共享知识 MCP 服务器

各种 AI 助手（CLINE, Cursor, Windsurf, Claude Desktop）可以共同使用的知识库 MCP 服务器。 利用检索增强生成 (RAG)，实现高效的信息检索和利用。 通过在多个 AI 助手工具之间共享知识库，提供一致的信息访问。

特点

• 多个 AI 助手之间可以使用共同的知识库
• RAG 实现高精度信息检索
• TypeScript 实现的类型安全
• 支持多种向量存储（HNSWLib, Chroma, Pinecone, Milvus）
• 通过抽象接口实现可扩展性

安装

git clone https://github.com/yourusername/shared-knowledge-mcp.git
cd shared-knowledge-mcp
npm install

配置

MCP 服务器的配置添加到各个 AI 助手的配置文件中。

VSCode (用于 CLINE/Cursor)

~/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json:

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/rules",
        "OPENAI_API_KEY": "your-openai-api-key",
        "SIMILARITY_THRESHOLD": "0.7",
        "CHUNK_SIZE": "1000",
        "CHUNK_OVERLAP": "200",
        "VECTOR_STORE_TYPE": "hnswlib"
      }
    }
  }
}

使用 Pinecone 的示例

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/rules",
        "OPENAI_API_KEY": "your-openai-api-key",
        "VECTOR_STORE_TYPE": "pinecone",
        "VECTOR_STORE_CONFIG": "{\"apiKey\":\"your-pinecone-api-key\",\"environment\":\"your-environment\",\"index\":\"your-index-name\"}"
      }
    }
  }
}

Claude Desktop

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

使用 HNSWLib（默认）的示例

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/docs",
        "OPENAI_API_KEY": "your-openai-api-key",
        "SIMILARITY_THRESHOLD": "0.7",
        "CHUNK_SIZE": "1000",
        "CHUNK_OVERLAP": "200",
        "VECTOR_STORE_TYPE": "hnswlib",
        "VECTOR_STORE_CONFIG": "{}"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

使用 Weaviate 的示例

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/docs",
        "OPENAI_API_KEY": "your-openai-api-key",
        "SIMILARITY_THRESHOLD": "0.7",
        "CHUNK_SIZE": "1000",
        "CHUNK_OVERLAP": "200",
        "VECTOR_STORE_TYPE": "weaviate",
        "VECTOR_STORE_CONFIG": "{\"url\":\"http://localhost:8080\",\"className\":\"Document\",\"textKey\":\"content\"}"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

注意: 使用 Weaviate 时，需要事先启动 Weaviate 服务器。可以使用以下命令启动：

./start-weaviate.sh

开发

启动开发服务器

npm run dev

构建

npm run build

在生产环境中运行

npm start

可用工具

rag_search

从知识库中搜索信息。

搜索请求

interface SearchRequest {
  // 搜索查询（必需）
  query: string;
  
  // 返回结果的最大数量（默认: 5）
  limit?: number;
  
  // 搜索的上下文（可选）
  context?: string;
  
  // 过滤选项（可选）
  filter?: {
    // 按文档类型过滤（例如: ["markdown", "code"]）
    documentTypes?: string[];
    
    // 按源路径模式过滤（例如: "*.md"）
    sourcePattern?: string;
  };
  
  // 结果中包含的信息（可选）
  include?: {
    metadata?: boolean;   // 包含元数据
    summary?: boolean;    // 生成摘要
    keywords?: boolean;   // 提取关键词
    relevance?: boolean;  // 生成相关性说明
  };
}

使用示例

基本搜索：

const result = await callTool("rag_search", {
  query: "提交消息的格式",
  limit: 3
});

高级搜索：

const result = await callTool("rag_search", {
  query: "提交消息的格式",
  context: "正在调查 Git 的使用方法",
  filter: {
    documentTypes: ["markdown"],
    sourcePattern: "git-*.md"
  },
  include: {
    summary: true,
    keywords: true,
    relevance: true
  }
});

搜索结果

interface SearchResult {
  // 与搜索查询相关的文档内容
  content: string;
  
  // 相似度分数（0-1）
  score: number;
  
  // 源文件路径
  source: string;
  
  // 位置信息
  startLine?: number;     // 开始行
  endLine?: number;       // 结束行
  startColumn?: number;   // 开始列
  endColumn?: number;   // 结束列
  
  // 文档类型（例如: "markdown", "code", "text"）
  documentType?: string;
  
  // 附加信息（仅在 include 选项中指定时）
  summary?: string;       // 内容摘要
  keywords?: string[];    // 相关关键词
  relevance?: string;     // 相关性说明
  metadata?: Record<string, unknown>; // 元数据
}

响应示例

{
  "results": [
    {
      "content": "# 提交消息的格式\n\n请按照以下格式编写提交消息：\n\n```\n<type>(<scope>): <subject>\n\n<body>\n\n<footer>\n```\n\n...",
      "score": 0.92,
      "source": "/path/to/rules/git-conventions.md",
      "startLine": 1,
      "endLine": 10,
      "startColumn": 1,
      "endColumn": 35,
      "documentType": "markdown",
      "summary": "关于提交消息格式的说明文档",
      "keywords": ["commit", "message", "format", "type", "scope"],
      "relevance": "此文档包含与搜索查询 \"提交消息的格式\" 相关的信息。相似度分数: 0.92"
    }
  ]
}

通过这些扩展的搜索功能，LLM 可以更准确、更高效地处理信息。位置信息、文档类型、摘要、关键词等附加信息有助于 LLM 更深入地理解搜索结果并适当地利用它们。

机制

1. 启动时，读取指定目录中的 Markdown 文件（.md, .mdx）和文本文件（.txt）
2. 将文档分割成块，并使用 OpenAI API 将其向量化
3. 使用选择的向量存储（默认：HNSWLib）创建向量索引
4. 返回与搜索查询具有高相似度的文档

支持的向量存储

• HNSWLib: 存储在本地文件系统中的快速向量存储（默认）
• Chroma: 开源向量数据库
• Pinecone: 托管向量数据库服务（需要 API 密钥）
• Milvus: 大规模向量搜索引擎
• Weaviate: 模式优先的向量数据库（需要 Docker）

每个向量存储都通过抽象接口使用，可以根据需要轻松切换。

向量存储环境的操作方法

HNSWLib（默认）

HNSWLib 将向量存储保存在本地文件系统中，因此不需要特殊的环境设置。

重建向量存储：

./rebuild-vector-store-hnsw.sh

Weaviate

要使用 Weaviate，需要 Docker。

1. 启动 Weaviate 环境：

./start-weaviate.sh

2. 重建向量存储：

./rebuild-vector-store-weaviate.sh

3. 检查 Weaviate 的状态：

curl http://localhost:8080/v1/.well-known/ready

4. 停止 Weaviate 环境：

docker-compose down

5. 完全删除 Weaviate 的数据（仅在需要时）：

docker-compose down -v

Weaviate 的设置在 docker-compose.yml 文件中管理。默认情况下，应用以下设置：

• 端口：8080
• 身份验证：匿名访问已启用
• 向量化模块：无（使用外部嵌入）
• 数据存储：Docker 卷（weaviate_data）

配置选项

环境变量	说明	默认值
KNOWLEDGE_BASE_PATH	知识库的路径（必需）	-
OPENAI_API_KEY	OpenAI API 密钥（必需）	-
SIMILARITY_THRESHOLD	搜索时相似度分数的阈值（0-1）	0.7
CHUNK_SIZE	文本分割时的块大小	1000
CHUNK_OVERLAP	块的重叠大小	200
VECTOR_STORE_TYPE	使用的向量存储类型（"hnswlib", "chroma", "pinecone", "milvus", "weaviate"）	"hnswlib"
VECTOR_STORE_CONFIG	向量存储的配置（JSON 字符串）	{}

许可证

ISC

贡献

1. Fork
2. 创建特性分支 (git checkout -b feature/amazing-feature)
3. 提交更改 (git commit -m 'Add some amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 创建 Pull Request