MODULAR RAG SERVER

MCP搜索检索

提供方 jimmyzheng1027

搜索检索 未标注 API Key 社区 / 第三方 Claude DesktopClaudeCursor

一个可插拔、可观测的模块化RAG(检索增强生成)服务框架,通过MCP(Model Context Protocol)对外暴露工具接口,支持Copilot、Claude等AI助手直接调用知识库检索与问答。

一句话选型结论

按资料字段整理

MODULAR RAG SERVER 属于搜索检索类 MCP 服务器,传输方式未标注,API Key,可直接接入 Claude Desktop、Claude、Cursor,没有现成安装命令,需按官方文档接入。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 传输方式未标注 鉴权API Key 部署方式未标注
GitHub 星标 2 仓库热度,无公开仓库时显示未标注
工具数 3 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3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

检索增强生成Python本地部署模块化框架知识库检索AI助手集成可观测性

安装与配置

未标注 API Key
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  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 3 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 3 个工具,职责相对集中,接入后不容易误操作。
  • 已适配 Claude Desktop、Claude、Cursor,换客户端不用重新研究配置。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 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 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

  • 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
MODULAR RAG SERVER当前 3 未标注 未标注 无 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jimmyzheng1027上游标注的维护方 jimmyzheng1027
分类搜索检索本站按上游分类展示
连接方式未标注上游未给出传输方式
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 · 未标注本地安装时用到的包标识与运行时
部署类型未标注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

4.8 KB
来自项目仓库与上游目录的原文,未做删改

Modular RAG MCP Server

一个可插拔、可观测的模块化 RAG(检索增强生成)服务框架,通过 MCP(Model Context Protocol) 对外暴露工具接口,支持 Copilot、Claude 等 AI 助手直接调用知识库检索与问答。


功能概览

能力 说明
数据摄取 PDF → Markdown → 分块 → 增强(元数据/图片描述)→ 双路向量化 → 写入向量库,支持增量更新与多模态
混合检索 Dense(向量)+ Sparse(BM25)+ RRF 融合,可选 Rerank(Cross-Encoder / LLM / 云 API)
MCP 服务 标准 MCP 协议,stdio 传输,暴露 query_knowledge_hub、list_collections、get_document_summary 等工具
管理面板 Streamlit 六页:总览、数据浏览、摄取管理、摄取追踪、查询追踪、评估面板
评估体系 Ragas

安装```bash

克隆仓库

git clone
cd MODULAR-RAG-MCP-SERVER

创建虚拟环境(推荐)

python -m venv .venv
.venv\Scripts\activate # Windows

source .venv/bin/activate # Linux/macOS

核心依赖

pip install -e .

可选:PDF、Dashboard、Rerank、评估

pip install -e ".[pdf,dashboard,rerank,eval]"


---

## 配置

主配置:`config/settings.yaml`。需根据所用服务填写 API Key 等,也可通过环境变量覆盖(如 `OPENAI_API_KEY`、`DASHSCOPE_API_KEY`)。

主要配置项:

- **llm**:推理模型(如 `openai` / `dashscope` / `ollama`)
- **embedding**:向量模型(如 `openai` / `dashscope` / `ollama`)
- **vision_llm**:多模态图片描述(可选)
- **vector_store**:向量库(默认 Chroma,`persist_directory`、`collection_name`)
- **retrieval**:`dense_top_k`、`sparse_top_k`、`fusion_top_k`、`rrf_k`
- **rerank**:是否启用、后端(`dashscope` / `cross_encoder` / `llm` 等)

使用前请复制或修改 `config/settings.yaml`,并确保不将真实 API Key 提交到仓库。

---

## 使用方式

### 1. 摄取文档```bash
# 单文件
python scripts/ingest.py --path documents/report.pdf --collection my_docs

# 目录
python scripts/ingest.py --path documents/ --collection my_docs

# 强制重新处理(忽略历史)
python scripts/ingest.py --path documents/report.pdf --collection my_docs --force

# 自定义配置
python scripts/ingest.py --path documents/ --collection my_docs --config config/settings_financial.yaml

2. 命令行查询```bash

python scripts/query.py --query "你的问题" --collection my_docs
python scripts/query.py --query "你的问题" --verbose # 显示召回与重排细节
python scripts/query.py --query "你的问题" --no-rerank # 关闭 Rerank


### 3. 启动 MCP 服务(供 Copilot / Claude 等连接)```bash
# 在项目根目录执行
python -m src.mcp_server.server

MCP 使用 stdio 传输,由 Cursor、Claude Desktop 等通过配置的 MCP Server 命令调用,无需单独开端口。

4. 启动管理面板```bash

python scripts/start_dashboard.py

或指定端口

python scripts/start_dashboard.py --port 8502


浏览器访问 `http://localhost:8501`,可进行总览、数据浏览、摄取管理、追踪查看、评估任务等操作。

### 5. 运行评估```bash
python scripts/evaluate.py
# 具体参数见脚本帮助与 Golden Test Set 配置

MCP 暴露的工具

工具 说明
query_knowledge_hub 对指定集合进行混合检索(Dense + Sparse + RRF + 可选 Rerank),返回答案与引用片段
list_collections 列出当前向量库中的集合名称及简要统计
get_document_summary 根据文档标识获取文档摘要或概要信息

项目结构(简要)```

├── config/
│ └── settings.yaml # 主配置
├── main.py # 占位入口(实际 MCP 入口为 src.mcp_server.server)
├── scripts/
│ ├── ingest.py # 摄取 CLI
│ ├── query.py # 查询 CLI
│ ├── evaluate.py # 评估运行
│ └── start_dashboard.py # 面板启动
├── src/
│ ├── core/ # 配置、类型、检索、响应、追踪
│ ├── ingestion/ # 摄取流水线、存储、Transform
│ ├── libs/ # Embedding / LLM / Loader / Splitter / VectorStore / Reranker 等可插拔实现
│ ├── mcp_server/ # MCP 协议与工具实现
│ └── observability/ # 日志、Dashboard、评估
└── tests/


---

## 测试```bash
# 单元测试
pytest tests/ -v

# 排除需外部服务的测试
pytest tests/ -v -m "not llm"

更多说明

  • 本项目采用可插拔设计:LLM、Embedding、Rerank、Loader、Splitter、VectorStore 等均可通过配置或实现抽象接口替换,便于扩展与二次开发。

License

MIT

常见问题

6 问
答案由本站依据条目字段整理,不引用上游原文
MODULAR RAG SERVER 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

MODULAR RAG SERVER 怎么在 Claude Desktop、Claude、Cursor 里配置?

它的传输方式未标注,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。

MODULAR RAG SERVER 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。

MODULAR RAG SERVER 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。

MODULAR RAG SERVER 支持哪些客户端?

资料标注支持 Claude Desktop、Claude、Cursor;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。

MODULAR RAG SERVER 能提供哪些能力?

资料显示约 3 个工具;能力标签包括 检索增强生成、可观测性、Python、Claude。具体工具清单以官方文档为准。

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。