本地 FAISS MCP 服务器

使用说明内容（Markdown格式）

• 项目简介

  • 这是一个使用 FAISS 的本地向量存储的 MCP 服务器实现，能够对接 MCP 客户端，通过 MCP 定义的工具、资源与提示模板提供上下文服务，便于实现 Retrieval-Augmented Generation（RAG）等场景的对话式信息检索与推理。

• 主要功能点

  • 资源管理与向量检索：本地向量库存储文档嵌入向量，支持增量 ingest 与语义检索。
  • 工具与调用：暴露 ingest_document、query_rag_store 等工具，供 LLM 客户端调用。
  • 提示模板：提供 extract-answer 和 summarize-documents 等 MCP 提示，帮助 LLM 基于检索结果进行回答和摘要。
  • MCP 服务器实现：通过 MCP 的装饰器（list_tools、call_tool、list_prompts、get_prompt 等）提供标准化的 JSON-RPC 与流式通信能力。
  • 多模式交互：服务器基于 stdio（stdin/stdout）等方式与客户端通信，便于嵌入式部署和本地开发。

• 安装步骤

  • 安装依赖并获取代码后，即可直接运行服务（请确保 Python 环境可用，且必要的模型权重可下载）。
  • 典型依赖包括 FAISS、sentence-transformers、pypdf、Pandoc（用于文档格式处理）等，请根据实际需求安装。

• 服务器配置（MCP 客户端需要的参数信息，JSON 格式） 说明：以下配置用于 MCP 客户端在本地启动并连接到 MCP 服务器。serverName 表示服务器标识，command 为启动命令，args 为启动参数，具体含义如下所示。 { "serverName": "local-faiss-mcp", "command": "local-faiss-mcp", "args": [ "--index-dir", "./.vector_store" ] // 你也可以按需指定 embeddings 模型、是否启用 re-ranking 等配置，例如： // "--embed", "all-mpnet-base-v2", "--rerank", "BAAI/bge-reranker-base" }

• 基本使用方法

  • 启动方式：在包含 MCP 客户端配置的环境中，通过 MCP 客户端启动并连接到该服务器。服务器会通过标准输入输出与客户端进行 JSON-RPC 交互。
  • 常用工具与流程：
    • ingest_document：将文档文本或文件通过自动检测路径的方式导入向量库，分段并生成嵌入。
    • query_rag_store：基于查询文本进行语义检索，返回相关文档分块及距离等信息，便于后续处理与回答生成。
    • prompts（extract-answer、summarize-documents）：基于检索结果构建 LLM 的结构化输入，便于获得带引用的答案或摘要。
  • 使用注意：
    • 由于模型和向量库依赖较大，请确保本地环境具备足够的磁盘与算力资源。
    • 当切换嵌入模型或重新建立索引时，请保持模型维度的一致性，避免索引维度不匹配导致错误。