项目简介

该项目实现了一个基于 Model Context Protocol (MCP) 的服务器，利用 Elasticsearch 作为后端，为大型语言模型 (LLM) 客户端提供强大的知识库服务。它允许LLM通过标准化的接口访问、学习和记忆外部信息，极大地扩展了LLM的能力范围。

主要功能点

• 知识检索 (ASK): 允许LLM使用自然语言向知识库提问，服务器从存储的文档或记忆中查找最相关的答案片段。
• 知识学习 (LEARN): 支持LLM指示服务器从指定网页、Git仓库或本地文件系统抓取内容并进行索引，构建新的知识库。特别擅长爬取和处理在线文档。
• 记忆存储 (REMEMBER): 提供接口让LLM存储和回忆工作信息、用户偏好或规则，作为长期记忆。
• 知识库管理: 提供创建、获取列表、按名称或ID查找、更新和删除知识库的工具。
• 资源访问: 允许LLM通过统一资源标识符 (URI) 访问知识库中的特定条目详情。
• 批量操作: 支持在单个请求中调用一个工具多次，或同时调用多个不同的工具，提高效率。

安装步骤

该服务器推荐使用 'uvx' 工具直接从GitHub运行，这简化了安装过程。

1. 安装 uvx: 如果您的系统上没有 'uvx'，请根据其官方文档安装。
2. 安装 Docker: 确保您的系统已安装并运行 Docker 服务，这是 学习 (LEARN) 功能（特别是网页爬取）所依赖的。
3. 设置 Elasticsearch: 启动一个 Elasticsearch 集群，并准备好连接信息（如主机地址、API 密钥或用户名/密码）。

服务器配置

MCP 服务器需要由一个 MCP 客户端（如 VS Code 的 Roo 扩展、Cline 等）来启动和连接。客户端的配置文件（通常是 JSON 格式）需要包含该服务器的配置信息。

典型的配置段如下所示，您需要根据您的MCP客户端类型进行调整：

• 定义一个服务器配置块，例如命名为 '"es_knowledge_base_mcp_debug"'。
• 指定 '"command"' 为 '"uvx"'。
• 指定 '"args"' 为仓库的 GitHub URL ('"git+https://github.com/strawgate/es-knowledge-base-mcp"')。'uvx' 工具会负责下载、安装依赖并启动服务器。
• 使用 '"env"' 字段传递环境变量，用于配置 Elasticsearch 连接。例如：
  • '"ES_HOST"': 您的 Elasticsearch 集群主机地址（例如 '"https://YOUR_ELASTICSEARCH_HOST_URL:443"'）。
  • '"ES_API_KEY"': 您的 Elasticsearch API 密钥（Base64编码）。或者，您也可以使用 '"ES_USERNAME"' 和 '"ES_PASSWORD"' 进行基本认证。请选择一种认证方式。

完成配置后，启动您的MCP客户端，它将根据配置启动并连接到此Elasticsearch知识库服务器。

基本使用方法

服务器启动并连接成功后，LLM 客户端就可以通过调用注册的 工具 和访问 资源 来利用知识库功能：

• 提问： LLM 可以调用 'ask_questions' 工具，传入问题列表，服务器将返回相关文档片段。例如，LLM 可能会生成一个工具调用请求，如 '{"tool": "ask_questions", "arguments": {"questions": ["如何配置 Elasticsearch？"]}}'。
• 学习文档： LLM 可以调用 'learn_from_web_documentation' 工具，提供要学习的网页 URL 和希望创建的知识库名称，服务器将开始爬取和索引过程。例如，'{"tool": "learn_from_web_documentation", "arguments": {"learn_web_documentation_proto": {"name": "Pytest Docs", "data_source": "https://docs.pytest.org/en/stable/"}}}'。
• 获取知识库列表： LLM 可以调用 'knowledge_base_get' 工具（或者更精确的 'knowledge_base_get_by_name' 等管理工具）来获取当前服务器上已有的知识库信息。
• 访问资源： LLM 可以尝试访问特定的资源 URI，例如 'kb://entry?id=some_kb_id' 或 'kb://entry?name=Some KB Name' 来获取知识库条目的详情（注意：实际的资源访问方式取决于MCP客户端的实现，通常通过特定的协议或客户端库函数）。

服务器通过 JSON-RPC 响应这些请求，将结果（如搜索结果、知识库列表、操作成功/失败信息）返回给 LLM 客户端。