StarterKit MCP AgenticRAG Copilot

MCP搜索检索

提供方 sadieflick

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

一个基于GitHub Copilot和本地RAG堆栈的确定性、人工触发的规范工作流,用于快速启动和运行代理驱动的Web应用。

一句话选型结论

按资料字段整理

StarterKit MCP AgenticRAG Copilot 属于搜索检索类 MCP 服务器,stdio · 本地进程,无需鉴权,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 0 仓库热度,无公开仓库时显示未标注
工具数 2 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2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

RAGPython本地部署FastAPIReactGitHubCopilot代理工作流

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
python -m venv .venv && source .venv/bin/activate

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 2 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 2 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。
  • 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。
  • 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
StarterKit MCP AgenticRAG Copilot当前 2 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sadieflick上游标注的维护方 sadieflick
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

6.4 KB
来自项目仓库与上游目录的原文,未做删改

规格驱动的代理式Web启动器(Copilot + Ollama RAG)

确定性、人为触发的规格(spec)工作流程,专为……定制 GitHub Copilot (聊天) 和一个 本地RAG(检索增强生成) 栈(stack)

  • 后端: FastAPI
  • RAG:(通常指)检索增强生成(Retrieval-Augmented Generation) Ollama(生成+嵌入)+ ChromaDB(本地向量存储)
  • 前端: React(Vite)
  • 测试: Pytest(后端),Vitest + RTL(前端)

快速入门(本地)```bash

curl -fsSL https://ollama.com/install.sh | sh # or follow mac/win installer
ollama pull llama3.1:8b
ollama pull nomic-embed-text

1. 后端:```bash
cd backend
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
uvicorn app.main:app --reload
  1. 前端:```bash
    cd ../frontend
    npm install
    npm run dev
1. 在另一个终端中为RAG(检索增强生成)输入文档:```bash
cd backend && source .venv/bin/activate
python -m app.rag.ingest ../rag/docs
  1. 通过API提出问题:```bash
    curl -s localhost:8000/api/rag/query -X POST -H "Content-Type: application/json" -d '{"question":"What is this project about?"}'

> **决定论与审计:** 步骤已被锁定 `/specs/STEP_*.md`所有与Copilot一起使用的提示都应复制到 `/docs/PROMPTS.md` 并总结在 `/docs/AI_ACTIVITY_LOG.md`。

## 代理工作流(确定性工具运行器)```bash
# RAG-answer workflow (no MCP)
cd backend && source .venv/bin/activate
python -m orchestrator.runner --workflow orchestrator/workflows/rag_answer.yaml

## MCP server demo (read-only files)
# Dry-run to validate steps
python -m orchestrator.runner --workflow orchestrator/workflows/fs_read_example.yaml --dry-run

# Execute (runner starts the MCP server command from the workflow)
python -m orchestrator.runner --workflow orchestrator/workflows/fs_read_example.yaml

MCP Python SDK 提供了工具/资源/提示;请参阅其快速入门和概念部分(您将在示例服务器中看到相同的构造)。

对于更多服务器(如GitHub、Slack等),请浏览官方示例和服务器注册表,以集成已知可靠的工具。

可重用的代理规范与模板

A) 工具规范(请放入/docs/TOOLS_SPEC.md或/tools/specs/*.yaml)```yaml

name: rag.query
version: 1.0.0
summary: Ask the local RAG API a question and return answer + sources.
input_schema:
type: object
required: [question]
properties:
question: { type: string, minLength: 3, maxLength: 2000 }
output_schema:
type: object
required: [answer, sources]
properties:
answer: { type: string }
sources:
type: array
items:
type: object
required: [path, chunk_index]
properties:
path: { type: string }
chunk_index: { type: integer, minimum: 0 }
side_effects: network
security:
auth: none (local)
errors:
- code: RAG_EMPTY
when: no docs in store
- code: RAG_FAILURE
when: vector search or generation fails


### B) 工作流YAML(每一步使用一个工具,避免意外)```yaml
name: rag.answer
steps:
- use: rag.query
with:
question: "What is this project about?"

With MCP tools (strict allow-list)
name: fs_read_example
mcp:
- server: fileserver
command: "uv run python mcp_servers/fileserver/server.py"
tools_allowlist: ["fs.list_dir", "fs.read_text"]
steps:
- use: mcp:fs.list_dir
with: { path: "./docs" }
- use: mcp:fs.read_text
with: { path: "./docs/AGENT_ARCHITECTURE.md" }

该运行器验证输入,编写后端代码/运行/_.jsonl 文件格式,如果工具未被列入允许列表或输入不符合模式,则停止执行。

此试剂盒中的MCP

  • 服务器:mcp_servers/fileserver/server.py —— 这是一个只读的FastMCP服务器,配备了两个安全工具:fs.list_dir(列出目录)和fs.read_text(读取文本,仅限cap+UTF-8编码)。

  • 客户端:backend/orchestrator/mcp_client.py —— 通过标准输入输出连接,列出工具,并调用工作流中允许使用的工具。

  • 文档:MCP_OVERVIEW.md 解释了安全态势 + 参考资料。

SDK(软件开发工具包)& 规范: Python SDK实现了“工具/资源/提示”以及全面的协议支持(stdio/SSE/HTTP)。如需在此演示之外进行扩展,请参阅快速入门指南和规范以获取确切的架构/字段信息。

兼容性说明: OpenAI的代理SDK(软件开发工具包)和“连接器/MCP(机器控制协议)”文档描述了导入工具定义时的互操作性和成本语义。如果您/当您将这些工具集成到托管代理框架中时,这些信息将非常有用。

有益的解释(基于检索增强生成技术+自主选择)

  • 为什么选择本地RAG(检索增强生成)? 隐私+速度。使用Ollama同时处理嵌入和生成,以避免不匹配带来的麻烦;使用Chroma作为无需操作的本地向量数据库。

  • 为什么采用分步锁定的工作流程? 零“隐性”自主权 = 避免范围蔓延。你掌控计划;执行者只需执行并记录。

  • 何时应选择MCP而非本地工具?

  • MCP:当你需要一个标准的、可发现的工具界面,或者想要重用一个已知的服务器(文件系统、GitHub、搜索等)时。

  • 本地工具:当事物与特定项目相关,或者你不需要进行发现/传输时使用。

重要的安全与防偏移护栏

  • 最小权限原则:仅暴露所需内容;优先选择只读模式(此工具包的示例服务器为只读模式)。

  • 白名单:每个MCP工具调用都必须在tools_allowlist中列出名称。

  • 速率限制:如果封装远程API,请为每种工具添加配额。

  • 清理日志:运行程序记录输入/输出(生产环境中进行截断/个人信息去标识化处理)。

  • 保持最新状态:关注协议和服务器的更新(例如,文件服务器的安全修复)并确保您的SDK保持最新版本。

Copilot 提示片段(粘贴这些)

  • 仅使用脚手架
    “仅根据/specs/STEP_0X_*.md生成框架代码。不包含业务逻辑。输出文件路径和内容。”

  • 测试先行
    “为(某个功能/模块)编写失败的测试用例 不要执行代码。以“STOP – 测试按设计失败”结尾。”

“做出最小的改动以使这些测试通过。不要添加新功能。”

  • 工具规格
    “创建/tools/specs/使用 /docs/TOOLS_SPEC.md 生成 .yaml 文件(输入/输出模式 + 错误代码)。“

  • MCP服务器
    “为(某应用/系统)搭建一个只读的FastMCP服务器 ,包含README文件,并且路径/大小有限制。”

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
StarterKit MCP AgenticRAG Copilot 怎么安装?

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

StarterKit MCP AgenticRAG Copilot 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。

StarterKit MCP AgenticRAG Copilot 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。

StarterKit MCP AgenticRAG Copilot 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。

StarterKit MCP AgenticRAG Copilot 能提供哪些能力?

资料显示约 2 个工具;能力标签包括 RAG、Python、GitHub Copilot、FastAPI。具体工具清单以官方文档为准。

StarterKit MCP AgenticRAG Copilot 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。

StarterKit MCP AgenticRAG Copilot 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。