Mcp Rag Search Server

🚀 自定义 MCP 服务器与 RAG 和多搜索功能

这是一个自定义的 MCP（模型调用协议）服务器，借助 LlamaIndex 实现了检索增强生成（RAG）功能。同时，它还支持通过 Google 的 Gemini 2.0 API 和 Linkup 进行多网络搜索，为用户提供更丰富、更精准的搜索体验。

✨ 主要特性

• 本地文档 RAG 工作流：可基于本地文档开展 RAG 工作，满足特定数据的处理需求。
• 多种网络搜索功能：
  • 高级 AI 驱动搜索：优先使用 Google 的 Gemini 2.0 进行高级 AI 驱动搜索，利用强大的 AI 能力获取更优质的搜索结果。
  • 传统网络搜索：可使用 Linkup 进行传统网络搜索，作为补充方案。
• FastMCP 构建：采用 FastMCP 构建服务器，确保高效稳定的运行。

📦 安装指南

先决条件

• Python 环境：Python 3.8 或更高版本。
• 本地模型：本地安装 Ollama 并配备 DeepSeek 模型（也可修改配置以使用您偏好的模型）。
• API 密钥：
  • Google Gemini API 密钥（可在 https://ai.google.dev/ 获取）。
  • Linkup API 密钥（可选）。

安装步骤

1. 克隆仓库：

git clone 
cd own-mcp-server

2. 安装依赖：

pip install -r requirements.txt

3. 设置环境变量：创建一个 .env 文件，并进行如下配置：

# 必需的 API 密钥
GEMINI_API_KEY=your_gemini_api_key_here
LINKUP_API_KEY=your_linkup_api_key_here

# 可选配置
OLLAMA_HOST=http://localhost:11434

4. 添加文档：将文档添加到 data 目录（若该目录不存在，将自动创建）。

启动服务器

运行以下命令启动服务器：

python server.py

💻 使用示例

该服务器提供以下实用工具：

1. web_search：使用最佳可用搜索方法（优先使用 Gemini 2.0 AI，必要时回退到 Linkup）。
2. gemini_search：使用 Google 的 Gemini 2.0 AI 进行搜索。
3. linkup_search：使用 Linkup 搜索。
4. rag：查询您的本地文档。

📚 详细文档

此项目使用以下库来实现各项功能：

🔧 技术细节

故障排除

若遇到问题，可按以下步骤进行排查：

1. 确保 Ollama 已正确安装并运行。
2. 拉取 DeepSeek 模型：ollama pull deepseek-r1:1.5b。
3. 若遇到 Python 3.13 兼容性问题，可考虑降级到 Python 3.11 或 3.10。
4. 验证您的 API 密钥是否正确且具有必要的权限。
5. 对于 Gemini 2.0 相关问题，确保您的 API 密钥可以访问最新模型。