Contextual MCP Server

🚀 上下文MCP服务器

这是一个模型上下文协议（MCP）服务器，借助上下文AI提供检索增强生成（RAG）功能。该服务器可与多种MCP客户端集成。在本README中，我们将展示如何与Cursor IDE和Claude Desktop进行集成。

🚀 快速开始

此MCP服务器充当AI接口（Cursor IDE或Claude Desktop）与特定上下文AI代理之间的桥梁，具备以下功能：

1. 查询处理：将特定领域的问题直接发送给专门的上下文AI代理。
2. 智能检索：在知识库的全面信息中进行搜索。
3. 上下文感知响应：生成的答案具备以下特点：
   • 基于源文档。
   • 包含引用和归因。
   • 保持对话上下文。

集成流程

Cursor/Claude Desktop → MCP Server → 上下文AI RAG代理
        ↑                  ↓             ↓                         
        └──────────────────┴─────────────┴─────────────── 带引用的响应

✨ 主要特性

• 准确响应：所有答案均基于文档。
• 来源归因：每个响应都包含源文档的引用。
• 上下文感知：系统会保持对话上下文，便于后续提问。
• 实时更新：响应能反映数据存储中的最新文档。

📦 安装指南

前提条件

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

安装步骤

1. 克隆仓库：

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 .

📚 详细文档

配置MCP服务器

服务器需要修改设置才能使用。例如，单用途服务器应使用适合RAG代理的文档字符串进行定制。

查询工具的文档字符串非常关键，因为它有助于MCP客户端了解何时将问题路由到RAG代理。请使其特定于你的知识领域。以下是示例：

专注于美国最大公司财务数据的研究工具

或者

专注于奥马哈半导体技术文档的研究工具

服务器还需要RAG代理的以下设置：

• API_KEY：你的上下文AI API密钥
• AGENT_ID：你的上下文AI代理ID

如果你想将这些文件存储在 .env 文件中，可以这样指定：

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

AI接口集成

此MCP服务器可与多种客户端集成。要与Cursor IDE或Claude Desktop一起使用，请在适当位置创建或修改MCP配置文件：

1. 首先，找到 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", # 确保设置正确
     "args": [
       "--directory",
       "\${workspaceFolder}",  # 将替换为你的项目路径
       "run",
       "multi-agent/server.py"
     ]
   }
 }
}
EOF

3. 移动到正确的文件夹位置，以下是可选方案：

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Claude Desktop的适当配置目录中使用相同的配置文件格式

环境设置

本项目使用 uv 进行依赖管理，它能提供更快、更可靠的Python包安装。

💻 使用示例

基础用法

服务器使用Python SDK提供上下文AI RAG功能，MCP客户端（如Cursor IDE和Claude Desktop）可以使用各种命令访问这些功能。当前服务器主要使用上下文AI Python SDK的查询命令，不过你可以扩展它以支持其他功能，如列出所有代理、更新检索设置、更新提示、提取检索结果或下载指标。

# 在Cursor中，你可以这样提问：
"给我展示初始化RF345微芯片的代码？"

# MCP客户端将：
1. 确定是否应将此问题路由到MCP服务器

# 然后MCP服务器将：
1. 将查询路由到上下文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

🔧 技术细节

修改服务器

要添加新功能：

1. 通过创建用 @mcp.tool() 装饰的额外函数来添加新工具。
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描述工具的功能。

示例：

@mcp.tool()
def new_tool(param: str) -> str:
   """描述工具的功能"""
   # 实现代码
   return result

📄 许可证

文档中未提及许可证相关信息。

⚠️ 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。
• 工具响应受上下文AI API限制和配额的约束。
• 目前仅支持标准输入输出传输模式。

如需了解上下文AI的所有功能，请查看官方文档。