Knowledge Index MCP

MCP搜索检索

提供方 mike-anderson

搜索检索 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude DesktopClaude
查看接入方式

一个本地优先的文档语义搜索服务器,支持PDF、Word、PowerPoint、Excel和文本/Markdown文件的自然语言搜索。

一句话选型结论

按资料字段整理

Knowledge Index MCP 属于搜索检索类 MCP 服务器,stdio · 本地进程,无需鉴权,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 鉴权无需鉴权 部署方式本地部署
GitHub 星标 1 仓库热度,无公开仓库时显示未标注
工具数 9 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9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本地部署本地处理文档索引自然语言处理文件管理

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
uvx --from doc-index-mcp doc-index-install-skill

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 9 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 9 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。
  • 资料标注无需鉴权,装好就能连。

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。
  • 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。
  • 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
Knowledge Index MCP当前 9 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mike-anderson上游标注的维护方 mike-anderson
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
鉴权方式无需鉴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

5.6 KB
来自项目仓库与上游目录的原文,未做删改

文档索引MCP

这是干什么用的?

文档的本地第一语义搜索服务器。索引PDF、Word文档、PowerPoint、Excel文件和文本/标记,然后通过模型上下文协议(MCP)使用自然语言进行搜索。

  • 语义搜索 -使用自然语言查询查找相关内容
  • 边界感知分块 -尊重文档结构(章节、节、标题)
  • 表格提取 -将文档中的表格提取为CSV格式
  • 完全本地化 -没有外部API,没有云服务,没有Docker容器,没有PyTorch
  • 轻量级 -基于ONNX的嵌入(约50MB,而PyTorch约2GB)

快速开始

1.添加到MCP配置中

需要 紫外线.如果你没有紫外线,请参阅 替代安装 在......下面

添加 .mcp.json 在项目根目录(适用于Claude Code)或Claude Desktop配置中:```json
{
"mcpServers": {
"doc-index": {
"command": "uvx",
"args": ["doc-index-mcp"]
}
}
}


### 2.安装克劳德技能(可选)

该技能教克劳德如何有效地使用搜索工具(令牌预算、边界扩展等):```bash
uvx --from doc-index-mcp doc-index-install-skill

就是这样——开始让克劳德索引和搜索你的文档。

支持格式

格式 扩展名 注释
文本 .txt 纯文本
Markdown .md, .markdown 保留边界标题
PDF .pdf 使用页面标记提取文本
Word .docx 段落、标题、表格
PowerPoint .pptx 幻灯片、笔记、表格
Excel .xlsx, .xls 图纸作为表格

为什么没有外部服务?

组件 传统RAG 此服务器
嵌入 OpenAI API/托管模型 本地ONNX模型(fastembed)
矢量数据库 松果体/编织体/Qdrant 本地文件(usearch)
存储 云/托管数据库 本地 .docindex/ 目录
依赖关系 PyTorch(~2GB) ONNX运行时(~50MB)

工具

doc_index

为文档建立索引以进行语义搜索。```json
{
"file_path": "docs/manual.pdf",
"source_name": "manual"
}


### `doc_search`

使用自然语言搜索索引文档。```json
{
"query": "how to configure authentication",
"top_k": 5,
"expand_to_boundary": "section",
"max_return_tokens": 4096
}

参数:

  • query -搜索查询
  • sources -筛选特定来源(可选)
  • top_k -结果数(默认值:5)
  • expand_to_boundary -将结果展开到完整的“章节”、“部分”、“小节”或“页面”
  • max_return_tokens -结果令牌预算(默认值:4096)
  • include_siblings -展开时包含兄弟部分

doc_list

列出所有索引源。

doc_chunk

通过ID和可选邻居检索特定块。```json
{
"chunk_id": "manual:42",
"neighbors": 2
}


### `doc_toc`

获取索引文档的目录(章节、小节、小节)。在检索特定内容之前,使用此功能了解文档结构。```json
{
"source_name": "manual",
"max_depth": 3
}

doc_get_content

按结构位置检索文档内容。只提供一个定位器: boundary_id, chapter, section,或 pages.```json
{
"source_name": "manual",
"chapter": "3",
"max_return_tokens": 8192
}


### `read_document`

无需索引即可阅读文档。返回格式化文本。```json
{
"file_path": "report.pdf",
"max_chars": 100000
}

list_tables

列出文档中的所有表。```json
{
"file_path": "data.xlsx"
}


### `extract_table`

将特定表提取为CSV。```json
{
"file_path": "data.xlsx",
"table_index": 0,
"max_rows": 100
}

环境变量

变量 描述 默认值
MCP_WORKING_DIR 解析文件路径的基本目录 当前工作目录
DOC_INDEX_DIR 用于存储矢量索引的目录 .docindex 在工作目录中

替代安装

使用pip进行全局安装```bash

pip install doc-index-mcp


然后在你的 `.mcp.json`:```json
{
"mcpServers": {
"doc-index": {
"command": "doc-index-mcp"
}
}
}

从源码安装

克隆仓库并安装依赖项:```bash
git clone https://github.com/mike-anderson/doc-index-mcp.git
cd doc-index-mcp
pip install -e .


然后指出你的 `.mcp.json` 在服务器入口点:```json
{
"mcpServers": {
"doc-index": {
"command": "python",
"args": ["/path/to/doc-index-mcp/src/server.py"]
}
}
}

建筑

一切都在本地运行,不需要外部API、数据库或嵌入式服务器。```mermaid
flowchart TB
subgraph Client["MCP Client (Claude Desktop, etc.)"]
LLM[LLM]
end

subgraph MCP["Doc Index MCP Server"]
Server[server.py]

subgraph Services["Local Services"]
Loader[Document Loader
PDF, DOCX, PPTX, XLSX]
Chunker[Boundary-Aware
Chunker]
Embedder[Embedder
ONNX Runtime]
VectorStore[Vector Store
usearch]
end
end

subgraph Storage["Local Filesystem"]
Docs[(Source
Documents)]
Index[(".docindex/
├── manifest.json
└── vectors/
├── index.usearch
├── chunks.jsonl
└── boundaries.json")]
end

subgraph Models["Embedded Model (downloaded once)"]
ONNX[BAAI/bge-small-en-v1.5
ONNX format ~50MB]
end

LLM <-->|MCP Protocol| Server
Server --> Loader
Server --> Chunker
Server --> Embedder
Server --> VectorStore

Loader -->|read| Docs
VectorStore <-->|read/write| Index
Embedder -->|load once| ONNX

style Client fill:#e1f5fe
style Storage fill:#fff3e0
style Models fill:#f3e5f5
style MCP fill:#e8f5e9


### 数据流```mermaid
flowchart LR
subgraph Index[&quot;Indexing&quot;]
direction TB
A[Document] --&gt; B[Load &amp; Extract Text]
B --&gt; C[Detect Boundaries]
C --&gt; D[Chunk ~256 tokens]
D --&gt; E[Generate Embeddings]
E --&gt; F[Save to Disk]
end

subgraph Search[&quot;Searching&quot;]
direction TB
G[Query] --&gt; H[Embed Query]
H --&gt; I[Vector Similarity Search]
I --&gt; J[Expand to Boundaries]
J --&gt; K[Return Results]
end

Index -.-&gt;|stored in .docindex/| Search

许可证

麻省理工学院

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
Knowledge Index MCP 怎么安装?

在客户端按下面的安装命令接入:uvx --from doc-index-mcp doc-index-install-skill。装完在客户端配置里引用同一个包或端点。

Knowledge Index MCP 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。

Knowledge Index MCP 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。

Knowledge Index MCP 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Knowledge Index MCP 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。

Knowledge Index MCP 能提供哪些能力?

资料显示约 9 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。

Knowledge Index MCP 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。

Knowledge Index MCP 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。