AI导哈

向量数据库RAG系统

基于OpenAI向量存储功能的RAG系统，支持从多种文件格式创建和查询向量数据库。

  • by watamoo
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 watamoo/mcp-test-server

使用说明

MCP 测试服务器

Model Context Protocol (MCP) 使用Python在服务器上OpenAIー机能活用RAG（Retrieval Augmented Generation）提供系统。

机能

这个MCP服务器提供以下功能：

  1. 矢量DB创建：指定目录中的文件（文本、PDF、DOCX、标记）开始OpenAI的明细栏样式中定义的设置。
  2. 矢量DB查找：构建的向量DB中描述的场景，使用以下步骤创建明细表，以便在概念设计中分析体量的体积。

必要条件

  • Python 3.11以上
  • OpenAI API 按键

安装方法

1.初始化项目并创建虚拟环境

# プロジェクトを初期化
uv init mcp-test-server
cd mcp-test-server

# 仮想環境を作成して有効化
uv venv .venv
source .venv/bin/activate

2.安装所需的软件包

# 必要なパッケージをインストール
uv sync

3.设置环境变量

.env创建文件，然后单击OpenAI API设置关键帧：

OPENAI_API_KEY="your-api-key"

MCP测试服务器（可选）

MCP Inspector使用测试

MCP Inspector中描述的场景，使用以下步骤创建明细表，以便在概念设计中分析体量的体积

# MCP Inspectorを起動
npx @modelcontextprotocol/inspector uv run server.py

MCP Inspector操作步骤：

  1. 在左窗格中选择“连接”
  2. 在中间标签中选择“工具”
  3. "List Tools"执行
  4. 选择要验证的工具
  5. 在右窗格中设置参数并运行“运行工具”
  6. 回答内容Result的规格化距离的幂函数decode确认）
  7. 结束后CLI单击功能区上Inspector停止运行并释放端口

Claude集成到应用程序

Claude在桌面应用程序配置文件中添加以下设置：

"test_calc": {
  "command": "uv",
  "args": [
      "--directory",
      "/abs/path/to/your/mcp-test-server",
      "run",
      "server.py"
  ]
}

/abs/path/to/your/mcp-test-server将替换为实际项目路径。

设置后Claude如果你重新启动应用程序MCP服务器可用。

提供的工具

这个MCP服务器提供以下工具：

1.create_vector_db_from_directory

来自指定目录中的文件的向量DB来修改标记元素的显示属性。

引数:

  • directory_path：查找文件的目录路径（必需）
  • vector_store_name：向量存储库的名称（默认值：“local_knowledge”）
  • file_patterns：要处理的文件模式（默认值：[“.txt“，”.pdf“，”.docx“，”.md“]）

返回值:

  • 处理结果信息（状态、消息、统计信息等）

2.查询向量db

构建的向量DB求值时使用曲面法线的原始方向。

引数:

  • query：搜索查询（必需）
  • vector_store_id：矢量存储ID（必需的
  • n_results：返回的结果数（默认值：10）

返回值:

  • 搜索结果（状态、查询、结果列表等）

相关 MCP