Zero Vector 3

MCP数据服务

提供方 fernicar

数据服务 未标注 API Key 社区 / 第三方 Cline

Zero-Vector MCP v3.0是一个生产就绪的混合向量图AI记忆系统,结合了高性能的混合向量图数据库服务器和先进的LangGraph工作流编排,用于复杂的AI记忆、关系理解和多代理协调。

一句话选型结论

按资料字段整理

Zero Vector 3 属于数据服务类 MCP 服务器,传输方式未标注,API Key,可直接接入 Cline,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。

分类数据服务 传输方式未标注 鉴权API Key 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 24 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

数据服务
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24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

AI记忆管理本地部署向量数据库知识图谱多代理协调工作流编排

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 24 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
数据库查询

用自然语言查库、取数,不用手写 SQL。

数据同步与清洗

把多来源数据拉到一处做整理。

报表取数

按口径快速拉出统计结果。

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 24 个工具,覆盖面较广,能满足多种调用。
  • 已适配 Cline,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

  • 需要在数据服务场景里让模型直接调用外部能力的人。
  • 已经在用 Cline 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
Zero Vector 3当前 24 未标注 未标注 无 2026-05-17
Memory 9d25f64e 9 未标注 未标注 无 2026-05-17
Getzep MCP 9 stdio · 本地进程 本地部署 有 2026-05-17
anything-llm 未标注 stdio · 本地进程 本地部署 有 2026-04-11
Prisma MCP Server 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Astr Bot 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

数据服务
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fernicar上游标注的维护方 fernicar
分类数据服务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

18.6 KB
来自项目仓库与上游目录的原文,未做删改

零向量MCP v3.0:具有LangGraph工作流的混合向量图AI存储系统

🚀 状态:生产就绪 · 基础设施:已验证 · 语言图:操作

一个完整的AI角色内存管理系统,将高性能混合矢量图数据库服务器与先进的LangGraph工作流编排和模型上下文协议(MCP)接口相结合,用于复杂的AI内存、关系理解和多代理协调。

🔗 GitHub存储库: https://github.com/MushroomFleet/zero-vector-MCP

🎯 系统状态:运行

上次基础设施验证:2025年6月21日\
当前版本:v3.0生产就绪\
零矢量v2服务器: ✅ 活动(端口3000)\
零向量v3语言图: ✅ 活动(端口3001)\
MCP服务器: ✅ 主动(多服务器协调)

✅ 最近验证的基础设施

  • LangGraph状态图架构:通过适当的Zod集成解决
  • 多代理编排:7节点工作流图可操作
  • 人在循环处理:审批工作流功能正常
  • 性能缓存:Redis与PostgreSQL的集成已激活
  • 服务协调:v2/v3系统协调已验证
  • MCP集成:24个工具在两个系统中全面运行

📊 确认的绩效指标

  • 启动时间:2-3秒完成系统初始化
  • LangGraph编译:对于7节点工作流图,\<3ms
  • 向量运算:10000+矢量搜索小于50ms
  • 工作流执行:对于标准AI对话,\<2s
  • 内存集成:混合内存检索\<500ms
  • 缓存命中率:95%以上的性能优化

🎯 概述

Zero Vector MCP v3.0提供了一种生产就绪的混合矢量图解决方案,具有用于AI角色管理的高级LangGraph工作流功能,其特点是:

  • 混合矢量图引擎 -将语义搜索与知识图遍历相结合
  • LangGraph工作流编排 -多智能体协同与人在环处理
  • AI人物记忆与关系 -具有实体提取和图构建的上下文感知内存
  • 增强的MCP集成 -24种专业工具,包括工作流管理、图形探索和高级内容访问
  • 多步推理 -具有审批门和性能监控的复杂推理链
  • 知识图谱智能 -自动实体识别和关系映射
  • 生产就绪架构 -功能标志、全面监控和零停机部署

🏗️ 系统架构```mermaid

graph TB
subgraph "AI Development Environment"
A[Cline AI Assistant] --> B[MCP Client]
end

subgraph "Zero-Vector MCP v3.0 System"
B --> C[MCP Server v3.0]
C --> D[Zero-Vector v2 API]
C --> E[Zero-Vector v3 API]

subgraph "Zero-Vector v2 (Original System)"
D --> F[Hybrid Vector Store]
D --> G[Graph Database]
D --> H[SQLite Metadata]
end

subgraph "Zero-Vector v3 (LangGraph System)"
E --> I[LangGraph Workflow Engine]
I --> J[Multi-Agent Orchestration]
I --> K[Human Approval Service]
I --> L[Performance Cache Manager]
I --> M[State Management]
end

subgraph "v3.0 Core Services"
N[Hybrid Memory Manager]
O[Entity Extractor]
P[Graph Service]
Q[Embedding Service]
R[Feature Flags]
S[Workflow Manager]
T[Approval Service]
end

D --> N
D --> O
D --> P
D --> Q
D --> R
E --> S
E --> T

subgraph "LangGraph Agents"
U[Hybrid Retrieval Agent]
V[Persona Memory Agent]
W[Multi-Step Reasoning Agent]
X[Human Approval Agent]
end

J --> U
J --> V
J --> W
J --> X

subgraph "Knowledge Graph"
Y[Entities]
Z[Relationships]
AA[Graph Traversal]
end

G --> Y
G --> Z
G --> AA
end

subgraph "External Services"
BB[OpenAI Embeddings]
CC[Local Transformers]
DD[PostgreSQL Checkpointer]
EE[Redis Cache]
end

Q --> BB
Q --> CC
M --> DD
L --> EE

style A fill:#e1f5fe
style C fill:#f3e5f5
style F fill:#e8f5e8
style G fill:#ffeb3b
style I fill:#e3f2fd
style J fill:#e8f5e8
style N fill:#fff3e0
style O fill:#e1f5fe
style P fill:#e1f5fe
style Q fill:#fff3e0
style R fill:#f3e5f5
style S fill:#e3f2fd
style T fill:#ffcdd2


## 🚀 快速开始

### 先决条件

- Node.js 18.0.0或更高版本
- 4GB以上可用RAM(建议用于v3.0)
- PostgreSQL(用于LangGraph检查点)
- Redis(用于性能缓存)
- Git

### 安装```bash
# Clone the repository
git clone https://github.com/MushroomFleet/zero-vector-3.git
cd zero-vector-3

# 1. Set up the Zero-Vector v2 server (Original System)
cd zero-vector/server
npm install
npm run setup:database
npm run generate:api-key  # Generate API key for MCP
cp env.example .env  # Add your OpenAI API key
npm start  # Runs on port 3000

# 2. Set up the Zero-Vector v3 server (LangGraph System)
cd zero-vector-3/server
npm install
cp env.example .env  # Configure environment
npm run setup:postgres # install postgre16.9 &amp; redis first
npm run setup:infrastructure  # Setup PostgreSQL and Redis
npm start  # Runs on port 3001

# 3. Set up the MCP server (in a new terminal)
cd MCP
npm install
cp env.example .env
# Edit .env with both server URLs and API keys
npm start

快速测试```bash

Test the vector database (v2)

curl http://localhost:3000/health

Test the LangGraph system (v3)

curl http://localhost:3001/health

Test MCP server connection (both systems)

cd MCP
npm run test:connection


## 📚 组件文档

该系统由三个主要部分组成,每个部分都有详细的文档:

### 🗄️ Zero Vector v2服务器(原始系统)

**地点:** `zero-vector/README.md`

核心矢量数据库服务器提供:

- 高性能矢量存储和相似性搜索
- 用于向量运算的RESTful API
- SQLite元数据持久化
- 身份验证和安全中间件
- 实时监控和健康检查

### 🤖 零向量v3服务器(LangGraph系统)

**地点:** `zero-vector-3/README.md`

先进的LangGraph工作流服务器提供:

- 多代理工作流编排
- 人工参与审批流程
- 高级推理链和状态管理
- 性能缓存和监控
- PostgreSQL检查点和Redis缓存

### 🔌 MCP服务器v3.0

**地点:** `MCP/README.md`

模型上下文协议接口提供:

- 24个用于角色、内存、图形和工作流管理的专用工具
- v2和v3系统之间的多服务器协调
- LangGraph工作流管理功能
- 与AI开发工具无缝集成
- 全面的错误处理和验证

## ✨ 主要特点

### LangGraph工作流管理(v3.0中的新功能)

- **多代理编排**:与状态管理进行复杂的代理协调
- **人在循环处理**:具有简历功能的审批工作流
- **多步推理**:具有可配置深度的复杂推理链
- **性能监控**:用于工作流优化的实时指标和分析
- **线程连续性**:会话间持续的对话状态
- **工作流缓存**:重复操作的性能优化

### 混合矢量图性能

- **内存效率**:2GB优化存储,支持349525+个矢量
- **混合搜索**:结合向量相似性和图扩展的Sub-300ms搜索
- **实体提取**:自动识别人、概念、事件和关系
- **图的遍历**:具有可配置限制的多深度关系探索
- **可扩展体系结构**:具有零停机回滚功能的标记部署

### 基于知识图的人工智能人物管理

- **人物角色创建**:具有记忆和图形功能的可配置AI角色
- **增强的内存存储**:具有自动实体提取功能的上下文感知内存
- **混合搜索**:使用向量相似度和图形关系查找相关记忆
- **知识图谱构建**:自动实体识别和关系映射
- **对话历史**:通过实体链接完成对话跟踪
- **内存清理**:自动清理旧内存和孤立的图形实体

### MCP集成工具(共24个)

- **人物角色工具(5)**: `create_persona`, `list_personas`, `get_persona`, `update_persona`, `delete_persona`
- **记忆工具(6)**: `add_memory`, `search_persona_memories`, `get_full_memory`, `add_conversation`, `get_conversation_history`, `cleanup_persona_memories`
- **图形工具(4)**: `explore_knowledge_graph`, `hybrid_memory_search`, `get_graph_context`, `get_graph_stats`
- **工作流工具(6)**: `execute_workflow`, `get_workflow_status`, `resume_workflow`, `cancel_workflow`, `list_active_workflows`, `get_workflow_metrics`
- **实用工具(3)**: `get_system_health`, `get_persona_stats`, `test_connection`

### 安全与生产特性

- **API密钥验证**:使用基于角色的权限安全生成密钥
- **速率限制**:多层速率限制(全局、每个密钥、每个端点)
- **输入验证**:全面的请求验证和清理
- **结构化日志记录**:基于Winston的日志记录和性能指标
- **健康监测**:针对不同监控需求的多个健康检查端点
- **多服务器协调**:v2和v3系统之间的无缝集成

## 🎮 用例

### LangGraph工作流操作(v3.0)

#### 与工作流的基本AI对话```javascript
// Execute a basic conversation workflow
const workflowResult = await mcpClient.executeWorkflow({
query: &quot;Explain machine learning fundamentals for beginners&quot;,
persona: &quot;helpful_assistant&quot;,
user_id: &quot;user123&quot;,
workflow_type: &quot;zero_vector_conversation&quot;,
config: {
enable_approval: false,
cache_enabled: true,
confidence_threshold: 0.8,
max_reasoning_steps: 5
}
});

// Monitor workflow execution
const status = await mcpClient.getWorkflowStatus({
workflow_id: workflowResult.workflow_id,
thread_id: workflowResult.thread_id,
include_metadata: true
});

具有人类认可的多步推理```javascript

// Execute complex reasoning workflow
const complexWorkflow = await mcpClient.executeWorkflow({
query: "Compare machine learning approaches for NLP and recommend the best approach for a chatbot system, considering scalability, cost, and performance",
persona: "technical_expert",
user_id: "user456",
workflow_type: "multi_step_reasoning",
config: {
enable_approval: true,
max_reasoning_steps: 10,
confidence_threshold: 0.9,
enable_memory_maintenance: true
},
thread_id: "conversation_abc123"
});

// Resume after human approval
const resumeResult = await mcpClient.resumeWorkflow({
thread_id: "conversation_abc123",
workflow_id: complexWorkflow.workflow_id,
approval_result: {
approved: true,
feedback: "Add more details about implementation complexity",
modifications: {
add_implementation_details: true,
focus_areas: ["complexity", "scalability", "cost"]
}
}
});


#### 工作流性能监控```javascript
// Get comprehensive workflow metrics
const metrics = await mcpClient.getWorkflowMetrics({
time_range: &quot;24h&quot;,
workflow_type: &quot;multi_step_reasoning&quot;,
user_id: &quot;user123&quot;,
include_detailed: true
});

// List active workflows for monitoring
const activeWorkflows = await mcpClient.listActiveWorkflows({
user_id: &quot;user123&quot;,
status: &quot;running&quot;,
workflow_type: &quot;multi_step_reasoning&quot;,
limit: 10
});

// Cancel workflow if needed
await mcpClient.cancelWorkflow({
workflow_id: &quot;workflow_xyz789&quot;,
thread_id: &quot;conversation_abc123&quot;,
reason: &quot;User requested cancellation due to changed requirements&quot;
});

带有知识图的AI助手内存(v2.0+v3.0)```javascript

// Create a persona for an AI assistant
const persona = await mcpClient.createPersona({
name: "Technical Assistant",
description: "Helpful coding assistant with memory and graph knowledge",
systemPrompt: "You are a helpful technical assistant with access to knowledge graphs...",
maxMemorySize: 1000
});

// Add important information to memory (automatically extracts entities)
await mcpClient.addMemory({
personaId: persona.id,
content: "John Smith from Microsoft called about the Azure project. He mentioned working with Sarah Johnson on cloud architecture.",
type: "conversation",
importance: 0.8
});

// Hybrid search combining vector similarity with graph expansion
const hybridResults = await mcpClient.hybridMemorySearch({
personaId: persona.id,
query: "cloud architecture project",
limit: 5,
useGraphExpansion: true,
graphDepth: 2,
threshold: 0.7
});

// Use workflow to process complex queries with memory integration
const workflowWithMemory = await mcpClient.executeWorkflow({
query: "Based on my previous conversations about Azure, what are the key architectural considerations for our project?",
persona: persona.id,
user_id: "user123",
workflow_type: "zero_vector_conversation",
config: {
use_memory_integration: true,
enable_graph_expansion: true,
memory_context_depth: 3
}
});


### 增强的内存上下文发现```javascript
// Get comprehensive context for specific entities
const context = await mcpClient.getGraphContext({
personaId: persona.id,
entityIds: [&quot;entity-john-smith-uuid&quot;, &quot;entity-microsoft-uuid&quot;],
includeRelationships: true,
maxDepth: 2
});

// Search with configurable content display
const searchWithFullContent = await mcpClient.searchPersonaMemories({
personaId: persona.id,
query: &quot;white hat tales&quot;,
limit: 5,
show_full_content: true,  // No truncation
threshold: 0.3
});

与Cline集成(v3.0)```json

{
"mcpServers": {
"zero-vector-v3": {
"command": "node",
"args": ["C:/path/to/zero-vector-MCP/MCP/src/index.js"],
"env": {
"ZERO_VECTOR_BASE_URL": "http://localhost:3000",
"ZERO_VECTOR_API_KEY": "your_zero_vector_2_api_key",
"ZERO_VECTOR_V3_BASE_URL": "http://localhost:3001",
"ZERO_VECTOR_V3_API_KEY": "your_zero_vector_3_api_key"
}
}
}
}


## 🛠️ 发展

### 项目结构```
zero-vector-MCP/
├── zero-vector/                 # Vector database server (v2)
│   ├── server/                  # Node.js backend
│   │   ├── src/                 # Source code
│   │   ├── scripts/             # Setup scripts
│   │   ├── data/                # Database files
│   │   └── README.md            # Server documentation
│   └── README.md                # Server overview
├── zero-vector-3/               # LangGraph workflow server (v3)
│   ├── server/                  # Node.js backend
│   │   ├── src/                 # Source code
│   │   │   ├── agents/          # LangGraph agents
│   │   │   ├── graphs/          # Workflow graphs
│   │   │   ├── services/        # Core services
│   │   │   └── state/           # State management
│   │   ├── scripts/             # Setup scripts
│   │   └── README.md            # v3 documentation
│   └── README.md                # v3 overview
├── MCP/                         # Model Context Protocol server
│   ├── src/                     # MCP server source
│   │   ├── tools/               # MCP tool implementations
│   │   │   ├── workflows.js     # NEW: Workflow tools
│   │   │   ├── personas.js      # Persona management
│   │   │   ├── memories.js      # Memory operations
│   │   │   ├── graph.js         # Graph operations
│   │   │   └── utilities.js     # System utilities
│   │   └── utils/               # Utilities
│   ├── .env.example             # Environment template
│   └── README.md                # MCP documentation
├── DOCS/                        # Internal documentation
└── README.md                    # This file

开发设置```bash

Start Zero-Vector v2 server in development mode

cd zero-vector/server
npm run dev # Port 3000

Start Zero-Vector v3 server in development mode (new terminal)

cd zero-vector-3/server
npm run dev # Port 3001

Start MCP server in development mode (new terminal)

cd MCP
npm run dev

Run tests

npm test


### 环境配置

**零矢量v2服务器:**```bash
NODE_ENV=development
PORT=3000
MAX_MEMORY_MB=2048
DEFAULT_DIMENSIONS=1536
LOG_LEVEL=info

零矢量v3服务器:```bash
NODE_ENV=development
PORT=3001
POSTGRES_URL=postgresql://localhost:5432/zerovector3
REDIS_URL=redis://localhost:6379/0
LANGSMITH_TRACING=true
OPENAI_API_KEY=your_openai_key
LOG_LEVEL=info


**MCP服务器:**```bash
# v2 Server Configuration
ZERO_VECTOR_BASE_URL=http://localhost:3000
ZERO_VECTOR_API_KEY=your_zero_vector_2_api_key

# v3 Server Configuration
ZERO_VECTOR_V3_BASE_URL=http://localhost:3001
ZERO_VECTOR_V3_API_KEY=your_zero_vector_3_api_key

# MCP Configuration
MCP_SERVER_NAME=zero-vector-mcp-v3
LOG_LEVEL=info

📊 性能特征

矢量存储(v2系统)

  • 矢量存储器:每1000个向量约6MB(1536维)
  • 搜索性能:对于10000+矢量语料库,\<50ms
  • 内存效率:分配的缓冲区空间利用率为99.9%
  • 吞吐量:1000+矢量/秒插入率
  • 容量:2GB配置中的349525个矢量

工作流性能(v3系统)

  • 工作流执行:对于标准对话,\<2s
  • 多步推理:对于复杂的推理链,\<10s
  • 内存集成:混合内存检索\<500ms
  • 审批处理:对于人工审批工作流,\<1s
  • 高速缓存性能:重复操作的缓存命中率超过95%

🔒 安全功能

  • 认证:具有安全生成功能的基于API密钥的身份验证
  • 授权:基于角色的访问控制,具有细粒度权限
  • 速率限制:多个速率限制层(全局、每个密钥、每个端点)
  • 输入验证:全面的请求验证和清理
  • 安全标头:使用CSP策略实现Helmet.js
  • 审计日志:所有业务的完整审计跟踪
  • 多服务器安全:跨v2和v3系统协调安全
  • 工作流审批:敏感操作的人在环安全

🤝 贡献

  1. 分叉存储库
  2. 创建要素分支(git checkout -b feature/amazing-feature)
  3. 进行更改
  4. 添加新功能的测试
  5. 提交您的更改(git commit -m &#x27;Add amazing feature&#x27;)
  6. 推到分支(git push origin feature/amazing-feature)
  7. 打开拉取请求

开发指南

  • 遵循现有的代码风格和模式
  • 为新功能添加全面的测试
  • 针对任何API更改更新文档
  • 在提交PR之前,确保所有测试都通过
  • 包括矢量操作的性能考虑因素
  • 彻底测试工作流集成
  • 考虑新功能的人工审批场景

📄 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

🆘 支持

文档

  • 矢量数据库:参见 zero-vector/README.md 有关v2服务器的详细文档
  • LangGraph系统:参见 zero-vector-3/README.md v3工作流文档
  • MCP服务器:参见 MCP/README.md 用于MCP设置和工具文档

故障排除

连接问题:```bash

Check Zero-Vector v2 server health

curl http://localhost:3000/health

Check Zero-Vector v3 server health

curl http://localhost:3001/health

Test MCP server connection

cd MCP && npm run test:connection


**工作流程问题:**```bash
# Check workflow status
cd MCP &amp;&amp; node -e &quot;console.log(&#x27;Check workflow metrics via MCP tools&#x27;)&quot;

# Review workflow logs
tail -f zero-vector-3/server/logs/combined.log

常见问题:

  • 确保已安装Node.js 18+
  • 验证MCP中的API密钥配置 .env 文件
  • 启动MCP服务器之前,请检查两个Zero Vector服务器是否都在运行
  • 确保足够的内存分配(v3.0建议使用4GB以上)
  • 验证PostgreSQL和Redis是否正在为v3工作流运行

获取帮助

  • GitHub问题:报告错误和功能请求
  • 讨论:提问并分享想法
  • 维基:附加文件和示例

零矢量MCP v3.0 - 具有先进LangGraph工作流编排和多智能体智能的生产就绪混合矢量图AI存储系统

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
Zero Vector 3 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。

Zero Vector 3 怎么在 Cline 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。

Zero Vector 3 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。

Zero Vector 3 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。

Zero Vector 3 支持哪些客户端?

资料标注支持 Cline;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。

Zero Vector 3 能提供哪些能力?

资料显示约 24 个工具;能力标签包括 Cline、向量数据库、数据分析。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。