Contextual MCP Server

🚀 上下文MCP服务器

上下文MCP服务器是一个具备检索增强生成（RAG）功能的Model Context Protocol（MCP）服务器，它借助Contextual AI，可与多种MCP客户端集成。本说明文档将重点展示其与Cursor IDE和Claude Desktop的集成应用。

🚀 快速开始

此MCP服务器在AI接口（如Cursor IDE或Claude Desktop）与专门的Contextual AI代理之间搭建了一座桥梁，实现了以下核心功能：

1. 查询处理：将您的领域特定问题精准发送到专用的Contextual AI代理。
2. 智能检索：依托全面的信息在知识库中开展搜索。
3. 上下文感知响应：生成的回答基于源文档，包含引用和归因信息，并能维持对话上下文。

集成流程

Cursor/Claude Desktop → MCP Server → Contextual AI RAG Agent
        ↑                  ↓             ↓                         
        └──────────────────┴─────────────┴───────────────带引用的响应

✨ 主要特性

• 多客户端集成：可与多种MCP客户端集成，如Cursor IDE和Claude Desktop。
• RAG功能：实现检索增强生成，提供更精准的回答。
• 上下文感知：生成的回答基于源文档，包含引用和归因信息，并维持对话上下文。

📦 安装指南

先决条件

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

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  # Windows上使用`.venv\Scripts\activate`

3. 安装依赖项：

pip install -r requirements.txt

📚 详细文档

配置

要修改服务器设置，可按以下步骤操作：

1. 在config.py中添加或修改以下内容：

   # 示例配置
   API_KEY = "your_api_key"
   AGENT_ID = "your_agent_id"
   

2. 使用.env文件存储API密钥和AGENT_ID：

   export API_KEY=your_api_key
   export AGENT_ID=your_agent_id
   

AI接口集成

要为Cursor IDE或Claude Desktop配置服务器，可按以下步骤操作：

1. 找到uv路径：

which uv  # 或者 locate uv

2. 创建并编辑config.json文件，添加以下内容：

   {
     "server": {
       "host": "localhost",
       "port": 8000
     },
     "tools": {
       "tool1": {
         "command": "python tool.py"
       }
     }
   }
   

环境设置

使用uv进行依赖管理：

uv init --python
uv run myapp

💻 使用示例

基础用法

在Cursor中提问示例：

# 示例问题
server.get_current_time()

服务器处理流程

1. 收到查询请求
2. 解析并执行工具函数
3. 返回结果

🔧 技术细节

修改服务器

要添加新功能，可按以下步骤操作：

1. 添加新工具，通过创建额外函数并使用@mcp.tool()装饰器：

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

📄 许可证

文档中未提及许可证相关信息。

⚠️ 限制说明

• 服务器在本地运行，可能无法在远程开发环境中使用。
• 工具响应受Contextual AI API限制和配额影响。
• 当前仅支持stdio传输模式。

有关Contextual AI的所有功能，请参考官方文档。