MCP(Multiple Content Processing)异构知识库查询系统是一款基于RAG(Retrieval-Augmented Generation)技术的多源数据处理工具。它能助力用户从多个不同的文档源中提取并整合信息,进而解决复杂问题。
MCP 异构知识库查询系统可帮助用户高效管理知识源并进行内容查询。以下为你介绍如何安装和运行该系统。
mcp-arcknowledge/
├── main.py # 主程序文件
├── README.md # 文档
└── requirements.txt # 依赖管理
mcp.json 配置文件:{
"name": "mcp-webhook-ai-agent",
"version": "1.0.0",
"description": "支持Webhook的AI代理,具备RAG功能",
"main": "main.py",
"tools": [
{
"name": "set_document_source",
"description": "注册新的文档源URL用于RAG操作"
},
{
"name": "list_document_sources",
"description": "列出所有已注册的文档源"
},
{
"name": "query_rag",
"description": "使用RAG查询指定文档源"
},
{
"name": "process_post_query",
"description": "处理包含查询负载的POST请求"
}
],
"dependencies": {
"fastmcp": ">=0.4.0",
"requests": ">=2.31.0",
"pydantic": ">=2.0.0"
}
}
配置Cursor AI:
mcp.json 文件路径。验证配置:
# 检查MCP是否正确配置
fastmcp check mcp.json
# 列出可用工具
fastmcp list
# 注册新的文档源URL
from your_module import add_new_knowledge_document_source
new_source_id = add_new_knowledge_document_source('https://example.com/new_source', 'New source description', 'your_api_key')
# 列出所有已注册的文档源
from your_module import list_knowledge_document_sources
document_sources = list_knowledge_document_sources()
# 使用指定文档源查询文本内容
from your_module import query_knowledge_base
result = query_knowledge_base('your_query', ['source_id_1', 'source_id_2'])
add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str
list_knowledge_document_sources() -> Dict[str, Dict[str, str]]
query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str
# 启动开发服务器
fastmcp run main.py
本项目遵循MIT License协议。