文档检索服务器

LangGraph文档MCP服务器

该项目实现了一个Mod控制协议（MCP）服务器，该服务器通过基于矢量存储的检索系统提供对LangGraph文档的访问。实施基于 MCP从头开始教程 并已更新为使用Ollama进行嵌入。

特性

• 使用SKLearnVectorStore进行基于矢量存储的文档检索
• 用于文档矢量化的Ollama嵌入
• 使用FastMCP实现MCP服务器
• 从LangGraph文档加载和处理文档
• 支持基于工具的查询和完整的文档访问

先决条件

• Python 3.12+
• Ollama已在本地安装并运行（默认端口：11434）
• 必需的Python包
  • langchain_community langchain anthropic langchain_ollama scikit learn bs4 pandas pyarrow matplotlib lxml langgraph tiktoken“mcp[cli]

安装

1. 克隆存储库
2. 创建并激活虚拟环境：

python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

3. 安装依赖项：

pip install langchain_community langchain-anthropic langchain_ollama scikit-learn bs4 pandas pyarrow matplotlib lxml langgraph tiktoken "mcp[cli]"

项目结构

• langgraph_mcp.py：主MCP服务器实现
• build-tool.ipynb：用于构建和测试矢量存储的Jupyter笔记本
• llms_full.txt：生成的文档文件
• sklearn_vectorstore.parquet：矢量存储文件

用法

1. 首先，使用Jupyter记事本构建向量存储：

jupyter notebook build-tool.ipynb

2. 运行MCP服务器：

python langgraph_mcp.py

可用工具

langgraph_query_tool

使用语义搜索查询LangGraph文档的工具：

@mcp.tool()
def langgraph_query_tool(query: str):
    """
    Query the LangGraph documentation using a retriever.
    
    Args:
        query (str): The query to search the documentation with

    Returns:
        str: A str of the retrieved documents
    """

完整文档访问权限

通过资源端点访问完整的LangGraph文档：

@mcp.resource("docs://langgraph/full")
def get_all_langgraph_docs() -> str:
    """
    Get all the LangGraph documentation.
    """

实现细节

该项目使用：

• Ollama嵌入 nomic-embed-text 模型
• SKLearnVectorStore用于文档存储和检索
• 用于HTML解析的BeautifulSoup
• 用于文档抓取的RecursiveurlLoader
• 用于文档分块的RecursiveCharacterTextSplitter

鸣谢

该实施基于：

• MCP从头开始教程
• Langgraph文档
• 没有

许可证

这个项目是开源的，可以在MIT许可证下使用。