AI导哈

法律文本语义搜索工具

一个基于FastMCP服务器的工具，用于处理公共法律数据集，构建向量索引并提供语义搜索功能。

  • by rootstate
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 rootstate/lovdata-mcp

使用说明

lovdata mcp

接收公共Lovdata.no数据集的FastMCP服务器(/v1/publicData/get/gjeldende-lover.tar.bz2)，对XML法规进行分组，构建向量索引，并公开语义搜索工具。

这有什么作用

  • 下载最新 gjeldende-lover.tar.bz2 dump（支持ETag/If None Match以获得廉价的重新运行）。
  • 提取XML文件，解析元数据+正文，并将内容分块以供检索。
  • 使用SentenceTransformer模型嵌入块，并使用元数据sidecar将其存储在FAISS索引中。
  • 提供FastMCP工具，用于按需搜索和刷新语料库。

快速启动

python -m venv venv
source venv/bin/activate
pip install -e .

# One-time (or scheduled) ingestion
lovdata-ingest

# Start MCP server
lovdata-mcp

配置

环境变量（或 .env)覆盖默认值；看见 lovdata_mcp/config.py 对于所有选项：

  • LOVDATA_SOURCE_URL：数据集URL（默认为公共转储）。
  • LOVDATA_DATA_DIR：基本数据目录（默认 data/).
  • LOVDATA_MODEL_NAME：嵌入模型（默认 intfloat/multilingual-e5-base 为了更好地召回挪威）。
  • LOVDATA_EMBEDDING_QUERY_PREFIX / LOVDATA_EMBEDDING_PASSAGE_PREFIX：e5样式嵌入的前缀(query:, passage:).
  • LOVDATA_CHUNK_TOKENS / LOVDATA_CHUNK_OVERLAP：块大小。
  • LOVDATA_TOP_K：默认搜索深度。

计划更新作业

lovdata_ingest 坚持a state.json 最后一个ETag/最后一次修改。如果没有任何变化，再次运行它将跳过下载；当标头不同时，它会重新下载、重新提取和重建索引。这可以通过调度（cron/KubeKubernetes作业等）来保持语料库的新鲜。

要安装的依赖项

看 pyproject.toml 查看完整列表。关键问题：

  • fastmcp>=2.13
  • httpx, tqdm, lxml, pydantic, pydantic-settings, orjson
  • sentence-transformers, faiss-cpu, tiktoken
  • （可选dev） ruff, mypy

注意事项

  • 此仓库不提供数据集；您必须运行摄取来填充 data/.
  • XML结构可以变化；解析是稳健但保守的。调整 parser.py 一旦你检查了一些真实的文件。
  • FastMCP挂钩遵循2.13+API；如果签名发生变化，请进行调整 server.py.

相关 MCP