🚀 RagDocs 文档知识图谱服务器
RagDocs 是一个模型上下文协议（MCP）服务器，借助 Qdrant 向量数据库与 Ollama/OpenAI 嵌入模型，实现检索增强生成（RAG）功能。它能通过向量相似度，高效完成文档的语义搜索与管理。
🚀 快速开始
要使用 RagDocs 文档知识图谱服务器，你需要满足以下先决条件，并完成安装和配置。
先决条件
- Node.js 16 或更高版本
- 下列之一的 Qdrant 设置：
- 使用 Docker 的本地实例（免费）
- 带 API 密钥的 Qdrant 云账户（托管服务）
- 下列之一用于嵌入模型：
- 本地运行的 Ollama（默认，免费）
- OpenAI API 密钥（可选，付费）
安装
npm install -g @mcpservers/ragdocs
配置
MCP 服务器
编辑 config.json 文件：
{
"mcp_port": 5000,
"db_path": "./db",
"log_level": "info"
}
启动 MCP 服务器
在终端运行：
node index.js
环境变量
MCP_PORT：指定 MCP 服务器的端口（默认：5000）DB_PATH：指定数据库文件的存储路径（默认：./db）LOG_LEVEL：设置日志级别（info/debug/warn/error）
安装依赖
在终端运行：
npm install express pg jsonwebtoken cors dotenv sequelize
✨ 主要特性
- 添加带有元数据的文档：可为文档添加元数据，方便后续管理和检索。
- 通过语义相似度搜索文档：基于向量相似度，实现高效的语义搜索。
- 列出并组织文档：支持分页和分组选项，便于对文档进行管理。
- 删除文档：可根据文档 URL 删除指定文档。
- 支持 Ollama（免费）和 OpenAI（付费）嵌入模型：提供多种选择，满足不同需求。
- 自动文本分块和嵌入生成：提高文档处理效率。
- 使用 Qdrant 进行向量存储：确保向量数据的高效存储和检索。
📚 详细文档
可用工具
1. add_document
将文档添加到 RAG 系统。
| 参数 | 详情 |
|---|---|
url（必需） |
文档 URL/标识符 |
content（必需） |
文档内容 |
metadata（可选） |
文档元数据 - title：文档标题- contentType：内容类型（例如，“text/markdown”） |
2. search_documents
使用语义相似度搜索存储的文档。
| 参数 | 详情 |
|---|---|
query（必需） |
自然语言搜索查询 |
options（可选） |
- limit：结果的最大数量（1 - 20，默认：5）- scoreThreshold：最小相似度得分（0 - 1，默认：0.7）- filters：- domain：按领域过滤- hasCode：筛选包含代码的文档- after：筛选在特定日期之后的文档（ISO 格式）- before：筛选在特定日期之前的文档（ISO 格式） |
3. list_documents
列出所有存储的文档，支持分页和分组选项。
| 参数（全部可选） | 详情 |
|---|---|
page |
页码（默认：1） |
pageSize |
每页的文档数量（1 - 100，默认：20） |
groupByDomain |
按领域分组（默认：false） |
sortBy |
排序字段（“timestamp”，“title” 或 “domain”） |
sortOrder |
排序顺序（“asc” 或 “desc”） |
4. delete_document
从 RAG 系统中删除文档。
| 参数 | 详情 |
|---|---|
url（必需） |
要删除的文档 URL |
📄 许可证
本项目采用 Apache License 2.0 许可证。