Contextual MCP 服务器

一个模型上下文协议 (MCP) 服务器，它使用 Contextual AI 提供 RAG (检索增强生成) 功能。此服务器与各种 MCP 客户端集成。在本自述文件中，我们将展示与 Cursor IDE 和 Claude Desktop 的集成。

概述

此 MCP 服务器充当 AI 接口（Cursor IDE 或 Claude Desktop）和专用 Contextual AI 代理之间的桥梁。它支持：

1. 查询处理：将您的特定领域问题直接发送给专用的 Contextual AI 代理
2. 智能检索：在您的知识库中搜索全面的信息
3. 上下文感知响应：生成以下答案：

• 基于源文档
• 包括引用和归属
• 保持对话上下文

集成流程

Cursor/Claude Desktop → MCP 服务器 → Contextual AI RAG 代理
        ↑                  ↓             ↓                         
        └──────────────────┴─────────────┴─────────────── 带有引用的响应

前提条件

• Python 3.10 或更高版本
• Cursor IDE 和/或 Claude Desktop
• Contextual AI API 密钥
• 兼容 MCP 的环境

安装

1. 克隆存储库：

git clone https://github.com/ContextualAI/contextual-mcp-server.git
cd contextual-mcp-server

2. 创建并激活虚拟环境：

python -m venv .venv
source .venv/bin/activate  # 在 Windows 上，使用 `.venv\Scripts\activate`

3. 安装依赖项：

pip install -e .

配置

环境变量

服务器需要以下环境变量：

• API_KEY: 您的 Contextual AI API 密钥
• AGENT_ID: 您的 Contextual AI 代理 ID

如果您想将这些文件存储在 .env 文件中，您可以像这样指定它们：

cat > .env << EOF
API_KEY=key...
AGENT_ID=...
EOF

AI 接口集成

此 MCP 服务器可以使用相同的配置方法与 Cursor IDE 或 Claude Desktop 集成。在适当的位置创建或修改 MCP 配置文件：

1. 首先，找到您的 uv 安装路径：

UV_PATH=$(which uv)
echo $UV_PATH
# 示例输出：/Users/username/miniconda3/bin/uv

2. 使用步骤 1 中的完整路径创建配置文件：

cat > mcp.json << EOF
{
 "mcpServers": {
   "ContextualAI-TechDocs": {
     "command": "$UV_PATH", # 确保此设置正确
     "args": [
       "--directory",
       "\${workspaceFolder}",  # 将被替换为您的项目路径
       "run",
       "multi-agent/server.py"
     ]
   }
 }
}
EOF

3. 移动到正确的文件夹位置，请参阅以下选项：

mkdir -p .cursor/
mv mcp.json .cursor/

配置位置：

• 对于 Cursor：
• 项目特定：项目目录中的 .cursor/mcp.json
• 全局：~/.cursor/mcp.json 用于系统范围的访问
• 对于 Claude Desktop：
• 在适当的 Claude Desktop 配置目录中使用相同的配置文件格式

环境设置

此项目使用 uv 进行依赖项管理，它提供更快、更可靠的 Python 包安装。

用法

该服务器使用 Python SDK 提供 Contextual AI RAG 功能，该 SDK 可以从 MCP 客户端（例如 Cursor IDE 和 Claude Desktop）访问各种命令。 当前的服务器侧重于使用 Contextual AI Python SDK 中的查询命令，但是您可以扩展它以支持其他功能，例如列出所有代理、更新检索设置、更新提示、提取检索或下载指标。

用法示例

# 在 Cursor 中，您可以问：
"Show me the code for initiating the RF345 microchip?"


# MCP 服务器将：
1. 将查询路由到 Contextual AI 代理
2. 检索相关文档
3. 生成带有特定引用的响应
4. 将格式化的答案返回给 Cursor

主要优势

1. 准确的响应：所有答案都基于您的文档
2. 来源归属：每个响应都包含对源文档的引用
3. 上下文感知：系统保持对话上下文以进行后续问题
4. 实时更新：响应反映数据存储中的最新文档

开发

项目结构

contextual-mcp-server/
├── server.py           # 主要 MCP 服务器实现
├── pyproject.toml      # 项目依赖项和元数据
└── README.md          # 文档

修改服务器

要添加新功能：

1. 通过创建使用 @mcp.tool() 装饰的其他函数来添加新工具
2. 使用 Python 类型提示定义工具的参数
3. 提供清晰的文档字符串来描述工具的功能

示例：

@mcp.tool()
def new_tool(param: str) -> str:
   """Description of what the tool does"""
   # Implementation
   return result

技术细节

• 传输：stdio（本地执行）
• 协议：模型上下文协议 (MCP)

局限性

• 服务器在本地运行，可能无法在远程开发环境中工作
• 工具响应受 Contextual AI API 限制和配额的约束
• 目前仅支持 stdio 传输模式

有关 Contextual AI 的所有功能，请查看 官方文档。