Shared Knowledge RAG

Shared Knowledge MCP Server是一个为多种AI助手提供统一知识库服务的中间件，通过RAG技术实现高效信息检索与共享。

知识管理与记忆开发者工具 #知识共享 #RAG检索 #AI中间件 #向量存储 .JavaScript

评分 : 2.5分

下载量 : 5.8K

更新时间 : 2025-04-28

打开站点

什么是Shared Knowledge MCP服务器？

Shared Knowledge MCP服务器是一个用于管理和共享知识库的工具，它通过Retrieval Augmented Generation (RAG)技术实现高效的文档搜索和分析。无论您使用哪个AI助手，都可以访问统一的知识库。

如何使用Shared Knowledge MCP服务器？

只需几步即可开始使用：安装服务器、配置环境变量并启动服务。之后，您可以轻松地在任何支持的AI助手内查询所需的信息。

适用场景

适用于需要跨平台协作的企业团队、开发者社区以及希望整合多源信息的个人用户。

主要功能

多AI助手兼容性

支持多种流行的AI助手如CLINE、Cursor、Claude Desktop等。

高性能检索

基于RAG技术，快速找到最相关的文档片段。

可扩展的存储引擎

支持多种矢量数据库（如HNSWLib、Chroma、Pinecone等），满足不同需求。

优势

统一的知识库管理减少重复工作

支持强大的检索算法提升效率

局限性

初次部署时可能需要较高的计算资源

某些高级功能依赖于第三方服务（如Pinecone）

如何使用

克隆仓库

使用Git克隆Shared Knowledge MCP服务器代码到本地。

安装依赖

进入项目目录后运行npm安装依赖项。

配置环境变量

设置必要的环境变量如OPENAI_API_KEY和KNOWLEDGE_BASE_PATH。

启动服务器

使用npm命令启动MCP服务器。

使用案例

查找项目贡献指南

当新成员想要了解如何参与项目开发时，可以查询贡献指南。

解决技术问题

遇到技术难题时，可以通过关键词搜索历史解决方案。

常见问题

如何更改默认的矢量存储类型？

如果找不到相关文档怎么办？

安装

复制以下命令到你的Client进行配置

{
  "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"
      }
    }
  }
}

{
  "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\"}"
      }
    }
  }
}

{
  "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": []
    }
  }
}

{
  "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：您的密钥属于敏感信息，请勿与任何人分享。

🚀 共享知识库

本项目通过整合大型语言模型（LLM）与本地知识库，实现更智能的信息检索与处理。它能自动加载指定文件并分块，将文本转换为向量存储，还能基于向量相似度快速定位相关文档片段，极大提升信息检索效率。

🚀 快速开始

HNSWLib（默认）

无需额外环境准备，直接运行：

./rebuild-vector-store-hnsw.sh

Weaviate

启动Docker容器：

./start-weaviate.sh

重建向量存储：

./rebuild-vector-store-weaviate.sh

查看服务状态：

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

停止服务：

docker-compose down

✨ 主要特性

核心功能

知识库构建：自动从指定目录加载Markdown文件（.md, .mdx）和文本文件（.txt），并将其内容进行分块处理。
向量化存储：利用OpenAI API将文本数据转换为高维向量，并支持多种向量存储方案。
智能检索：通过向量相似度计算，快速定位与查询问题最相关的文档片段。

检索增强功能

系统提供丰富的结果信息，包括但不限于：

位置标记：精确到段落级别的内容定位。
文档类型：支持Markdown、文本文件等多种格式识别。
内容摘要：自动生成简洁的内容概览。
关键词提取：智能抽取核心主题词汇。

示例输出格式如下：

{
  "hits": [
    {
      "id": "chunk_123",
      "score": 0.95,
      "content": "这是一段示例文本内容...",
      "position": [42, 56],
      "document_type": "Markdown",
      "summary": "这段文字主要讲述了...",
      "keywords": ["关键词1", "关键词2"]
    }
  ]
}

这些扩展信息极大提升了LLM对检索结果的理解与利用效率。

📦 安装指南

通过以下环境变量进行系统配置：

变量名	描述	默认值
KNOWLEDGE_BASE_PATH	指定知识库根目录	必填
OPENAI_API_KEY	OpenAI API认证密钥	必填
SIMILARITY_THRESHOLD	检索相似度阈值（0 - 1）	0.7
CHUNK_SIZE	分块大小	1000
CHUNK_OVERLAP	块间重叠字数	200
VECTOR_STORE_TYPE	存储引擎类型	hnswlib
VECTOR_STORE_CONFIG	存储器配置参数	{}