🚀 MCP 测试服务器

本项目是一个使用 Model Context Protocol (MCP) 的 Python 服务器，旨在构建一个基于 OpenAI 向量存储功能的检索增强生成（RAG）系统，为用户提供高效的信息检索和处理能力。

✨ 主要特性

此 MCP 服务器具备以下实用功能：

1. 向量数据库创建：能够从指定目录中的各类文件（如文本、PDF、DOCX 和 Markdown 文件）构建 OpenAI 向量存储，方便用户对不同格式的文档进行统一管理和处理。
2. 向量数据库搜索：可对已构建的向量数据库执行查询操作，精准获取相关性高的信息，满足用户的信息检索需求。

📦 安装指南

1. 初始化项目并创建虚拟环境

# 初始化项目
uv init mcp-test-server
cd mcp-test-server

# 创建并激活虚拟环境
uv venv .venv
source .venv/bin/activate

2. 安装必要的包

# 安装所需包
uv sync

3. 设置环境变量

创建 .env 文件并添加 OpenAI API 密钥：

OPENAI_API_KEY="your-api-key"

💻 使用示例

MCP 服务器测试（可选）

使用 MCP Inspector 进行测试

启动 MCP Inspector 来验证服务器功能：

# 启动 MCP Inspector
npx @modelcontextprotocol/inspector uv run server.py

在 MCP Inspector 中的操作步骤如下：

1. 左侧窗格中选择"Connect"。
2. 中间标签页选择"Tools"。
3. 执行"List Tools"。
4. 选择要验证的工具。
5. 在右侧窗格中设置参数后执行"Run Tool"。
6. 应答内容会在 Result 区域显示（由于 unicode 转义，需适当解码查看）。
7. 完成后，在 CLI 中终止 Inspector 的运行以释放端口。

与 Claude 应用程序集成

在 Claude 桌面应用的配置文件中添加以下设置：

"test_calc": {
  "command": "uv",
  "args": [
      "--directory",
      "/abs/path/to/your/mcp-test-server",
      "run",
      "server.py"
  ]
}

将 /abs/path/to/your/mcp-test-server 替换为实际项目路径。添加配置后，重新启动 Claude 应用程序即可使用 MCP 服务器功能。

提供的工具

1. create_vector_db_from_directory

从指定目录中的文件创建向量数据库。 参数：

• directory_path：需要处理文件的目录路径（必填）。
• vector_store_name：向量存储名称（默认值："local_knowledge"）。
• file_patterns：处理文件的模式（默认值：["*.txt", "*.pdf", "*.docx", "*.md"]）。 返回值：处理结果信息（状态、消息、统计信息等）。

2. query_vector_db

对已构建的向量数据库进行搜索，获取相关结果。 参数：

• query：搜索查询（必填）。
• vector_store_name：要查询的向量存储名称（默认值："local_knowledge"）。 返回值：包含查询结果的相关文档列表。

🔧 技术细节

系统要求

• Python 3.11 或更高版本。
• OpenAI API 密钥。