UAF MCP RAG Server

MCP搜索检索

提供方 ReikiC

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Model Context Protocol (MCP)的语义搜索服务,为多租户RAG系统提供向量检索能力。

一句话选型结论

按资料字段整理

UAF MCP RAG Server 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 1 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1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

语义搜索本地部署向量检索多租户MCP协议知识库管理

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
pip install -r requirements.txt

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 1 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 1 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
UAF MCP RAG Server当前 1 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ReikiC上游标注的维护方 ReikiC
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 · 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

4.9 KB
来自项目仓库与上游目录的原文,未做删改

RAG MCP Server

> 一个基于 Model Context Protocol (MCP) 的语义搜索服务,为多租户 RAG 系统提供向量检索能力

简介

RAG MCP Server 是一个专注于语义搜索的 MCP 服务器,为 Universal Agent Backend 提供高效的向量检索能力。它通过 MCP 协议将搜索能力暴露给 Agent,实现智能的文档知识库查询。

架构说明:
- 文档管理(上传、列表、删除)由 Universal Agent Backend 的 REST API 提供
- 语义搜索由 RAG-MCP-Server 的 MCP 工具提供
- 所有操作严格按 user_id 隔离,确保多租户数据安全

核心特性

  • 语义搜索 - 基于向量的语义检索(Pinecone/Weaviate)
  • 用户隔离 - 向量数据库层面的元数据过滤
  • MCP 协议 - 标准化工具接口
  • 高性能 - 向量索引优化、批量查询支持

快速开始

1. 安装依赖```bash

使用 uv(推荐)

uv sync

或使用 pip

pip install -r requirements.txt


### 2. 配置环境变量```bash
cp .env.example .env
# 编辑 .env 文件,配置向量数据库和 API 密钥

3. 启动服务```bash

uv run python -m src.main


服务将以 MCP stdio 模式启动,等待 Agent 连接调用。

## MCP 工具列表

| 工具名称 | 描述 |
|---------|------|
| `search_knowledge_base` | 在用户的知识库中进行语义搜索(带用户隔离) |

**工具参数:**
- `user_id` (必需) - 用户 ID,用于数据隔离
- `knowledge_base_id` (必需) - 知识库 ID
- `query` (必需) - 搜索查询
- `top_k` (可选) - 返回结果数量,默认 5

**注意:** 文档上传、列表、删除等操作请使用 Universal Agent Backend 的 REST API 端点。

## 使用示例

### 在 Universal Agent Backend 中集成

在 UAF 的 MCP 配置中添加:```python
MCP_SERVERS = {
"rag": {
"command": "uv",
"args": ["--directory", "/path/to/RAG-MCP-Server", "run", "python", "-m", "src.main"],
"env": {
"PINECONE_API_KEY": "your-pinecone-key",
"ZHIPUAI_API_KEY": "your-zhipuai-key"
}
}
}

端到端工作流程```bash

1. 通过 REST API 创建知识库

POST /api/v1/knowledge-bases
{
"name": "工作文档",
"description": "我的工作资料"
}

2. 通过 REST API 上传文档

POST /api/v1/documents/upload
FormData: {knowledge_base_id, file}

3. Agent 调用 MCP 工具进行搜索

(自动注入 user_id 和 knowledge_base_id)

tool_call: search_knowledge_base(
user_id="user123",
knowledge_base_id="kb456",
query="人工智能应用",
top_k=5
)


### 文档管理 REST API

文档管理的 REST API 端点由 Universal Agent Backend 提供:

**知识库管理:**
- `POST /api/v1/knowledge-bases` - 创建知识库
- `GET /api/v1/knowledge-bases` - 列出用户的知识库
- `GET /api/v1/knowledge-bases/{id}` - 获取知识库详情
- `DELETE /api/v1/knowledge-bases/{id}` - 删除知识库

**文档管理:**
- `POST /api/v1/documents/upload` - 上传文档
- `GET /api/v1/documents` - 列出文档
- `GET /api/v1/documents/{id}/status` - 查询处理状态
- `DELETE /api/v1/documents/{id}` - 删除文档

## 技术栈

- **MCP 框架**: FastMCP
- **向量数据库**: Pinecone 或 Weaviate
- **Embedding**: 智谱AI embedding-3 (1024 维)
- **异步框架**: asyncio

## 项目结构```
RAG-MCP-Server/
├── src/
│   ├── main.py              # MCP 服务器入口
│   ├── tools/
│   │   └── rag_tools.py     # 搜索工具实现
│   ├── services/
│   │   ├── vector_store.py  # 向量数据库客户端
│   │   └── search.py        # 语义搜索服务
│   ├── config.py            # 配置管理
│   └── embedding.py         # Embedding 服务
├── tests/                   # 测试
├── pyproject.toml
├── .env.example
└── README.md

环境变量```bash

向量数据库 (Pinecone)

PINECONE_API_KEY="your-pinecone-api-key"
PINECONE_ENVIRONMENT="us-west1-gcp"
PINECONE_INDEX_NAME="rag-knowledge-bases"

向量数据库 (Weaviate - 可选替代方案)

WEAVIATE_URL="https://your-cluster.weaviate.cloud"

WEAVIATE_API_KEY="your-weaviate-key"

智谱AI Embedding

ZHIPUAI_API_KEY="your_zhipuai_api_key"

向量维度

EMBEDDING_DIMENSION=1024


## 开发```bash
# 运行测试
uv run pytest

# 代码格式化
uv run black .
uv run ruff check .

# 类型检查
uv run mypy .

部署

RAG-MCP-Server 可以通过 MCP stdio 协议与 Universal Agent Backend 通信:```bash

在 Universal Agent Backend 中配置 MCP 服务器

服务会自动启动并保持连接

```

部署建议:
- 向量数据库:使用 Pinecone 云服务或自建 Weaviate 集群
- Embedding 服务:确保智谱AI API 可用
- 网络配置:确保 Universal Agent Backend 可以访问 RAG-MCP-Server 的 stdio 进程

相关项目

  • Universal Agent Backend - Agent 编排框架
  • nuomi-frontend - 前端界面
  • UAF-Data-Base - 数据库配置

许可证

Apache License 2.0

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
UAF MCP RAG Server 怎么安装?

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

UAF MCP RAG Server 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。

UAF MCP 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。

UAF MCP RAG Server 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。

UAF MCP RAG Server 能提供哪些能力?

资料显示约 1 个工具;能力标签包括 搜索、多租户、本地部署。具体工具清单以官方文档为准。

UAF MCP RAG Server 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。

UAF MCP RAG Server 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。