KnowFlow MCP 是一个基于 Model Context Protocol (MCP) 构建的知识检索工具。它允许兼容 MCP 的大型语言模型 (LLM) 通过调用标准化的工具接口，从外部知识库中获取上下文信息和领域知识，以生成更精确、更具上下文感知的回答。该项目模拟了简化的检索增强生成 (RAG) 流程，为 LLM 提供了访问外部数据的能力。

主要功能点

响应 LLM 的知识检索请求，遵循 MCP 协议标准。
根据 LLM 提供的查询，在配置的知识源中执行高效搜索。
返回包含内容片段和结构化元数据（如原始文件名、修改日期、相关性评分）的搜索结果，方便 LLM 使用和引用。
提供灵活的插件系统，允许轻松集成不同的知识来源（例如：文档文件、任务管理系统、Confluence 等）。
通过 Stdio 协议与 MCP 客户端进行通信。

安装步骤

准备环境: 确保您的系统已安装 Node.js (版本 16.x 或更高) 和 npm 或 yarn 包管理器。

克隆仓库: 打开终端，执行以下命令克隆项目仓库：

git clone https://github.com/esurovtsev/know-flow-mcp.git

进入项目目录: 切换到克隆下来的仓库目录：
```
cd know-flow-mcp
```

安装依赖: 使用 npm 或 yarn 安装项目所需的依赖库：

npm install
# 或者使用 yarn
yarn install

配置知识目录: 在项目根目录创建 '.env' 文件，并指定知识文件的存放路径（目前支持 '.txt' 和 '.md' 文件）。
```
KNOWLEDGE_DIR=./knowledge
```
请确保 './knowledge' 目录存在，并在其中放入您的知识文件。

服务器配置 (供 MCP 客户端参考)

要将 KnowFlow MCP 服务器与兼容 MCP 的 LLM 客户端（如 Claude, GPT-4, Gemini 等）集成，客户端需要知道如何启动和连接到此服务器。这通常通过一个 JSON 格式的 MCP 配置来指定。

以下是一个典型的 JSON 配置示例，您可以将其提供给您的 MCP 客户端：

{
  "mcpServers": {
    "knowflow": { // 服务器的唯一标识符
      "command": "node", // 启动服务器的命令
      "args": ["dist/index.js"] // 命令的参数，指向服务器的入口文件
    }
  }
}

这个配置指示 MCP 客户端通过执行 'node dist/index.js' 命令来启动 KnowFlow 服务器，并使用默认的 Stdio 协议进行通信。具体的配置方式请参考您使用的 MCP 客户端（LLM 应用）的文档。

基本使用方法

构建项目: 在项目根目录执行构建命令，将 TypeScript 代码编译为 JavaScript：

npm run build
# 或者使用 yarn
yarn build

启动服务器: 编译完成后，执行以下命令启动 KnowFlow MCP 服务器：

npm start
# 或者使用 yarn
yarn start

服务器启动后，会监听标准输入 (Stdio)，等待 MCP 客户端（如配置好的 LLM 应用或 MCP Inspector 工具）发送的请求。当收到请求（例如调用 'search_knowledge' 工具）时，服务器会执行相应的逻辑并返回响应。
(可选) 使用 MCP Inspector 测试: 您可以使用官方的 MCP Inspector 工具来独立测试服务器功能：
```
npx @modelcontextprotocol/inspector node dist/index.js
```
这将在本地启动一个网页界面，允许您查看服务器暴露的工具并手动发送请求进行测试。

关键词

主要功能点

安装步骤

服务器配置 (供 MCP 客户端参考)

基本使用方法

信息