Research Server On EC2

MCP搜索检索

提供方 CyprianFusi

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

一个基于模型上下文协议(MCP)的研究助手服务器,使用ChromaDB和OpenAI嵌入技术提供智能研究数据管理和语义搜索功能,部署在AWS EC2上。

一句话选型结论

按资料字段整理

Research Server On EC2 属于搜索检索类 MCP 服务器,stdio · 本地进程,API Key,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 0 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

适用场景

语义搜索Python本地部署向量数据库研究管理AI辅助研究云计算

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
pip install uv

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 Node.js 等运行时,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。

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。
  • 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
Research Server On EC2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CyprianFusi上游标注的维护方 CyprianFusi
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 · 未标注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

11.3 KB
来自项目仓库与上游目录的原文,未做删改

研究助理MCP服务器-部署在EC2上

由 BINATI A分析

一种模型上下文协议(MCP)服务器,使用向量嵌入和语义搜索提供智能研究数据管理。此服务器使您能够使用部署在AWS EC2上的ChromaDB和OpenAI嵌入来保存、组织和检索研究内容。

截图

特性

  • 基于矢量的存储:使用ChromaDB通过语义嵌入存储研究内容
  • 语义搜索:使用基于相似性检索的自然语言查询您的研究数据
  • 主题组织:将研究组织到单独的基于主题的数据库中
  • 重复检测:使用内容哈希进行自动重复数据删除
  • RESTful API:使用FastMCP的流式HTTP传输的基于HTTP的MCP服务器
  • OpenAI嵌入:使用OpenAI的文本嵌入3-small模型进行高质量的语义搜索

可用工具

服务器通过MCP协议公开了五个强大的工具:

  1. 保存_研究_数据 -将研究内容保存到矢量数据库
  2. search_research_data -通过保存的研究进行语义搜索
  3. list_research主题 -查看所有可用的研究主题
  4. delete_research_topic -删除主题及其数据
  5. get_topic_info -获取特定主题的详细信息

建筑```

Research Assistant MCP Server
├── FastMCP Server (streamable-http transport)
├── ChromaDB (Vector Database)
├── OpenAI Embeddings (text-embedding-3-small)
└── LangChain (Document Processing)


## 先决条件

- Python 3.13+
- OpenAI API密钥(在这里买一个)
- AWS EC2实例(用于部署)

## 安装

### 本地设置

1. **克隆仓库**```bash
git https://github.com/CyprianFusi/mcp-research-server-on-EC2.git
cd mcp-research-server-on-EC2
  1. 使用uv安装依赖项```bash
    pip install uv
    uv sync

或者使用pip:```bash
pip install -r requirements.txt
  1. 配置环境变量

创建 .env 项目根目录中的文件:```bash
OPENAI_API_KEY=your_openai_api_key_here


替换 `your_openai_api_key_here` 使用来自的实际OpenAI API密钥 OpenAI平台.

1. **运行服务器**```bash
python server.py

AWS EC2部署

步骤1:启动EC2实例

  1. 启动Amazon Linux 2或Amazon Linux 2023 EC2实例
  2. 配置安全组以允许:
    - SSH(端口22)
    - 自定义TCP(如果暴露在外部,则为MCP服务器提供端口)
  3. 下载您的密钥对(.pem文件)

步骤2:连接到EC2

从Windows:```bash
ssh -i "your-key.pem" ec2-user@your-ec2-public-dns


**从macOS/Linux:**```bash
chmod 400 your-key.pem
ssh -i "your-key.pem" ec2-user@your-ec2-public-dns

步骤3:安装Anaconda

按照中的设置指南进行操作 anaconda_setup.md:```bash

Update system

sudo yum update -y

Download Anaconda

curl -O https://repo.anaconda.com/archive/Anaconda3-2025.06-0-Linux-x86_64.sh

Install Anaconda

bash Anaconda3-2025.06-0-Linux-x86_64.sh

Add to PATH

export PATH="/home/ec2-user/anaconda3/bin:$PATH"
echo 'export PATH="/home/ec2-user/anaconda3/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc

Initialize conda

conda init bash
source ~/.bashrc


#### 步骤4:设置MCP服务器```bash
# Clone your repository
git clone https://github.com/CyprianFusi/mcp-research-server-on-EC2.git
cd mcp-research-server-on-EC2

# Install dependencies
pip install uv
uv sync

# Configure environment variables
echo "OPENAI_API_KEY=your_openai_api_key_here" > .env

# Important: Replace 'your_openai_api_key_here' with your actual OpenAI API key
nano .env  # Edit the file to add your real API key

# Run the server
python server.py

步骤5:作为后台服务运行(可选)

创建systemd服务文件:```bash
sudo nano /etc/systemd/system/mcp-research.service


添加以下内容:```ini
[Unit]
Description=Research Assistant MCP Server
After=network.target

[Service]
Type=simple
User=ec2-user
WorkingDirectory=/home/ec2-user/mcp-research-server-on-EC2
Environment="OPENAI_API_KEY=your_openai_api_key_here"
ExecStart=/home/ec2-user/anaconda3/bin/python server.py
Restart=always
RestartSec=10

[Install]
WantedBy=multi-user.target

重要提示: 替换 your_openai_api_key_here 在服务文件中使用您的实际OpenAI API密钥。

启用并启动服务:```bash
sudo systemctl daemon-reload
sudo systemctl enable mcp-research
sudo systemctl start mcp-research
sudo systemctl status mcp-research


## 配置

服务器使用以下默认配置(在中定义 `server.py`):```python
EMBED_MODEL = "text-embedding-3-small"
API_URL = "https://api.openai.com/v1/embeddings"
CHROMA_DB_ROOT = "./research_chroma_dbs"

环境变量

以下环境变量为 必需的:

  • OPENAI_API_KEY:用于访问嵌入的OpenAI API密钥API

创建 .env 项目根目录中的文件:```bash
OPENAI_API_KEY=sk-...your-key-here


服务器使用 `python-dotenv` 从中自动加载环境变量 `.env` 文件。

## 用法

### 工具:save_research_data

将研究内容保存到矢量数据库。

**参数:**

- `content` (List\[str\]):要保存的文本内容列表
- `topic` (str,可选):用于组织数据的主题名称(默认值:“default”)

**例子:**```json
{
"content": [
"Machine learning is a subset of artificial intelligence...",
"Neural networks are inspired by biological neurons..."
],
"topic": "machine_learning"
}

退货:```
Successfully saved 2 new documents to topic: machine_learning (skipped 0 duplicates)


### 工具:search_research_data

使用语义相似性搜索已保存的研究。

**参数:**

- `query` (str):搜索查询
- `topic` (str,可选):要搜索的主题(默认值:“default”)
- `max_results` (int,可选):返回的最大结果数(默认值:5)

**例子:**```json
{
"query": "What is deep learning?",
"topic": "machine_learning",
"max_results": 3
}

退货:```

Result 1 (Similarity: 0.892):
Deep learning is a subset of machine learning...
==================================================
Result 2 (Similarity: 0.845):
Neural networks with multiple layers...
==================================================


### 工具:列表_搜索_主题

列出所有可用的研究主题。

**退货:**```
Topic: machine_learning (15 documents)
Topic: python_programming (8 documents)
Topic: cloud_computing (12 documents)

工具:get_topic_info

获取有关研究主题的详细信息。

参数:

  • topic (str):主题名称

例子:```json
{
"topic": "machine_learning"
}


**退货:**```
Topic Information: machine_learning
- ChromaDB Collection: research_machine_learning
- Document Count: 15
- Hash Records: 15
- Database Path: /path/to/research_chroma_dbs/machine_learning
- Embedding Model: text-embedding-3-small
- OPENAI URL: https://api.openai.com/v1/embeddings

工具:delete_research_topic

删除研究主题及其所有数据。

参数:

  • topic (str):要删除的主题名称

例子:```json
{
"topic": "old_research"
}


**退货:**```
Successfully deleted topic: Old Research

项目结构```

8_Deploy_MCP_Server_on_EC2/
├── server.py # Main MCP server implementation
├── pyproject.toml # Project dependencies
├── uv.lock # Locked dependencies
├── anaconda_setup.md # EC2 Anaconda installation guide
├── .env # Environment configuration
├── .python-version # Python version specification
├── research_chroma_dbs/ # ChromaDB storage (created at runtime)
│ ├── topic1/
│ ├── topic2/
│ └── ...
└── asserts/ # UI screenshots
├── ui_1.png
├── ui_2.png
└── ...


## 依赖项

关键依赖关系来自 `pyproject.toml`:

- `fastmcp>=2.13.2` -MCP服务器框架
- `chromadb>=1.3.5` -矢量数据库
- `langchain>=1.1.3` -文档处理框架
- `langchain-chroma>=1.0.0` -ChromaDB集成
- `langchain-openai>=1.1.1` -OpenAI嵌入集成
- `langchain-core>=1.1.2` -核心LangChain功能
- `mcp[cli]>=1.23.2` -MCP CLI工具
- `python-dotenv` -环境变量管理

## 故障排除

### OpenAI API关键问题

**问题:** `Error: OpenAI API key not found` 或 `AuthenticationError`

**解决方案:**```bash
# Verify .env file exists and contains your API key
cat .env

# Should output:
# OPENAI_API_KEY=sk-...

# If not, create the .env file:
echo "OPENAI_API_KEY=your_actual_key_here" > .env

对于EC2部署:

  • 确保 .env 文件在工作目录中
  • 或者,在systemd服务文件中设置环境变量
  • 验证API密钥在 OpenAI平台

OpenAI API利率限制

问题: RateLimitError: Rate limit exceeded

解决方案:

  • 减少一次嵌入的文档数量
  • 升级您的OpenAI API计划以获得更高的费率限制
  • 使用指数回退实现重试逻辑(内置于langchain openai中)

ChromaDB权限错误

问题: Permission denied when accessing research_chroma_dbs/

解决方案:```bash

Fix permissions

chmod -R 755 research_chroma_dbs/

On EC2, ensure ec2-user owns the directory

sudo chown -R ec2-user:ec2-user research_chroma_dbs/
```

网络连接问题

问题: Error: Cannot connect to OpenAI API

解决方案:

  1. 验证互联网连接: curl https://api.openai.com
  2. 检查防火墙设置是否允许出站HTTPS连接
  3. 在EC2上,确保安全组允许到OpenAI API的出站流量
  4. 验证没有代理设置干扰连接

EC2连接超时

问题: 无法连接到EC2实例

解决方案:

  1. 检查安全组是否允许从您的IP进行SSH(端口22)
  2. 验证实例是否正在运行
  3. 确保.pem文件具有正确的权限: chmod 400 your-key.pem
  4. 使用正确的用户名: ec2-user 适用于亚马逊Linux

性能注意事项

  • 嵌入生成:OpenAI API调用通常在每个文档100-500ms内完成
  • 搜索速度:对于文档数\<10000的数据库,语义搜索通常为亚秒级
  • 存储ChromaDB将嵌入内容存储在磁盘上;每份文档约1KB的计划
  • API成本:OpenAI的text-embedding-3-small每100万代币售价0.02美元(非常划算)
  • 速率限制:免费级别:3 RPM,级别1:500 RPM,级别2:5000 RPM
  • 批处理:对于大型数据集,考虑批处理文档以优化API的使用

安全说明

  • 默认情况下,服务器在本地主机上运行
  • 对于生产部署,实施适当的身份验证
  • 使用适当的安全组保护您的EC2实例
  • 关键的:从不承诺 .env 对版本控制具有敏感凭据的文件
  • 添加 .env 给你的 .gitignore 文件
  • 定期旋转OpenAI API密钥
  • 使用特定于环境的API密钥(用于开发和生产的单独密钥)
  • 监控您的OpenAI API使用情况仪表板以了解意外活动
  • 在EC2上,使用IAM角色和AWS Secrets Manager进行生产部署(建议使用.env文件)

贡献

欢迎投稿!拜托:

  1. 分叉存储库
  2. 创建要素分支
  3. 进行更改
  4. 提交拉取请求

许可证

此项目根据MIT许可证获得许可-有关详细信息,请参阅许可证文件。

支持

对于问题和疑问:

  • 在GitHub上打开一个问题
  • 检查现有问题的解决方案
  • 查看 MCP文件

致谢

  • FastMCP -MCP服务器框架
  • ChromaDB -矢量数据库
  • 开放人工智能 -嵌入API
  • LangChain -LLM应用框架

基于模型上下文协议构建,用于智能研究管理。

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Research Server On EC2 怎么安装?

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

Research Server On EC2 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Research Server On EC2 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。

Research Server On EC2 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。

Research Server On EC2 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 搜索、向量数据库、Python、云计算。具体工具清单以官方文档为准。

Research Server On EC2 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Research Server On EC2 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。