HyperHierarchicalRAG MCP Server

关键词

知识图谱超图记忆记忆演化多跳推理工具调用

使用说明（Markdown 格式）

项目概述

  • HyperHierarchicalRAG MCP 服务器将 LightRAG 与 HGMem 的能力封装为 MCP 工具，提供对资源（资源/文档）、工具调用、提示模板等的统一访问入口，支持会话管理与多种传输协议，便于与大型语言模型或智能代理进行上下文管理与扩展。

主要功能点

  • MCP 服务端核心能力
    • 资源与知识管理：插入文档、读取和删除文档，以及基于文档内容的实体/关系提取框架。
    • 知识查询与提示：提供本地查询、本体查询、混合查询等能力的入口，支持记忆演化和内存上下文扩展。
    • 超图记忆与推理：通过 HGMem 的多跳扩展与记忆点管理实现对记忆的演化、扩展与持久化。
    • 知识图谱与实体管理：创建实体、创建关系、获取实体信息、获取知识图谱、合并实体等工具。
    • 系统工具与监控：健康检查、图统计、导出数据、清理缓存、图可视化等工具。
    • MCP 集成：通过 JSON-RPC 风格的工具暴露，客户端可根据需要调用。

安装与运行

  • 环境要求：Python 3.12 及以上（仓库 README 指出 Python 3.12+）。
  • 依赖安装（示例，具体请参考项目 README 的 uv 环境与扩展包安装指引）：
    • 需要安装 MCP 运行时与相关依赖（如 uv/fastmcp、LightRAG、HGMem、OpenAI/Ollama 客户端等）。
  • 运行服务器（命令示例，不是代码块，仅说明性描述）：
    • 使用 Python 直接运行模块方式启动 MCP 服务器：
      • 命令：python -m hyperhierarchical_rag.mcp_server
      • 该命令会加载环境配置并启动 MCP 服务器，提供 22 种工具供客户端调用。
    • 也可以通过配置化的传输方式（如 stdio/SSE/WebSocket 等）按项目需要接入。
  • 配置说明
    • MCP 客户端需要至少知道服务器的启动命令与参数来建立连接。下面给出一个示例配置（以 JSON 表示，供 MCP 客户端使用，不需要嵌入代码）： { "server_name": "HyperHierarchicalRAG MCP Server", "command": "python", "args": ["-m", "hyperhierarchical_rag.mcp_server"], "description": "MCP Server for HyperHierarchicalRAG exposing 22 Tools for LLM agents", "env": { "LLM_PROVIDER": "ollama", "OLLAMA_HOST": "http://localhost:11434", "EMBEDDING_MODEL": "nomic-embed-text", "EMBEDDING_DIM": "768" }, "transport": "stdio", "notes": "该配置用于 MCP 客户端在本地启动并连接服务器，实际传输方式可按你的环境调整。" }

基本使用方式

  • 启动后，MCP 客户端通过 JSON-RPC 方式发送请求，服务器返回标准化的 JSON-RPC 响应或通知，客户端可逐步对接以下能力：
    • 插入文档并建立知识图谱
    • 执行混合/局部/全局查询并获取记忆扩展
    • 管理实体与关系、获取知识图谱、导出数据
    • 获取健康状态、图统计、生成可视化等
  • 在开发阶段，你可以通过 MCP 客户端工具逐步测试每个工具的输入参数与返回字段，以确保与你的智能代理无缝对接。

注意事项

  • MCP 服务端依赖于底层的 LightRAG、HGMem、以及相应的向量存储与数据库实现，请确保环境中相关组件可用并正确配置。
  • 由于该实现包含较多跨模块的集成，实际部署时建议先在本地环境逐步启动并测试核心工具（如 insert_document、query、get_health、get_graph_stats）。

关键词 知识图谱, 超图记忆, 记忆演化, 多跳推理, 工具调用

分类ID 6

服务器信息

访问项目