📚 MCP 文档搜索服务器

一个轻量级的 MCP 服务器，它结合了网络搜索和内容解析，从流行的 AI 库（如 LangChain、LlamaIndex 和 OpenAI）中搜索并检索相关的文档内容。

该项目允许语言模型动态地查询和获取最新的文档内容，充当 LLM 和外部文档源之间的桥梁。

模型上下文协议 (MCP)

模型上下文协议是一个开放标准，使开发人员能够在他们的数据源和 AI 驱动的工具之间建立安全的双向连接。该架构非常简单：开发人员可以通过 MCP 服务器公开他们的数据，或者构建连接到这些服务器的 AI 应用程序（MCP 客户端）。

孤立的 LLM

单独的 LLM 是有限的 —— 只有通过 MCP 等框架与工具和服务集成，才能释放它们的真正潜力。

1. 没有工具的 LLM 是静态的，效用有限。

2. 有了工具，它们变得具有交互性，但编排可能很混乱。

3. 通过 MCP，LLM 获得了一个可扩展的、即插即用的接口，可以连接到真实世界的服务，使其在生产环境中更加实用和强大。

MCP 生态系统

MCP 服务器充当 LLM 和服务之间的翻译器/接口。

MCP（模块化能力提供者）标准化了 LLM 与外部工具/服务交互的方式 —— 从而促进了互操作性、模块化和更清晰的接口。

这种结构分散了责任：

1. 工具提供商构建和维护他们自己的 MCP 服务器实现。

2. LLM 只需要使用 MCP 协议。

目的和愿景：

• 标准化 LLM 和外部工具之间的通信

• 避免定制集成

• 鼓励可扩展的服务生态系统（如插件架构）

🚀 功能

🔍 网络搜索集成 使用 Serper API 查询 Google 并检索与给定搜索查询相关的热门文档页面。

🧹 清理内容提取 使用 BeautifulSoup 解析 HTML 内容，提取干净、易于阅读的文本 —— 去除不必要的标签、广告或导航内容。

🤖 无缝 LLM 工具 公开了一个结构化的 get_docs 工具，该工具可以在 LLM 代理（例如 Claude、GPT）中使用，以实时查询特定库。

🛠️工具

get_docs(query: str, library: str)

这是 MCP 服务器提供的核心工具。 它接受：

query: 搜索词或短语。

library: langchain、llama-index 或 openai 之一。

工作流程

1. 🔍 搜索相关的文档页面
2. 📄 获取并解析干净的文本内容
3. 🧠 将结果发送回 LLM 以进行进一步的推理和响应

📦 设置

1. 克隆存储库

git clone https://github.com/your-username/mcp-docs-search.git
cd mcp-docs-search

2. 使用 uv 创建一个虚拟环境并激活它

uv venv .venv

.\.venv\Scripts\activate

3. 安装依赖项

uv add "mcp[cli]" httpx
uv pip install beautifulsoup4

4. 设置您的环境变量。创建一个 .env 文件并添加您的 Serper API 密钥：

SERPER_API_KEY=your_serper_api_key

🧩 Claude Desktop 集成

要将此服务器作为工具集成到 Claude Desktop 中：

打开 Claude Desktop → 文件 > 设置 > 开发者 > 编辑配置。

更新您的 claude_desktop_config.json 以包含以下内容：

{
    "mcpServers": {
        "documnetation": {
            "command": "uv",
            "args": [
                "--directory",
                "your_reository_where_the_repo_exists",
                "run",
                "main.py"
            ]

        }
    }
}

🔁 重要提示：保存配置后重启 Claude Desktop 以加载新配置

成功集成后，您将在 Claude UI 中看到您的自定义 MCP 工具：

使用它来实时查询文档：

🪲 实时调试

也可以使用以下命令调试我们创建的工具。

记住要安装 NodeJs18+

npx @modelcontextprotocol/inspector uv run main.py

并按照提示连接到设置的端口。

🧰 支持的库/文档

可以通过更新 docs_urls 字典轻松添加更多库。

🧠 未来增强

• ✅ 增加对其他库的支持，如 HuggingFace、PyTorch、TensorFlow 等。

• ⚡ 实施缓存以减少冗余获取并提高性能。

• 📈 引入基于相关性或令牌质量的评分/排名机制。

• 🧪 单元测试和更好的异常处理，以实现生产就绪。