Little MCP

MCP搜索检索

提供方 ricard1406

搜索检索 stdio · 本地进程 API Key 社区 / 第三方 Claude
查看接入方式

一个简单而强大的本地AI助手,完全在您的机器上运行,结合开源LLM和检索增强生成(RAG)技术,提供智能聊天、文档查询和实时信息获取功能。

一句话选型结论

按资料字段整理

Little MCP 属于搜索检索类 MCP 服务器,stdio · 本地进程,API Key,可直接接入 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API Key 部署方式本地部署
GitHub 星标 3 仓库热度,无公开仓库时显示未标注
工具数 5 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5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

本地AIPython本地部署智能助手文档查询实时信息RAG

安装与配置

stdio · 本地进程 API Key
客户端在本机拉起子进程,数据不出本机
python mcp_server.py

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 5 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 5 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,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API Key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 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
Little MCP当前 5 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ricard1406上游标注的维护方 ricard1406
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API Key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

7.7 KB
来自项目仓库与上游目录的原文,未做删改

小MCP代理🤖

一个简单而强大的本地AI助手,完全在您的机器上运行。Little MCP专为学习和实验而设计,将开源LLM的强大功能与先进的检索增强生成(RAG)相结合,创建了一个智能聊天机器人,可以处理您的个人文档并提供实时信息。

✨ 特性

  • 本地LLM集成:由Ollama提供技术支持,实现完全隐私和离线功能
  • 选项:克劳德人类学法学硕士:必需的API密钥
  • 💻 界面选项:图形网页界面或经典文本界面。
  • RAG系统:使用向量嵌入从PDF文档中查询和提取信息
  • MCP服务器/客户端架构:演示使用FastAPI实现模型上下文协议
  • 双重选择思维/无思维模式:展示思维过程。
  • 多工具代理:使用多种工具,包括:
  • 文件问答系统(基于RAG)
  • 本地SQL数据库(Mariadb)
  • 实时天气信息(OpenWeather API)
  • 任何城市的当前日期和时间
  • 算术计算
  • 会话记忆:在整个聊天过程中保持上下文
  • 矢量存储持久性:高效地存储和重用文档嵌入

🔧 需求

系统要求

  • Python 3.8+
  • 奥拉玛 在本地安装并运行
  • OpenWeather API密钥(免费层可在 openweathermap.org)

所需Olama型号

在运行应用程序之前下载这些模型:```bash
ollama pull qwen3:4b (not required when use Claude)
ollama pull nomic-embed-text


## 📦 安装

## 请参阅安装文档。

## 🚀 用法

### 步骤1:启动MCP服务器

在您的第一个终端中:```bash
python mcp_server.py

您应该看到:```
Starting MCP Server ...
INFO: Uvicorn running on http://127.0.0.1:8000


### 步骤2:启动MCP客户端

在第二个终端中:```bash
[activate your env if not jet] : source ../.venv/bin/activate]

# Local Ollama silent
python little_mcp.py [graph]

# Local Ollama thinking
python little_mcp.py --think [graph]

# Use Claude (API key required)
python little_mcp.py --provider anthropic [graph]

# Use Claude with thinking mode
python little_mcp.py --provider anthropic --think [graph]

# Override Claude model
python little_mcp.py --provider anthropic --model claude-opus-4-5 [--think]

note: add graph parameter for graphical interface
When use graph interface open your browser and run local URL:
http://127.0.0.1:7860

第三步:开始聊天!```

You: What's the weather in Paris?
You: What time is it in Tokyo?
You: What information is in my document about candidates?
You: Calculate ADD, 15, 27


### 第四步:退出

类型 `quit`, `exit`,或 `bye` 关闭客户端应用程序。

## 🏗️ 建筑

### MCP服务器(`mcp_server.py`)

基于FastAPI的服务器为各种工具提供RESTful端点:

**日期时间工具:**

- 使用Nominim对城市名称进行地理编码
- 使用TimezoneFinder确定时区
- 返回当前日期、时间和星期几

**天气工具:**

- 与OpenWeather API集成
- 以公制单位返回当前天气状况
- 包括温度、湿度和天气描述

**计算器工具:**

- 支持基本算术运算(ADD、SUB、MUL、DIV)
- 输入格式: `"OPERATION, NUM1, NUM2"`
- 例子: `"ADD, 5, 3"` 回报 `8`

### MCP客户端(`little_mcp.py`)

基于LangChain的客户端协调多个组件:

**RAG系统:**

1. 使用PyPDFLoader加载您的PDF文档
1. 将文档拆分为可管理的块
1. 使用Ollama的nomic嵌入文本模型将块转换为向量嵌入
1. 将嵌入存储在Chroma矢量数据库中
1. 提问时检索相关上下文
1. 使用具有检索到的上下文的LLM生成答案

**代理架构:**

- 分析您的查询以确定最佳工具
- 将有关文档的问题发送到RAG系统
- 使用MCP服务器工具获取实时信息
- 当没有合适的工具时,回到常识
- 维护对话历史记录,以获得上下文感知的响应

## 🔄 定制

### 更改LLM模型

编辑 `LLM` 常数in `little_mcp.py`:```python
LLM = "llama2"  # or mistral, mixtral, phi, etc.

添加更多MCP工具

服务器端 (mcp_server.py):

  1. 创建您的工具功能:```python
    def get_my_tool(param: str):

Your logic here

return {"result": "data"}


2. 添加API终结点:```python
@app.get("/get_my_tool")
def api_get_my_tool(myParam: str = Query(...)):
result = get_my_tool(myParam)
return result

客户端 (little_mcp.py):

添加到 mcp_tools_config 列表:```python
{
"name": "my_tool",
"description": "Description for the agent to understand when to use this tool",
"function_name": "get_my_tool"
}


### 调整RAG参数

修改 `little_mcp.py`:```python
# Number of document chunks to retrieve
retriever = self.vector_store.as_retriever(search_kwargs={'k': 3})

# Chunk size and overlap
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200
)

🗂️ 项目结构```

Little_MCP/
├── mcp_server.py # FastAPI MCP server
├── little_mcp.py # LangChain client application
├── data/ # PDF documents directory
├── chroma_db_rag/ # Vector store (auto-generated)
├── .env # Environment variables (API keys)
├── requirements.txt # Python dependencies
└── README.md # This file


## 🐛 故障排除

**服务器无法启动:**

- 检查端口8000是否已在使用中
- 验证您的 `.env` 文件包含API密钥

**天气工具出现故障:**

- 确认您的OpenWeather API密钥有效且处于活动状态
- 检查您的互联网连接

**矢量存储问题:**

- 删除 `chroma_db_rag` 从头开始重建的目录

**Ollama连接错误:**

- 确保Ollama正在运行(`ollama serve`)
- 验证模型是否已下载(`ollama list`)

**找不到PDF:**

- 验证中的路径 `PDF_DOCUMENT_PATH`
- 确保文件存在于 `data` 目录

**客户端无法连接到服务器:**

- 确认服务器正在端口8000上运行
- 检查 `SERVER_URL` 配置

## 📋 交互示例```
You: What's the weather in London?
Assistant: The current weather in London is 12°C with light rain...

You: What time is it in New York?
Assistant: In New York, it's currently 2024-10-22 14:30:15 (Tuesday)...

You: Calculate ADD, 25, 17
Assistant: 42.0

You: What does my document say about candidate scores?
Assistant: Based on the document, the candidates have the following scores...

🤝 贡献

欢迎投稿!这个项目是为学习和实验而设计的。请随意:

  • 添加新的工具和功能
  • 改进RAG系统
  • 增强代理人的推理能力
  • 添加对更多文档类型的支持
  • 实施额外的MCP端点

📄 许可证

MIT许可证

版权所有(c)2025

特此免费向任何获得副本的人授予许可
本软件和相关文档文件(“软件”),以处理
在软件中不受限制,包括但不限于权利
使用、复制、修改、合并、发布、分发、再许可和/或销售
软件的副本,并允许软件的接收者
根据以下条件提供:

上述版权声明和本许可声明应包含在所有
软件的副本或实质性部分。

软件按“原样”提供,不提供任何形式的明示或明示担保
隐含的,包括但不限于适销性保证,
适用于特定目的且不造成伤害。在任何情况下
作者或版权持有人对任何索赔、损害赔偿或其他
因以下原因产生的责任,无论是在合同、侵权或其他诉讼中,
出于或与软件、使用或其他交易有关
软件。

🙏 致谢

内置:

  • LangChain -代理框架
  • 快速API -API的现代web框架
  • 奥拉玛 -本地LLM运行时
  • 色度数据库 -矢量数据库
  • OpenWeatherMap -天气数据API
  • 模型上下文协议(MCP) -通信标准

版本: 0.1.01

制作❤️ 用于人工智能学习和实验

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
Little MCP 怎么安装?

在客户端按下面的安装命令接入:python mcp_server.py。装完在客户端配置里引用同一个包或端点。

Little MCP 怎么在 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。

Little 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。

Little MCP 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

Little MCP 支持哪些客户端?

资料标注支持 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。

Little MCP 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 本地AI、Python、Claude、文档查询。具体工具清单以官方文档为准。

Little 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。

Little 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。