Mcp Arcknowledge

Mcp Arcknowledge

🚀 MCP 异构知识库查询系统

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。

🚀 快速开始

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。

✨ 主要特性

知识源管理

  • 可添加新的知识文档源。
  • 能列出所有已注册的知识源。

内容查询

  • 支持查询单个知识库。
  • 可查询指定知识库组合。
  • 能查询所有知识库。

📦 安装指南

项目结构

mcp-arcknowledge/
├── main.py          # 主程序文件
├── README.md           # 文档
└── requirements.txt    # 依赖管理

开发环境配置

  1. 创建 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"
}
}
  1. 配置Cursor AI:

    • 打开Cursor AI设置。
    • 进入MCP部分。
    • 添加 mcp.json 文件路径。
    • 重启Cursor AI以应用更改。
  2. 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

💻 使用示例

基础用法

# 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'])

📚 详细文档

工具功能

核心函数

  1. add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str

    • 功能:注册新的文档源URL,可选提供描述和API密钥。
    • 返回:包含新来源ID的确认消息。
  2. list_knowledge_document_sources() -> Dict[str, Dict[str, str]]

    • 功能:列出所有已注册的文档源。
    • 返回:字典,键为来源ID,值为详细信息(URL、描述、API密钥)。
  3. query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str

    • 功能:使用指定文档源(或所有源)查询文本内容。
    • 返回:包含结果的JSON字符串。

项目开发

运行环境

  • 推荐语言版本
    • Python 3.8+

开发模式启动

# 启动开发服务器
fastmcp run main.py

贡献指南

  1. 提交代码前请先格式化代码。
  2. 提交PR时需包含单元测试。

📄 许可证

本项目遵循MIT License协议。

  • 0 关注
  • 0 收藏,33 浏览
  • system 提出于 2025-09-19 11:03

相似服务问题

相关AI产品