语义搜索服务器

用于ChatGPT深度研究的MCP服务器示例

这是一个样本 模型上下文协议（MCP） 设计用于与ChatGPT配合使用的服务器 深入研究 功能。它通过以下方式提供语义搜索 OpenAI矢量存储 以及文档检索功能，演示如何构建自定义MCP服务器，利用公司特定的知识和工具扩展ChatGPT。

特性

• 搜索工具 -使用OpenAI矢量存储API进行语义搜索
• 提取工具 --完整的文档检索（全文+元数据）
• SSE运输 --与ChatGPT进行实时通信的服务器发送事件
• 样本数据 --五份技术文件捆绑在一起，用于快速测试
• 符合MCP标准 --遵循深度研究集成的官方MCP规范

需求

安装

pip install fastmcp uvicorn openai

导出您的OpenAI密钥：

export OPENAI_API_KEY="YOUR_API_KEY"

运行服务器：

python main.py

服务器正在监听 http://0.0.0.0:8000 （或 $PORT 渲染过程），启用SSE。

用法

连接到ChatGPT深度研究

1. ChatGPT→ 设置
2. 打开 连接器 标签
3. 添加连接器 带有URL http://<your-domain>:8000/sse/
4. 点击 测试连接 --它应该显示 可用的

端点

工具

搜索

获取

矢量存储集成

默认矢量存储为 vs_682552f3ab90819185d4b99adcae7a07，例如包含 Palantir 10‑Q 报告。仅使用OpenAI矢量存储API—— 没有本地回退.

定制

使用您自己的矢量存储

1. 改变 VECTOR_STORE_ID 在 main.py.
2. 通过OpenAI API上传文档。
3. 推荐的JSON结构：

{
  "id": "unique_identifier",
  "title": "Document Title",
  "text": "Short description",
  "content": "Full document content",
  "url": "https://optional-source.com",
  "metadata": {
    "category": "document_category",
    "author": "Author Name",
    "date": "2024-01-01",
    "tags": ["tag1", "tag2"]
  }
}

4. 重新启动服务器。

调整搜索逻辑

• 查询多个店铺
• 自定义排名/过滤器
• 不同的代码段长度或格式

部署

本地开发人员

python main.py   # runs on http://localhost:8000/sse/

制作（渲染示例）

1. 使用以下命令推送回购 requirements.txt.
2. 启动命令: python main.py （读 $PORT).
3. 集 OPENAI_API_KEY 和 VECTOR_STORE_ID env变量。

Render提供HTTPS并注销。

隧道开挖以进行局部测试

ngrok http 8000         # or
cloudflared tunnel --url http://localhost:8000

建筑

• FastMCP --MCP实施
• Uvicorn --ASGI服务器
• OpenAI矢量存储 --搜索与检索后端

故障排除

快速调试命令

# Test SSE endpoint
curl http://localhost:8000/sse/

# List OpenAI models
python - <<'PY'
from openai import OpenAI
print(OpenAI().models.list())
PY