad34e50-cbf7-4ec8-aedd-71c42a5de0a1
您可以将此服务器与Llama Stack配合使用，为您的 LLM 应用程序提供文档处理功能。请确保您已运行 Llama Stack 服务器，然后配置您的INFERENCE_MODEL
from llama_stack_client.lib.agents.agent import Agent
from llama_stack_client.lib.agents.event_logger import EventLogger
from llama_stack_client.types.agent_create_params import AgentConfig
from llama_stack_client.types.shared_params.url import URL
from llama_stack_client import LlamaStackClient
import os
# Set your model ID
model_id = os.environ["INFERENCE_MODEL"]
client = LlamaStackClient(
base_url=f"http://localhost:{os.environ.get('LLAMA_STACK_PORT', '8080')}"
)
# Register MCP tools
client.toolgroups.register(
toolgroup_id="mcp::docling",
provider_id="model-context-protocol",
mcp_endpoint=URL(uri="http://0.0.0.0:8000/sse"))
# Define an agent with MCP toolgroup
agent_config = AgentConfig(
model=model_id,
instructions="""You are a helpful assistant with access to tools to manipulate documents.
Always use the appropriate tool when asked to process documents.""",
toolgroups=["mcp::docling"],
tool_choice="auto",
max_tool_calls=3,
)
# Create the agent
agent = Agent(client, agent_config)
# Create a session
session_id = agent.create_session("test-session")
def _summary_and_qna(source: str):
# Define the prompt
run_turn(f"Please convert the document at {source} to markdown and summarize its content.")
run_turn(f"Please generate a Q&A document with 3 items for source at {source} and display it in YAML format.")
def _run_turn(prompt):
# Create a turn
response = agent.create_turn(
messages=[
{
"role": "user",
"content": prompt,
}
],
session_id=session_id,
)
# Log the response
for log in EventLogger().log(response):
log.print()
_summary_and_qna('https://arxiv.org/pdf/2004.07606')缓存
服务器将处理过的文档缓存在~/.cache/mcp-docling/中，以提高重复请求的性能。