Bookmark Lens

MCP搜索检索

提供方 cornelcroi

搜索检索 stdio · 本地进程 OAuth 授权 社区 / 第三方 Claude DesktopClaude
查看接入方式

Bookmark Lens 是一款基于语义搜索的书签管理工具,支持本地化处理、智能标签和自动分类,适用于个人知识管理和研究场景。

一句话选型结论

按资料字段整理

Bookmark Lens 属于搜索检索类 MCP 服务器,stdio · 本地进程,OAuth 授权,可直接接入 Claude Desktop、Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类搜索检索 传输方式stdio · 本地进程 鉴权OAuth 授权 部署方式本地部署
GitHub 星标 4 仓库热度,无公开仓库时显示未标注
工具数 7 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

搜索检索
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量7暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

语义搜索Python本地部署书签管理本地处理智能标签自动分类

安装与配置

stdio · 本地进程 OAuth 授权
客户端在本机拉起子进程,数据不出本机
uvx bookmark-lens

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 7 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
联网搜索取证

让模型查最新资料并给出出处。

资料聚合

把一个主题的网页、文档集中抓回来整理。

情报与竞品检索

按关键词持续检索行业动态和竞品信息。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 7 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude Desktop、Claude,换客户端不用重新研究配置。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好OAuth 授权对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在搜索检索场景里让模型直接调用外部能力的人。
  • 已经在用 Claude Desktop、Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Bookmark Lens当前 7 stdio · 本地进程 本地部署 有 2026-05-17
Brave Search 433812ff 2 未标注 未标注 无 2026-05-17
Sequentialthinking 1 SSE · 服务端推送 远程部署 有 2026-05-18
Baidu Netdisk 未标注 未标注 未标注 无 2026-05-17
ragflow 未标注 stdio · 本地进程 本地部署 有 2026-04-11
mindsdb (430e18) 未标注 未标注 未标注 有 2026-05-17

服务器档案

搜索检索
字段来自项目仓库与公开索引,中文说明由本站标注
提供方cornelcroi上游标注的维护方 cornelcroi
分类搜索检索本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式OAuth 授权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

17.4 KB
来自项目仓库与上游目录的原文,未做删改

标题:书签镜头
表情符号🔖
颜色来源:靛蓝
颜色致:蓝色
sdk:docker
固定:false
许可证:mit
short_description:支持MCP的AI代理的语义书签引擎
标签:

  • 构建mcp跟踪消费者
  • 打造mcp轨道创意

书签镜头

你的AI助手会记住你保存的所有内容。

书签镜头是什么?

厌倦了在浏览器文件夹中丢失书签?搜索“那篇关于React钩子的文章”,但不记得是提到了“钩子”、“useState”还是“功能组件”?

书签镜头 通过语义搜索解决了这个问题。按书签内容查找书签 关于,而不仅仅是精确的关键字。搜索“身份验证教程”,获得有关登录系统、OAuth、JWT的结果,即使它们从未提到“身份验证”一词

传统书签: 文件夹→ 子文件夹→ 我把它保存在哪里了? → 放弃吧,再谷歌一下
使用书签镜头: “查找上周的React教程”→ 立即找到

所有处理都在您的机器上本地进行。您的书签保持私密。

在行动中看到它

演示即将推出-智能书签搜索功能

特性

  • 🧠 语义搜索 –按含义查找书签,而不仅仅是关键字
  • 🆓 完全免费 –核心功能不需要API密钥
  • 🤖 LLM增强型(可选) –如果您的LLM使用此MCP工具,它可以生成摘要、自动标记和主题分类
  • 语义搜索 -按含义查找书签,而不仅仅是关键字
  • 元数据 -自动提取标题、描述和内容
  • 采用智能标签 -手动标签+自动生成标签(智能模式)
  • 主题分类 -自动分类(智能模式)
  • 日期筛选 -按时间范围搜索(LLM支持自然语言)
  • MCP本地 -适用于Claude Desktop和其他MCP客户端
  • 快速 -使用句子变换器的局部嵌入

快速设置

克劳德桌面(stdio模式)

  1. 打开您的Claude Desktop配置文件:
  • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
  • 视窗: %APPDATA%\Claude\claude_desktop_config.json
  1. 将书签镜头添加到 mcpServers 章节:```json
    {
    "mcpServers": {
    "bookmark-lens": {
    "command": "uvx",
    "args": ["bookmark-lens"]
    }
    }
    }

3. 重新启动克劳德桌面

就是这样!无需安装、设置或配置。

### 其他MCP客户端

对于其他MCP兼容客户端,请使用:```bash
uvx bookmark-lens

HTTP模式(自托管)

书签镜头也支持 可流式传输的HTTP 基于网络的集成传输。这需要自托管,因为没有可用的托管版本。```bash

Run HTTP server on default port (8000)

bookmark-lens --transport http

Server available at: http://127.0.0.1:8000/mcp

Custom port

bookmark-lens --transport http --port 8080


#### 多用户支持

HTTP模式支持多个用户通过 `X-User-Id` 头球每个用户的书签都是完全隔离的:```bash
# User "alice" saves a bookmark
curl -H "X-User-Id: alice" http://localhost:8000/mcp

# User "bob" saves a bookmark
curl -H "X-User-Id: bob" http://localhost:8000/mcp

# Alice and Bob have separate bookmark collections
  • 默认:如果没有 X-User-Id 提供header,默认为 dev-user
  • 隔离:每个用户只能访问自己的书签、标签和统计信息
  • 单个实例:一台服务器可以为多个用户提供完全数据隔离的服务

> 📖 自助托管指南: 看 部署.md 有关运行自己的HTTP服务器、Docker部署、多用户设置和安全考虑的详细说明。


对话示例

研究工作流程```

You: Save https://arxiv.org/abs/2401.12345 with note "Interesting paper on attention mechanisms"

Claude: Saved! I've extracted:
- Title: "Efficient Attention: A Survey"
- Description: Comprehensive review of attention mechanisms...
- Auto-generated tags: #ai #research #attention #transformers

You: Find papers about attention from this month

Claude: Found 3 bookmarks:
1. "Efficient Attention: A Survey" (arxiv.org) - Today
Tags: ai, research, attention, transformers

  1. "Flash Attention Implementation" (github.com) - 3 days ago
    Tags: pytorch, optimization, gpu

  2. "Attention is All You Need - Annotated" (nlp.seas.harvard.edu) - 1 week ago
    Tags: tutorial, transformers, nlp


### 学习路径```
You: I'm learning React. Save good tutorials as I find them with tag #react-learning

Claude: Great! I'll tag them for you.

You: [Later] Show me all my React learning resources

Claude: You have 12 React bookmarks:

**Fundamentals (4 bookmarks):**
- Official React Docs - react.dev
- React Tutorial for Beginners - youtube.com
- Thinking in React - beta.reactjs.org

**Advanced (5 bookmarks):**
- Custom Hooks Patterns - usehooks.com
- React Performance Optimization - web.dev
...

You: Which ones cover hooks?

Claude: 8 of your bookmarks discuss hooks:
[Semantic search finds all hook-related content even without "hooks" in title]

内容策展```

You: Show me my GitHub bookmarks by topic

Claude: Here's the breakdown:

AI/ML (15 bookmarks)
- Transformer models
- LLM training techniques
- Embedding systems

Frontend (23 bookmarks)
- React ecosystem
- Build tools
- State management

DevOps (8 bookmarks)
- Kubernetes guides
- CI/CD pipelines

You: What are my top 3 most-saved domains?

Claude:
1. github.com - 47 bookmarks
2. medium.com - 23 bookmarks
3. dev.to - 18 bookmarks


> **更多示例:** 看 用法\_ GIDE.md 详细的工作流程和高级查询模式。

______________________________________________________________________

## 建筑```
bookmark-lens/
├── src/bookmark_lens/
│   ├── server.py              # MCP server (stdio + HTTP/SSE)
│   ├── config.py              # Configuration management
│   ├── database/
│   │   ├── duckdb_client.py   # Relational data (bookmarks, tags)
│   │   └── lancedb_client.py  # Vector embeddings
│   ├── models/
│   │   └── bookmark.py        # Pydantic models
│   └── services/
│       ├── content_fetcher.py # Web page fetching
│       ├── embedding_service.py # Text → vectors
│       ├── bookmark_service.py # Orchestration
│       └── search_service.py  # Hybrid search
├── data/                      # Local databases (gitignored)
└── tests/
└── manual_test.py         # End-to-end testing

技术栈

  • FastMCP -双传输模型上下文协议(stdio+HTTP/SSE)
  • DuckDB -关系数据库(书签、元数据、标签)
  • LanceDB -矢量数据库(语义搜索嵌入)
  • 句子变换器 -本地嵌入模型(全MiniLM-L6-v2)
  • 可读性lxml -从网页中提取内容
  • 派丹蒂克 -数据验证和序列化

> 技术深潜: 看 技术.md 了解混合搜索架构、性能基准和实现细节。


常见问题解答

这与浏览器书签有何不同?
浏览器书签使用文件夹和精确的名称匹配。书签镜头使用AI来理解意义。搜索“身份验证”并找到有关登录、OAuth、JWT的书签,即使他们从未使用过这个词。

Raindrop.io或Pocket怎么样?
它们是基于云的(您的数据在其服务器上),需要订阅高级功能。书签镜头是100%本地免费的。你的数据永远不会离开你的机器。

我需要API密钥吗?
不!核心功能(保存、搜索、标记)在没有API密钥的情况下完全离线工作。智能模式(自动摘要、自动标记)是可选的,并使用您自己的LLM API密钥。

Smart Mode的价格是多少?
与克劳德·海库合作:每个书签约0.0005美元(半美分)。以0.50美元的价格处理1000个书签。它是可选的——核心功能是免费的。

我的数据是私有的吗?
100%私人。一切都在本地运行。核心功能根本不使用互联网。智能模式仅将书签内容发送到您选择的LLM(而不是我们)。

如果我有成千上万的书签怎么办?
书签镜头可以轻松处理数千个。矢量搜索即使在大型集合中也很快。句子转换器模型在CPU上本地运行。

为什么是语义搜索而不是关键字?
当你不记得确切的单词时,关键字就会失败。“查找身份验证教程”找不到“面向初学者的OAuth指南”。语义搜索理解它们是关于同一主题的。

我可以导出我的书签吗?
尚未(路线图功能)。目前,数据存储在本地DuckDB+LanceDB数据库中。如果需要,您可以直接访问它们。

我可以用HTTP访问自托管吗?
对!Bookmark Lens支持流式HTTP传输。看 部署.md 获取自托管说明。注意:没有托管版本-您必须运行自己的服务器。

它支持多个用户吗?
对!在HTTP模式下,Bookmark Lens支持多个用户通过 X-User-Id 头球每个用户的书签都是完全隔离的,他们只能访问自己的数据。一个服务器实例可以为许多用户提供完全数据分离的服务。stdio模式仅限单用户(默认为 dev-user).


MCP工具

save_bookmark

保存带有可选注释和标签的URL。

参数:

  • url (必填):书签的URL
  • note (可选):保存的背景或原因
  • tags (可选):标签列表

例子:```json
{
"url": "https://example.com/article",
"note": "Great explanation of embeddings",
"tags": ["ai", "ml", "tutorial"]
}


### `search_bookmarks`

使用可选过滤器在语义上搜索书签。

**参数:**

- `query` (必填):搜索什么
- `domain` (可选):按域过滤(例如“github.com”)
- `tags` (可选):按标签筛选
- `from_date` (可选):ISO 8601日期字符串
- `to_date` (可选):ISO 8601日期字符串
- `limit` (可选):最大结果(默认值:10)

**例子:**```json
{
"query": "machine learning tutorials",
"domain": "github.com",
"tags": ["python"],
"from_date": "2024-11-07T00:00:00Z",
"limit": 5
}

get_bookmark

按ID获取书签的完整详细信息。

参数:

  • id (必填):书签ID

update_bookmark

更新书签的注释和/或标签。

参数:

  • id (必填):书签ID
  • note (可选):新注释
  • tags (可选):添加/替换标签
  • tag_mode (可选):“替换”或“附加”(默认:“替换“)

delete_bookmark

删除书签及其所有相关数据。

参数:

  • id (必填):书签ID

例子:```json
{
"id": "bkm_abc123"
}


### `list_tags`

列出所有标签及其使用次数。

**参数:** 无

**示例响应:**```json
{
"success": true,
"count": 5,
"tags": [
{"tag": "ai", "count": 20},
{"tag": "python", "count": 15},
{"tag": "tutorial", "count": 8}
]
}

get_bookmark_stats

使用可选过滤器获取书签收藏的统计信息。

参数:

  • stat_type (可选):统计类型
  • "total" -总计数(默认)
  • "by_domain" -按领域细分
  • "by_topic" -按主题细分
  • "by_tag" -按标签细分
  • "by_date" -活动随时间变化
  • domain (可选):按域筛选
  • topic (可选):按主题筛选
  • tags (可选):按标签筛选
  • from_date (可选):日期后过滤器(ISO 8601)
  • to_date (可选):日期前过滤器(ISO 8601)
  • limit (可选):对于细分统计,前N个结果(默认值:10)

示例:

书签总数:```json
{
"stat_type": "total"
}


本周保存的书签:```json
{
"stat_type": "total",
"from_date": "2024-11-07T00:00:00Z"
}

顶级域名:```json
{
"stat_type": "by_domain",
"limit": 5
}


按域列出的AI书签:```json
{
"stat_type": "by_domain",
"topic": "AI"
}

配置

所有配置都是通过环境变量进行的(.env 文件):```bash

Database paths

BOOKMARK_LENS_DUCKDB_PATH=./data/bookmark_lens.db
BOOKMARK_LENS_LANCEDB_PATH=./data/embeddings.lance

Embedding model

EMBEDDING_MODEL_NAME=all-MiniLM-L6-v2
EMBEDDING_DIMENSION=384

Content fetching

BOOKMARK_LENS_FETCH_TIMEOUT=30
BOOKMARK_LENS_USER_AGENT=bookmark-lens/0.1.0
MAX_CONTENT_LENGTH=50000


### 安装选项

**减小安装大小(仅限CPU的PyTorch):**

默认情况下,PyTorch可以安装CUDA支持(~3GB)。对于大多数部署,仅CPU就足够了,而且要小得多(~200MB):```bash
# Install CPU-only PyTorch first
pip install torch --index-url https://download.pytorch.org/whl/cpu

# Then install bookmark-lens
pip install bookmark-lens

这建议用于Docker容器、无服务器部署或任何不需要GPU加速的环境。


智能模式(LLM增强功能)

启用智能模式以获取书签的自动摘要、标签和主题分类。

设置

  1. 选择LLM模型(请参见 LiteLLM提供商)
  2. 从您的提供商处获取API密钥
  3. 添加到 .env:```bash
    LLM_MODEL=claude-3-haiku-20240307
    LLM_API_KEY=your-api-key-here
1. 重新启动服务器

### 推荐型号

- `claude-3-haiku-20240307` -快速、便宜、质量好(Anthropic) **\[推荐\]**
- `gpt-4o-mini` -快速、廉价(OpenAI)
- `gpt-4o` -质量更好,更贵(OpenAI)
- `claude-3-5-sonnet-20241022` -最佳品质(Anthropic)

看 LiteLLM文档 支持100多种型号。

### 智能模式增加了什么

- **自动摘要**:简短(1-2句)和长篇(1段)摘要
- **自动标签**:自动生成3-5个相关标签
- **主题分类**:高级类别(人工智能、云、编程、数据、安全、DevOps、设计、商业、科学、其他)
- **更好的搜索**:嵌入内容中包含的摘要和主题,以提高相关性
- **Markdown提取**:完整内容提取为Markdown(保留结构)

### 成本估算

随着 `claude-3-haiku-20240307`: **每个书签约0.0005美元** (非常便宜!)

### 演出

- **基模** (无LLM):快速保存,仅提取标题/描述
- **智能模式** (使用LLM):保存速度较慢(~5-10秒),内容完整+增强

**注:** 智能模式是完全可选的。所有核心功能无需任何LLM配置即可工作。

______________________________________________________________________

### 嵌入模型

违约: `all-MiniLM-L6-v2` (384维,快速,质量好)

选择:

- `all-mpnet-base-v2` (768维,质量更好,速度更慢)

变化 `.env`:```bash
EMBEDDING_MODEL_NAME=all-mpnet-base-v2
EMBEDDING_DIMENSION=768

运作原理

保存书签

  1. 获取 -下载网页
  2. 提取 -提取标题、描述、主要内容(智能模式下的Markdown)
  3. 增强 -生成摘要、标签、主题(仅限智能模式)
  4. 嵌入 -使用局部模型将文本转换为矢量
  5. 商店 -保存到DuckDB(元数据)和LanceDB(矢量)

搜索书签

  1. 嵌入查询 -将搜索文本转换为矢量
  2. 矢量搜索 -查找类似书签(LanceDB)
  3. 过滤器 -应用域/标签/日期过滤器(DuckDB)
  4. 排名 -按相似性得分排序
  5. 返回 -相关性得分最高的N个结果

自然语言日期

LLM(通过 bookmark_search_guide prompt)将自然语言转换为ISO日期:

  • “昨天”→ 2024-11-13T00:00:00Z
  • “上周”→ 2024-11-07T00:00:00Z
  • “上个月”→ 2024-10-14T00:00:00Z

服务器只接受ISO 8601格式,LLM进行转换。


发展

想贡献吗?看 贡献.md 有关设置说明。

运行测试```bash

Clone the repository

git clone https://github.com/yourusername/bookmark-lens.git
cd bookmark-lens

Install in development mode

pip install -e ".[dev]"

Run tests

python tests/test_simple.py
```


故障排除

“找不到模型”错误

第一次运行下载嵌入模型(约80MB)。这是正常的,只发生一次。

“数据库锁定”错误

关闭使用数据库的所有其他进程。DuckDB不支持并发写入。

搜索未返回任何结果

  • 检查书签是否已成功保存
  • 尝试更广泛的查询
  • 验证嵌入模型是否正确加载

首次搜索速度较慢

嵌入模型在首次使用时加载。后续搜索速度很快。


路线图

第二阶段(智能模式-未来)

  • LLM驱动的摘要
  • 自动标记
  • 主题分类
  • 查询扩展

未来功能

  • 浏览器历史记录导入
  • 浏览器扩展
  • 导出/导入书签
  • 书签收藏
  • 共享能力

许可证

MIT许可证-有关详细信息,请参阅许可证文件。


贡献

欢迎投稿!拜托:

  1. 检查 TASKS.md 当前状态
  2. 遵循现有的代码风格(最小、集中的实现)
  3. 为新功能添加测试
  4. 更新文档

鸣谢

内置:

  • MCP-SDK 通过Anthropic
  • DuckDB -快速分析数据库
  • LanceDB -矢量数据库
  • 句子变换器 -嵌入模型
  • 可读性lxml -内容提取

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Bookmark Lens 怎么安装?

在客户端按下面的安装命令接入:uvx bookmark-lens。装完在客户端配置里引用同一个包或端点。

Bookmark Lens 怎么在 Claude Desktop、Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Bookmark Lens 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Bookmark Lens 需要 API Key 吗?

资料标注需要OAuth 授权认证,使用前准备好对应凭据,并按最小权限配置。

Bookmark Lens 支持哪些客户端?

资料标注支持 Claude Desktop、Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Bookmark Lens 能提供哪些能力?

资料显示约 7 个工具;能力标签包括 搜索、本地处理、Python、Claude。具体工具清单以官方文档为准。

Bookmark Lens 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Bookmark Lens 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。