检索增强生成服务

MCP 文档服务器

一个实现检索增强生成（RAG）功能的模型上下文协议（MCP）服务器。该服务器处理Markdown文档，创建向量嵌入，并通过MCP工具提供语义搜索能力。

特点/特性

• 文档处理自动处理指定目录中的Markdown文件
• 文本分块将文档拆分为可配置的块，并设置重叠部分以更好地保留上下文信息
• 向量嵌入使用可配置的嵌入模型创建嵌入表示
• 持久化存储将向量存储保存为JSON格式，以实现重启后的持久化
• 语义搜索提供 rag_question 用于在您的文档集合中查找相关信息的工具
• MCP集成通过模型上下文协议暴露功能

配置

服务器使用环境变量进行配置，并设定了合理的默认值：

变量	默认值	描述
MODEL_RUNNER_BASE_URL	http://localhost:12434/engines/llama.cpp/v1/	LLM/嵌入服务的基础URL
EMBEDDING_MODEL	ai/mxbai-embed-large:latest	用于生成嵌入的模型名称
JSON_STORE_FILE_PATH	rag-memory-store.json	用于持久化向量存储的路径
DOCUMENTS_PATH	markdown	包含要处理的Markdown文件的目录
CHUNK_SIZE	1024	文本块的大小（以字符计）
CHUNK_OVERLAP	256	字符块之间的重叠
MCP_HTTP_PORT	9090	MCP HTTP 服务器的端口
LIMIT	0.6	搜索结果的最小相似度阈值
MAX_RESULTS	2	返回的最大搜索结果数量

它是如何工作的

1. 初始化首次运行时，服务器会处理指定目录中的所有Markdown文件
2. 分块处理文档被分割成重叠的片段，以便更好地进行语义检索
3. 嵌入创建每个数据块都使用指定的模型转换为向量嵌入
4. 存储向量存储被持久化到磁盘上以供将来使用
5. 搜索这个 rag_question 该工具查找语义上最相似的片段来回答问题

MCP 工具

rag_question

在文档集合中搜索与给定问题相关的信息。

参数：

• question （必填）：用于查找相关信息的搜索问题

返回值： 最相关的文档片段，有助于回答问题。

使用方法

1. 将您的Markdown文档放置在配置的目录中（默认： markdown/)
2. 启动服务器： go run main.go
3. 将您的MCP客户端连接到 http://localhost:9090/mcp
4. 使用 rag_question 用于搜索您的文档集合的工具