Knowledge MCP (Maxzrff)

MCP搜索检索

提供方 maxzrff

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

一个基于模型上下文协议(MCP)的服务器,使AI编码助手和代理工具能够通过语义搜索利用本地知识。

一句话选型结论

按资料字段整理

Knowledge MCP (Maxzrff) 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 7 仓库热度,无公开仓库时显示未标注
工具数 未标注 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
工具数量未标注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本地部署多上下文支持本地处理文档管理OCR处理

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
python3 -m venv venv

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

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

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

  • 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。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 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 MCP (Maxzrff)当前 未标注 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maxzrff上游标注的维护方 maxzrff
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

14.7 KB
来自项目仓库与上游目录的原文,未做删改

MCP知识服务器

模型上下文协议(MCP)服务器,使AI编码助手和代理工具能够通过语义搜索利用本地知识。

状态: ✅ 全面运作 -所有用户故事均已实施并验证

特性

  • ✅ 语义搜索:对文档集合的自然语言查询
  • ✅ 多上下文支持:将文档组织到单独的上下文中,以便进行重点搜索
  • ✅ 多格式支持:PDF、DOCX、PPTX、XLSX、HTML和图像(JPG、PNG、SVG)
  • ✅ 智能OCR:自动检测仅扫描的PDF,并在需要时应用OCR
  • ✅ 异步处理:背景索引和进度跟踪
  • ✅ 永久存储:ChromaDB矢量存储,具有可靠的文档删除功能
  • ✅ HTTP和标准传输:与GitHub Copilot CLI和Claude Desktop兼容
  • ✅ MCP集成:与Claude Desktop、GitHub Copilot和其他MCP客户端兼容
  • ✅ 本地和私人:所有处理都在本地进行,没有数据离开您的系统

多上下文组织

将文档组织到不同的上下文中,以便更好地组织和集中搜索结果。

什么是上下文?

上下文是孤立的知识领域,可以让你:

  • 按主题组织:将AWS文档与医疗保健文档和项目特定文档分开
  • 高效搜索:在特定上下文中搜索更快、更相关的结果
  • 多域文档:将同一文档添加到多个上下文中
  • 灵活的组织:每个上下文都是一个单独的ChromaDB集合

创建和使用上下文```python

from src.services.context_service import ContextService

Create contexts

context_service = ContextService()
await context_service.create_context("aws-architecture", "AWS WAFR and architecture docs")
await context_service.create_context("healthcare", "Medical and compliance documents")

Add documents to specific contexts

doc_id = await service.add_document(
Path("wafr.pdf"),
contexts=["aws-architecture"]
)

Add to multiple contexts

doc_id = await service.add_document(
Path("fin-services-lens.pdf"),
contexts=["aws-architecture", "healthcare"]
)

Search within a context

results = await service.search("security pillar", context="aws-architecture")

Search across all contexts

results = await service.search("best practices") # No context = search all


### MCP上下文工具```bash
# Create context
knowledge-context-create aws-docs --description "AWS documentation"

# List all contexts
knowledge-context-list

# Show context details
knowledge-context-show aws-docs

# Add document to context
knowledge-add /path/to/doc.pdf --contexts aws-docs

# Add to multiple contexts
knowledge-add /path/to/doc.pdf --contexts aws-docs,healthcare

# Search in specific context
knowledge-search "security" --context aws-docs

# Delete context
knowledge-context-delete test-context --confirm true

默认上下文

所有没有指定上下文的文档都会自动转到“默认”上下文。这确保了与现有工作流的向后兼容性。

智能OCR处理

该服务器包括智能OCR功能,可自动检测何时需要OCR:

自动OCR检测

系统分析提取的文本质量,并在以下情况下自动应用OCR:

  • 提取的文本少于100个字符(可能是扫描)
  • 文本中字母数字字符少于70%(乱码/编码问题)

强制OCR模式

即使文本提取可用,您也可以强制OCR处理:```python

Python API

doc_id = await service.add_document(
Path("document.pdf"),
force_ocr=True # Force OCR regardless of text quality
)

MCP Tool (via GitHub Copilot or Claude)

knowledge-add /path/to/document.pdf --force_ocr=true


### OCR要求

对于OCR功能,请安装Tesseract OCR:```bash
# Ubuntu/Debian
sudo apt-get install tesseract-ocr poppler-utils

# macOS
brew install tesseract poppler

# Windows (via Chocolatey)
choco install tesseract poppler

OCR配置

在中配置OCR行为 config.yaml:```yaml
ocr:
enabled: true # Enable/disable OCR
language: eng # OCR language (eng, fra, deu, spa, etc.)
force_ocr: false # Global force OCR setting
confidence_threshold: 0.0 # Accept all OCR results


### 处理方法跟踪

所有文档都包含显示其处理方式的元数据:

- `text_extraction`:标准文本提取
- `ocr`:使用了OCR处理
- `image_analysis`:仅图像文档

检查文档元数据中的处理方法:```python
documents = service.list_documents()
for doc in documents:
print(f"{doc.filename}: {doc.processing_method}")
if doc.metadata.get("ocr_used"):
confidence = doc.metadata.get("ocr_confidence", 0)
print(f"  OCR confidence: {confidence:.2f}")

快速开始

先决条件

  • Python 3.11+或Python 3.12
  • Tesseract OCR(可选,用于扫描文档)

自动设置```bash

One-command setup and demo

./quickstart.sh


这将:

- ✅ 创建虚拟环境
- ✅ 安装依赖项
- ✅ 下载嵌入模型
- ✅ 运行端到端演示
- ✅ 显示下一步

### 手动安装```bash
# Clone repository
git clone https://github.com/yourusername/KnowledgeMCP.git
cd KnowledgeMCP

# Create virtual environment
python3 -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install dependencies
pip install -r requirements.txt

# Download embedding model (first run, ~91MB)
python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')"

基本用法```python

from pathlib import Path
from src.services.knowledge_service import KnowledgeService
import asyncio

async def main():

Initialize service

service = KnowledgeService()

Add document to specific context

doc_id = await service.add_document(
Path("document.pdf"),
metadata={"category": "technical"},
contexts=["aws-docs"], # Optional: organize by context
async_processing=False
)

Search within a context (faster, more focused)

results = await service.search("neural networks", context="aws-docs", top_k=5)
for result in results:
print(f"{result['filename']}: {result['relevance_score']:.2f}")
print(f" Context: {result.get('context', 'default')}")
print(f" {result['chunk_text'][:100]}...")

Search across all contexts

all_results = await service.search("neural networks", top_k=5)

Get statistics

stats = service.get_statistics()
print(f"\nDocuments: {stats['document_count']}")
print(f"Chunks: {stats['total_chunks']}")
print(f"Contexts: {stats['context_count']}")

asyncio.run(main())


### 运行MCP服务器```bash
# Using the management script (recommended)
./server.sh start       # Start server in background
./server.sh status      # Check if running
./server.sh logs        # View live logs
./server.sh stop        # Stop server
./server.sh restart     # Restart server

# Or run directly (foreground)
python -m src.mcp.server

服务器脚本提供:

  • ✅ 后台流程管理
  • ✅ PID文件跟踪
  • ✅ 日志文件管理
  • ✅ 状态检查
  • ✅ 平滑关闭

运行测试```bash

Unit tests

pytest tests/unit/ -v

Integration tests

pytest tests/integration/ -v

End-to-end demo

python tests/e2e_demo.py


## MCP工具可用

服务器为AI助手提供了11个MCP工具:

### 文档管理

1. **知识添加**:将文档添加到知识库(可选择上下文分配)
1. **知识搜索**:使用自然语言查询的语义搜索(上下文感知)
1. **知识展示**:列出所有文档(可按上下文筛选)
1. **知识删除**:删除特定文档
1. **知识清晰**:清除整个知识库
1. **知识状态**:获取统计数据和健康状况
1. **知识任务状态**:检查异步处理任务状态

### 上下文管理

8. **知识情境创建**:创建用于组织文档的新上下文
1. **知识上下文列表**:列出所有带有统计信息的上下文
1. **知识情境展示**:显示特定上下文的详细信息
1. **知识上下文删除**:删除上下文(文档保留在其他上下文中)

## 配置

服务器通过以下方式配置 `config.yaml` 在项目根中。提供默认配置。

### 配置文件```yaml
# config.yaml - Default configuration provided
storage:
documents_path: ./data/documents
vector_db_path: ./data/chromadb

embedding:
model_name: sentence-transformers/all-MiniLM-L6-v2
batch_size: 32
device: cpu

chunking:
chunk_size: 500
chunk_overlap: 50
strategy: sentence

processing:
max_concurrent_tasks: 3
max_file_size_mb: 100

ocr:
enabled: true
language: eng
force_ocr: false
confidence_threshold: 0.0  # Accept all OCR results

logging:
level: INFO
format: text

search:
default_top_k: 10
max_top_k: 50

自定义配置

创建自定义配置文件:```bash

Copy template

cp config.yaml.template config.yaml.local

Edit your settings

nano config.yaml.local

The server will use config.yaml.local if it exists


### 环境变量

配置可以用环境变量覆盖(前缀为 `KNOWLEDGE_`):```bash
# Override storage path
export KNOWLEDGE_STORAGE__DOCUMENTS_PATH=/custom/path

# Increase batch size for faster processing
export KNOWLEDGE_EMBEDDING__BATCH_SIZE=64

# Enable debug logging
export KNOWLEDGE_LOGGING__LEVEL=DEBUG

# Increase search results
export KNOWLEDGE_SEARCH__DEFAULT_TOP_K=20

# Use GPU if available
export KNOWLEDGE_EMBEDDING__DEVICE=cuda

配置优先

  1. 环境变量(最高优先级)
  2. config.yaml.local (如果存在)
  3. config.yaml (默认)

关键设置

设置 说明 默认值 备注
chunk_size 每块字符数 500 较大=上下文更多
batch_size 每批嵌入 32 更高=更快,更多RAM
device 计算设备 cpu GPU使用“cuda”
max_file_size_mb 最大文件大小 100 大型文档增加
log_level 记录详细信息 信息 使用DEBUG进行开发
collection_prefix ChromaDB集合前缀 knowledge_ 用于上下文集合
default_context 默认上下文名称 默认 向后兼容性

与AI助手集成

克劳德桌面

增添 claude_desktop_config.json:```json
{
"mcpServers": {
"knowledge": {
"command": "python",
"args": ["-m", "src.mcp.server"],
"cwd": "/path/to/KnowledgeMCP",
"env": {
"KNOWLEDGE_STORAGE__DOCUMENTS_PATH": "/path/to/docs"
}
}
}
}


**备注**:Claude Desktop使用stdio传输。服务器会自动检测传输模式。

### GitHub Copilot命令行界面

服务器使用MCP Streamable HTTP为Copilot CLI集成公开一个HTTP端点。

**步骤1:启动服务器**```bash
./server.sh start

步骤2:配置Copilot CLI

增添 ~/.copilot/mcp-config.json:```json
{
"knowledge": {
"type": "http",
"url": "http://localhost:3000"
}
}


**步骤3:验证集成**

在Copilot CLI中,将提供以下工具:

- `knowledge-add` -将文档添加到知识库
- `knowledge-search` -使用自然语言查询进行搜索
- `knowledge-show` -列出所有文件
- `knowledge-remove` -删除文档
- `knowledge-clear` -清晰的知识库
- `knowledge-status` -获取统计数据
- `knowledge-task-status` -检查处理状态

**Copilot CLI中的示例用法:**```bash
# Create organized contexts
> knowledge-context-create aws-docs --description "AWS architecture documents"

# Add documents to specific contexts
> knowledge-add /path/to/wafr.pdf --contexts aws-docs

# Search within a context for focused results
> knowledge-search "security pillar" --context aws-docs

# Ask Copilot to use the knowledge base
> What are the AWS WAFR security best practices?

建筑

  • 矢量数据库:ChromaDB用于具有持久存储的语义搜索
  • 嵌入模型:全MiniLM-L6-v2(384维,快速推理)
  • OCR引擎:扫描文件的Tesseract
  • 协议:MCP over HTTP(流式HTTP)和stdio传输
  • 服务器框架:FastMCP用于HTTP端点管理

演出

在标准硬件(4核CPU,8GB RAM)上验证的性能:

  • 索引:文件处理时间小于1秒(HTML),最多30秒(大型PDF)
  • 搜索:对于包含数十个文档的知识库,\<200ms
  • 记忆:\<500MB基线,随文档数量缩放
  • 嵌入:批处理,模型本地缓存

项目结构```

KnowledgeMCP/
├── src/ # Source code
│ ├── models/ # Data models (Document, Embedding, etc.)
│ ├── services/ # Core services (KnowledgeService, VectorStore)
│ ├── processors/ # Document processors (PDF, DOCX, etc.)
│ ├── mcp/ # MCP server and tools
│ ├── config/ # Configuration management
│ └── utils/ # Utilities (chunking, validation, logging)
├── tests/ # Test suite
│ ├── unit/ # Unit tests
│ ├── integration/ # Integration tests
│ └── e2e_demo.py # End-to-end demonstration
├── docs/ # Documentation
│ └── SERVER_MANAGEMENT.md # Server management guide
├── server.sh # Server management script ⭐
├── quickstart.sh # Quick setup script ⭐
└── README.md # This file


### 关键脚本

- **`server.sh`** -启动/停止/状态管理
- **`quickstart.sh`** -自动设置和演示
- **`tests/e2e_demo.py`** -完整系统演示

## 文档

- 更新日志 -版本历史和最近的更改
- 实施进度 -详细进度报告
- 配置指南 -完整的配置参考
- 服务器管理 -服务器生命周期管理
- 规格说明 -功能规格
- 实施计划 -技术方案
- 任务 -任务分解
- 快速入门指南 -详细使用指南
- MCP工具合同 -API规范

## 发展

### 代码质量```bash
# Format code
black src/ tests/

# Lint
ruff check src/ tests/

# Type check
mypy src/

添加新的文档处理器

  1. 在中创建处理器 src/processors/
  2. 从……继承…… BaseProcessor
  3. 实施 extract_text() 和 extract_metadata()
  4. 注册 TextExtractor

已验证的用户故事

✅ 美国1:从文档中添加知识

  • 多格式文档摄取
  • 智能文本提取与OCR
  • 带有进度跟踪的异步处理
  • 多上下文分配

✅ 美国2:语义搜索知识

  • 自然语言查询
  • 相关性排名结果
  • 快速语义搜索
  • 上下文范围和跨上下文搜索

✅ 美国3:管理知识库

  • 列出所有文件
  • 删除特定文档
  • 清晰的知识库
  • 查看统计信息
  • 上下文过滤

✅ 美国4:通过MCP与AI工具集成

  • 实施了11个MCP工具(7个文档+4个上下文工具)
  • JSON-RPC兼容
  • 已准备好集成AI助手

✅ 美国5:多上下文组织

  • 创建和管理上下文
  • 将文档添加到多个上下文中
  • 在特定上下文中搜索
  • 使用单独的ChromaDB集合进行上下文隔离

许可证

麻省理工学院

贡献

欢迎投稿!在提交PR之前,请阅读规范和实施计划。

支持

  • 问题:GitHub问题
  • 文档:参见 docs/ 和 specs/ 目录
  • 问题:检查快速启动指南和API合同

内置于:Python、ChromaDB、句子转换器、FastAPI、MCP SDK

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 MCP (Maxzrff) 怎么安装?

在客户端按下面的安装命令接入:python3 -m venv venv。装完在客户端配置里引用同一个包或端点。

Knowledge MCP (Maxzrff) 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 MCP (Maxzrff) 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 MCP (Maxzrff) 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 MCP (Maxzrff) 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 MCP (Maxzrff) 能提供哪些能力?

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

Knowledge MCP (Maxzrff) 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 MCP (Maxzrff) 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。