使用说明（Markdown 格式）

项目简介
- 该项目实现了一个 MCP 服务器，用于向 MCP 客户端（如 Claude Code 等语言模型客户端）提供本地知识库的访问能力。核心通过向量数据库存储文档片段及其嵌入向量，并暴露两组工具：search_knowledge（按查询检索相关片段）和 list_knowledge_sources（列出已索引的文档及元信息）。嵌入向量通过 Ollama 提供的嵌入模型计算，向量存储使用 SQLite + WAL 模式。
主要功能点
- MCP 服务器实现与客户端的标准化对话：注册并响应工具查询，支持 ListTools 与 CallTool 请求
- knowledge rag 功能：加载、初始化、索引本地知识库（项目内或全局，优先项目级）
- 向量检索：基于嵌入向量进行最近邻检索，返回相关片段及来源信息
- 工具集合：search_knowledge（知识检索），list_knowledge_sources（文档源信息）
- 本地嵌入模型支持：通过 Ollama 提供的 API 进行文本向量化
- 数据存储与管理：使用 Better SQLite3，持久化 chunks、sources、以及嵌入向量
- 多场景工作模式：项目级知识库优先，若无则回退到全局知识库
- 运行方式以标准 input/output（stdio）传输，兼容 Claude 等通过 MCP 的接入方式
安装步骤
- 进入 ai-pack/mcp/knowledge-rag 目录
- 安装依赖并构建
  - 安装依赖：npm install
  - 构建产出：npm run build（生成 dist/ 目录，通常为 dist/src/index.js）
- 启动 MCP 服务器
  - 在合适的工作目录执行：node dist/src/index.js
  - 该服务器通过标准输入输出与 MCP 客户端通信，确保客户端从该服务器获取工具清单与能力
- 运行前提与依赖
  - Ollama 服务需正确运行，用于嵌入向量计算（请按照项目文档准备 Ollama 服务以及 nomic-embed-text 模型）
  - 本地知识库准备：在项目目录或全局知识目录中放置要索引的文档（.md、.txt、.pdf 等）
- 测试与验证
  - 构建完成后，确保服务器正常启动且能响应 ListTools 与 CallTool 请求
  - 使用 MCP 客户端（参考对应文档）与 Knowledge Rag 工具进行查询与源信息获取
服务器配置（MCP 客户端需要的最小启动信息）配置示例（JSON，描述服务器启动命令和参数，便于 MCP 客户端接入）： { "server": { "name": "knowledge-rag", "version": "1.0.0", "command": "node", "args": ["dist/src/index.js"] } // 说明：上述配置表示 MCP 客户端应以 Node.js 启动，并传入构建输出的入口脚本路径来启动 MCP 服务器。 } 注释说明：
- name: MCP 服务器的标识名称，与代码中 server 的 name 匹配
- version: 服务器实现的版本号
- command: 启动服务器所用的命令，这里为 node
- args: 启动命令的参数，指向构建产物的入口脚本路径（dist/src/index.js）要点
- 实际工作目录需要与启动路径保持一致，dist 路径根据运行构建产物的位置而定
- MCP 客户端仅需要读取上述信息以知晓如何启动并连接到服务器
- 启动前务必确保 Ollama 服务可用（若使用 Ollama Embedding），以及知识库已按需求进行索引
基本使用方法
- 启动后，MCP 客户端可通过标准 MCP 请求（ListTools、CallTool 等）与服务器交互
- 第一步通常是获取工具列表（ListTools），确认具备以下工具：
  - search_knowledge：按查询检索知识片段
  - list_knowledge_sources：查看已索引的文档源信息
- 使用 search_knowledge 时，传入查询文本和可选的 top_k、sources 过滤参数，服务器返回相应的片段内容、来源、页码和相关性
- 使用 list_knowledge_sources 时，返回已索引文档的名称、页数、分块数量及主题标签
- 对于知识检索的隐私性与性能，可以在本地环境中通过项目级知识库优先读取，必要时回退到全局知识库

AI Craftsman Knowledge Rag MCP Server

服务器信息