MCP ArcKnowledge

这是一个用于自定义 webhook 端点（知识库）的模型上下文协议 (MCP) 服务器。

有了它，您可以轻松地管理和查询您的知识库列表（webhook 端点）。 您可以通过注册其 URL 来添加新的文档源，并且可以选择提供描述和 API 密钥。

您还可以列出所有已注册的文档源并查看其详细信息。

当您准备好提问/搜索时，您可以使用文本问题查询知识库，指定要搜索的源，或者留空以搜索所有源。

该工具将聚合来自查询源的结果，并将其提供给您。

前提条件

• Go
• Python 3.6+
• Anthropic Claude 桌面应用程序（或 Cursor 或 Cline）
• UV（Python 包管理器），使用 curl -LsSf https://astral.sh/uv/install.sh | sh 安装

概念

想象一下，能够桥接一个统一的设置，您可以在一个配置中连接所有自定义知识库端点 webhook，从而无需多个 MCP 服务器。

演示

查看 mcp cursor 视频

安装设置

1. 克隆仓库

git clone https://github.com/dragonjump/mcp-arcknowledge
cd mcp-arcknowledge

2. 配置端点 复制或更改 knowledge_document_sources.json。 有关当前支持的知识端点 API 模式的参考，请参见 sample_endpoint 文件夹。您可以根据需要更改代码以满足您的需求。

3. 连接到 MCP 服务器

   复制以下 JSON，并使用适当的 {{PATH}} 值：

    {
        "mcpServers": {
            "mcp-arcknowledge": {
                "command": "cmd /c uv",
                "args": [
                    "--directory",
                    "C:/Users/Acer/OneDrive/GitHub/YourDrive",
                    "run",
                    "main.py"
                ],
                "env": {
                    "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/GitHub/YourDrive/testcustomother.json"
                }
            }
        }
    }
   

对于 Claude，将其另存为 claude_desktop_config.json，并放置在 Claude 桌面配置目录中：

~/Library/Application Support/Claude/claude_desktop_config.json

对于 Cursor，将其另存为 mcp.json，并放置在 Cursor 配置目录中：

~/.cursor/mcp.json

对于 cline，将其另存为 cline_mcp_settings.json，并放置在您的配置中

4. 重启客户端：Claude Desktop / Cursor / Cline / Windsurf 打开并重启您的客户端 IDE 以使用 MCP。例如 Claude/Cursor/Cline/etc

Windows 兼容性

如果您在 Windows 上运行此项目，请注意 go-sqlite3 需要启用 CGO 才能正确编译和工作。 默认情况下，CGO 在 Windows 上被禁用，因此您需要显式启用它并安装 C 编译器。

使其工作的步骤：

1. 安装 C 编译器 我们建议使用 MSYS2 为 Windows 安装 C 编译器。 安装 MSYS2 后，请确保将 ucrt64\bin 文件夹添加到您的 PATH。 → 逐步指南可在此处获得 here。

2. 启用 CGO 并运行应用程序

   cd whatsapp-bridge
   go env -w CGO_ENABLED=1
   go run main.go
   

如果没有此设置，您可能会遇到如下错误：

Binary was compiled with 'CGO_ENABLED=0', go-sqlite3 requires cgo to work.

架构概述

此应用程序由简单的主要组件组成：

Python MCP 服务器 (main.py): 一个实现模型上下文协议 (MCP) 的 Python 服务器，该协议提供标准化的工具客户端来与数据交互并调用 API。

数据存储

• 所有存储都是运行时本地主 Python 服务器。

技术细节

1. 客户端向 Python MCP 服务器发送请求
2. MCP 服务器查找其运行时配置知识库。
3. 然后，根据您的查询，它调用您的知识库端点 API，

故障排除

• 如果您在运行 uv 时遇到权限问题，您可能需要将其添加到您的 PATH 或使用可执行文件的完整路径。
• 确保 Go 应用程序和 Python 服务器都在运行，以便集成正常工作。

启动服务器

1. 配置 在开发模式下运行服务器：

fastmcp dev main.py

或者安装它以与 Claude 一起使用：

fastmcp install main.py

可用工具

1. 默认从 knowledge_document_sources.json 加载知识列表

默认从配置加载知识源

knowledge_document_sources.json

您可以从 mcp.json 环境配置加载自定义知识

        "env": {
            "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/Somewhere/YourDrive/your-custom.json"
        }

2. 列出所有当前注册的知识源

显示并解释所有已注册知识源的列表。

例如。 显示我的 arcknowledge 列表

3. 添加新的知识文档源

添加新的 arcknowledge 端点 URL 文档源。 提供 URL、描述用途和 API 密钥（如果有）。

例如。 添加新的 arcknowledge 数据源。 端点是 http://something.com/api/123。
目的是处理有关 123 主题的问题。 API 密钥是 'sk-2123123'

4. 查询特定知识文档源

使用 query_knowledge_base 查询从这些源构建的 arcknowledge 库。

例如。 为我查询我的产品知识库。 问题是：哪个产品最贵？

例如。 为我查询我的业务 arcknowledge 库。 问题是：业务何时成立？

例如。 为我查询我所有的 arcknowledge 库。 问题是：业务何时成立？ 哪个产品最贵？

工具函数

1. add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str

   • 注册一个新的文档源 URL，可以选择提供描述和 API 密钥。
   • 返回：包含新源 ID 的确认消息。

2. list_knowledge_document_sources() -> Dict[str, Dict[str, str]]

   • 列出所有已注册的文档源。
   • 返回：将源 ID 映射到其详细信息（URL、描述、API 密钥）的字典。

3. query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str

   • 使用文本查询和可选图像数据查询指定的文档源（如果未指定，则查询所有文档源）。
   • 返回：来自查询源的聚合结果。

开发

关键文件项目结构

mcp-arcknowledge/
├── main.py          # 主要服务器实现
├── README.md           # 文档
├── requirements.txt    # 项目依赖项

Cursor AI MCP 配置

1. 在您的项目根目录中创建一个 mcp.json 文件：

{
    "name": "mcp-webhook-ai-agent",
    "version": "1.0.0",
    "description": "具有 RAG 功能的 Webhook AI 代理",
    "main": "main.py",
    "tools": [
        {
            "name": "set_document_source",
            "description": "注册一个新的文档源 URL 以进行 RAG 操作"
        },
        {
            "name": "list_document_sources",
            "description": "列出所有已注册的文档源"
        },
        {
            "name": "query_rag",
            "description": "使用 RAG 查询指定的文档源"
        },
        {
            "name": "process_post_query",
            "description": "处理带有查询有效负载的 POST 请求"
        }
    ],
    "dependencies": {
        "fastmcp": ">=0.4.0",
        "requests": ">=2.31.0",
        "pydantic": ">=2.0.0"
    }
}

2. 配置 Cursor AI：

   • 打开 Cursor AI 设置
   • 导航到 MCP 部分
   • 添加您的 mcp.json 文件的路径
   • 重启 Cursor AI 以应用更改

3. 验证配置：

# 检查 MCP 是否已正确配置
fastmcp check mcp.json

# 列出可用工具
fastmcp list

添加新功能

1. 在 main.py 中定义新模型
2. 使用 @mcp.tool() 装饰器添加新工具
3. 根据需要更新文档

许可证

MIT

贡献

1. Fork 仓库
2. 创建您的功能分支
3. 提交您的更改
4. 推送到分支
5. 创建一个新的 Pull Request