关键词

上下文服务向量检索知识图谱多工作区隔离实时推理

使用说明（Markdown 格式）

一、项目简介

  • AIMED 的这部分实现是一个可运行的 MCP 服务器端，遵循 Model Context Protocol 的核心职责，面向 LLM 客户端提供：资源数据访问、工具调用、以及可渲染的提示/上下文模板能力。
  • 服务器具备多工作区隔离、向量嵌入检索、知识图谱数据结构，以及与前端仪表盘的深度集成能力，能够在运行时动态管理会话和能力声明。

二、主要功能点

  • Model Context Protocol 服务端：处理 MCP 请求，返回 JSON-RPC 风格响应，支持 initialize、tools/call 等 MCP 方法。
  • 资源、工具、Prompts 管理：提供对资源数据、可执行工具、以及 Prompt/模板的结构化管理与渲染。
  • 多工作区隔离：为不同工作区创建独立的数据库与向量存储，确保数据隔离和稳定性。
  • 数据库与迁移：SQLite 数据库 + Alembic 迁移，自动升级 schema。
  • 向量检索与语义搜索：嵌入模型加载、向量存储（ChromaDB）以及基于向量的相似度检索。
  • 知识图谱：将 Dispositions/Decisions/Patterns/CustomData 等实体及其关系以图形化方式组织和查询。
  • UI 缓存与 UI-Cache 集成：集中缓存机制用于端到端工作区 UI 的状态和配置（如端口映射、Env Vars、UI 设置等）。
  • 动态配置与测试工具：提供测试工具、工作流检测、以及便捷的测试用例与示例。

三、安装与运行步骤

  • 前提条件
    • Python 3.8 及以上环境（建议使用虚拟环境）
    • Git 代码获取
  • 安装与部署（简要步骤）
    • 获取代码并进入仓库根目录
    • 安装依赖（按仓库要求在虚拟环境中完成）
    • 按需配置数据库路径、工作区根目录等参数
    • 启动 MCP 服务器：在工作区目录执行以下命令之一（下列命令用于演示，实际路径请按实际环境调整）：
      • 启动模式为 HTTP 的 MCP 服务器： python -m src.context_portal_mcp.main --mode http --host 127.0.0.1 --port 8020 --workspace_id "/path/to/workspace"
  • 验证与测试
    • 通过 MCP 客户端工具或集成环境向服务器提交 MCP 请求，如 get_product_context、log_decision 等，确认服务端能按 JSON-RPC 风格返回响应。
    • 服务器默认提供 health-check 端点，可用于健康状态检查。

四、服务器配置（MCP 客户端需要的配置信息） 说明：以下配置用于 MCP 客户端将请求发送给服务器（server_name、command、args 等信息均来自仓库实现）。请将 workspace_id 替换为目标工作区的实际目录或标识符。

{ "server_name": "conport", "command": "python", "args": [ "-m", "src.context_portal_mcp.main", "--mode", "http", "--host", "127.0.0.1", "--port", "8020", "--workspace_id", "/path/to/workspace" ] }

说明与注释

  • server_name：服务器端在 MCP 客户端中的标识名，测试用例中使用的是 conport，与仓库中的实现保持一致。
  • command：启动 MCP 服务器所需的执行命令，通常为 Python 解释器。
  • args：启动参数，包含运行模式（http）、监听地址、端口、以及工作区标识符。工作区标识应与实际部署环境相匹配，用以实现多工作区的隔离与数据定位。

五、基本使用方法（简易入门）

  • 通过 MCP 客户端使用工具调用服务器提供的功能，例如通过工具名 get_product_context 获取产品上下文、log_decision 写入决策、get_decisions 获取决策列表等。
  • 服务器支持多种传输协议（如 HTTP JSON-RPC、STDIO、SSE、WebSocket），默认以 HTTP JSON-RPC 作为对外通信方式，便于集成和调试。
  • 若需要在前端仪表盘中查看知识图谱、历史记录、以及向量检索结果，可结合 AIMED 提供的 UI 组件与后端 API 进行联动。

六、注意事项

  • 由于实现包含多工作区、向量存储和 UI 缓存等内容，实际部署时应确保工作区根目录结构、UI 缓存路径与数据库路径的一致性与权限正确性。
  • 向量嵌入与向量检索模块依赖相关模型与向量数据库，请确保网络环境允许模型加载及外部依赖的正确安装。
  • MCP 客户端不需要在此输出中包含实现细节，且配置示例已给出可直接使用的 JSON 结构。

七、可扩展性与维护

  • 代码库具备完善的工具、上下文、知识图谱与向量检索能力，可扩展以支持更多 MCP 工具、更多工作区和更丰富的上下文类型。
  • 积极维护数据库迁移、FTS 的索引与触发器、以及向量数据库的版本与一致性。

二级说明（对开发者的快速要点）

  • MCP 服务器实现：核心逻辑在 src/context_portal_mcp/ 与 handlers、db、vector_store_service 及 UI 缓存等子模块中，提供了工具执行、上下文更新、以及向量嵌入等能力。
  • 运行入口：src/context_portal_mcp/main.py，支持通过命令行参数启动 HTTP 服务，并绑定工作区。
  • 数据存储：SQLite 数据库，Weak/强一致性通过 WAL、Synchronous 设置、以及 Alembic 迁移维持。
  • 向量存储：基于 Chromadb，与 Embedding Service 协同工作，面向相似性检索与知识图谱增强。

关键词 上下文服务, 向量检索, 知识图谱, 多工作区隔离, 实时推理

category_id 6

信息

分类

AI与计算

访问项目