上下文MCP服务器
一种模型上下文协议(MCP)服务器,使用上下文AI提供RAG(检索增强生成)功能。该服务器与各种MCP客户端集成。它提供了灵活性,您可以决定在服务器中提供什么功能。在本自述文件中,我们将展示与CursorIDE和Claude Desktop的集成。
Contextual AI现在在平台内提供托管服务器,网址为:https://mcp.app.contextual.ai/mcp/\
连接到服务器后,您可以使用平台MCP服务器提供的工具,如查询。\
有关完整的演练,请查看MCP 用户指南.
概述
MCP服务器充当AI接口(Cursor IDE或Claude Desktop)和专用上下文AI代理之间的桥梁。它能够:
- 查询处理:将您的特定领域问题交给专门的上下文AI代理
- 智能检索:在您的知识库中搜索全面的信息
- 上下文感知响应:生成以下答案:
- 基于源文件
- 包括引用和归因
- 保持对话上下文
集成流程```
Cursor/Claude Desktop → MCP Server → Contextual AI RAG Agent
↑ ↓ ↓
└──────────────────┴─────────────┴─────────────── Response with citations
## 先决条件
- Python 3.10或更高版本
- 光标IDE和/或克劳德桌面
- 上下文AI API密钥
- MCP兼容环境
## 安装
1. 克隆存储库:```bash
git clone https://github.com/ContextualAI/contextual-mcp-server.git
cd contextual-mcp-server
- 创建并激活虚拟环境:
``bash python -m venv .venv source .venv/bin/activate # On Windows, use.venv\Scripts\activate`
3. 安装依赖项:```bash
pip install -e .
配置
配置MCP服务器
服务器需要修改设置或使用。
例如,应该为您的RAG代理定制一个合适的docstring来定制single_agent服务器。
查询工具的文档字符串至关重要,因为它有助于MCP客户端了解何时将问题发送给RAG代理。让它具体到你的知识领域。以下是一个示例:```
A research tool focused on financial data on the largest US firms
或```
A research tool focused on technical documents for Omaha semiconductors
服务器还需要RAG代理进行以下设置:
API_KEY:您的上下文AI API密钥AGENT_ID:您的上下文AI代理ID
如果您想将这些文件存储在 .env 你可以这样指定它们:```bash
cat > .env << EOF
API_KEY=key...
AGENT_ID=...
EOF
该仓库还包含更多用于多代理系统的高级MPC服务器或 文件代理人.
### AI接口集成
此MCP服务器可以与各种客户端集成。要与Cursor IDE或Claude Desktop一起使用,请在适当的位置创建或修改MCP配置文件:
1. 首先,找到通往你的道路 `uv` 安装:```bash
UV_PATH=$(which uv)
echo $UV_PATH
# Example output: /Users/username/miniconda3/bin/uv
- 使用步骤1中的完整路径创建配置文件:```bash
cat > mcp.json << EOF
{
"mcpServers": {
"ContextualAI-TechDocs": {
"command": "$UV_PATH", # make sure this is set properly
"args": [
"--directory",
"\${workspaceFolder}", # Will be replaced with your project path
"run",
"multi-agent/server.py"
]
}
}
}
EOF
3. 移动到正确的文件夹位置,请参阅下面的选项:```bash
mkdir -p .cursor/
mv mcp.json .cursor/
配置位置:
- 对于光标:
- 项目具体:
.cursor/mcp.json在您的项目目录中 - 全球的:
~/.cursor/mcp.json用于全系统访问 - 对于Claude Desktop:
- 在相应的Claude Desktop配置目录中使用相同的配置文件格式
环境设置
此项目使用 uv 用于依赖管理,它提供了更快、更可靠的Python包安装。
用法
服务器使用python SDK提供上下文AI RAG功能,可以从MCP客户端(如Cursor IDE和Claude Desktop)访问各种命令。
当前的服务器侧重于使用Contextual AI python SDK中的query命令,但是您可以扩展它以支持其他功能,例如列出所有代理、更新检索设置、更新提示、提取检索或下载指标。
示例用法```python
In Cursor, you might ask:
"Show me the code for initiating the RF345 microchip?"
The MCP client will:
- Determine if this should be routed to the MCP Server
Then the MCP server will:
- Route the query to the Contextual AI agent
- Retrieve relevant documentation
- Generate a response with specific citations
- Return the formatted answer to Cursor
### 关键利益
1. **准确反应**:所有答案都基于您的文档
1. **消息来源**:每个回复都包括对源文件的引用
1. **情境感知**:系统维护后续问题的对话上下文
1. **实时更新**:响应反映了数据存储中的最新文档
## 发展
### 修改服务器
要添加新功能,请执行以下操作:
1. 通过创建附加功能来添加新工具 `@mcp.tool()`
1. 使用Python类型提示定义工具的参数
1. 提供一个清晰的文档字符串,描述工具的功能
例子:```python
@mcp.tool()
def new_tool(param: str) -> str:
"""Description of what the tool does"""
# Implementation
return result
局限性
- 服务器在本地运行,可能无法在远程开发环境中工作
- 工具响应受上下文AI API限制和配额的约束
- 目前仅支持stdio传输模式
有关上下文AI的所有功能,请查看 官方文件.
