RAG Documentation MCP Server

基本能力

产品定位

RAG Documentation MCP Server 是一个专为AI助手设计的文档检索和处理服务，通过向量搜索技术，为AI响应提供相关文档上下文。

核心功能

• 基于向量的文档搜索和检索
• 支持多种文档来源
• 语义搜索能力
• 自动化文档处理
• 实时上下文增强

适用场景

• 增强AI响应，提供相关文档支持
• 构建文档感知的AI助手
• 为开发者创建上下文感知工具
• 实现语义文档搜索
• 扩展现有知识库

工具列表

1. search_documentation: 通过自然语言查询搜索存储的文档，返回相关片段。
2. list_sources: 列出系统中所有已存储的文档来源。
3. extract_urls: 从给定网页提取并分析所有URL。
4. remove_documentation: 通过URL从系统中删除特定文档来源。
5. list_queue: 列出当前文档处理队列中的所有URL。
6. run_queue: 处理和索引队列中的所有URL。
7. clear_queue: 从文档处理队列中删除所有待处理的URL。

常见问题解答

• 如何配置环境变量？ 需要在配置文件中提供OPENAI_API_KEY、QDRANT_URL和QDRANT_API_KEY。
• 如何添加文档来源？ 使用extract_urls工具并设置add_to_queue为true。
• 如何删除文档？ 使用remove_documentation工具并提供要删除的URL数组。

使用教程

使用依赖

1. 确保已安装Node.js和npm。
2. 准备以下环境变量：
3. OPENAI_API_KEY: OpenAI API密钥
4. QDRANT_URL: Qdrant向量数据库实例URL
5. QDRANT_API_KEY: Qdrant API密钥

安装教程

1. 在claude_desktop_config.json中添加以下配置： json { "mcpServers": { "rag-docs": { "command": "npx", "args": [ "-y", "@hannesrudolph/mcp-ragdocs" ], "env": { "OPENAI_API_KEY": "", "QDRANT_URL": "", "QDRANT_API_KEY": "" } } } }
2. 替换环境变量值为实际值。

调试方式

1. 使用list_sources检查已索引的文档来源。
2. 使用list_queue查看待处理的URL队列。
3. 使用run_queue处理队列中的URL并观察进度。
4. 使用search_documentation测试搜索功能。

许可证

该项目遵循 MIT 开源许可条款，请参阅 MIT 了解完整条款。