麦克普知识库

Name: 麦克普知识库
Author: dragonjump

作者：dragonjump2 星标更新：2025-05-10

安装使用来源：spider==github.com

项目介绍

MCP ArcKnowledge

工作原理？

arc 知识图

这是一个用于自定义 webhook 端点（知识库）的模型上下文协议（MCP）服务器。

通过这个工具，你可以轻松管理和查询你的知识库列表（webhook 端点）。你可以通过注册它们的 URL 来添加新的文档来源，并可选地提供描述和 API 密钥。

你还可以列出所有已注册的文档来源并查看其详细信息。

当你准备提问或搜索时，可以通过文本问题查询知识库，指定要搜索的来源或留空以搜索所有来源。

该工具将聚合查询来源的结果并提供给你。

先决条件

Go
Python 3.6+
Anthropic Claude 桌面应用（或 Cursor 或 Cline）
UV（Python 包管理器），使用 curl -LsSf https://astral.sh/uv/install.sh | sh 安装

概念

想象一下能够建立一个统一的设置，在这里你可以连接所有自定义的知识库端点 webhook 到一个配置中，从而消除对多个 MCP 服务器的需求。

演示

arcknowledge 演示 cursor arcknowledge 演示 cline

参见 mcp cursor 视频

安装设置

通过 Smithery 安装

要通过 Smithery 自动安装 ArcKnowledge for Claude Desktop：

npx -y @smithery/cli install @dragonjump/mcp-ARCknowledge --client claude

克隆仓库

git clone https://github.com/dragonjump/mcp-arcknowledge
cd mcp-arcknowledge

配置端点 复制或修改 knowledge_document_sources.json。参考 sample_endpoint 文件夹中的当前知识端点 API 架构支持。你可以根据需要更改代码。

连接到 MCP 服务器

复制以下 JSON 并用适当的 {{PATH}} 值替换：

 {
     "mcpServers": {
         "mcp-arcknowledge": {
             "command": "cmd /c uv",
             "args": [
                 "--directory",
                 "C:/Users/Acer/OneDrive/GitHub/YourDrive",
                 "run",
                 "main.py"
             ],
             "env": {
                 "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/GitHub/YourDrive/testcustomother.json"
             }
         }
     }
 }

对于 Claude，将其保存为 claude_desktop_config.json 在你的 Claude Desktop 配置目录中：

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

对于 Cursor，将其保存为 mcp.json 在你的 Cursor 配置目录中：

~/.cursor/mcp.json

对于 cline，将其保存为 cline_mcp_settings.json 在你的配置中

重启客户端：Claude Desktop / Cursor / Cline / Windsurf 打开并重启你的 MCP 客户端 IDE，例如 Claude/Cursor/Cline 等。

Windows 兼容性

如果你在 Windows 上运行此项目，请注意 go-sqlite3 需要启用 CGO 才能编译和正常工作。默认情况下，Windows 上 CGO 是禁用的，因此你需要显式启用它并安装 C 编译器。

步骤使其工作：

安装 C 编译器 我们推荐使用 MSYS2 在 Windows 上安装 C 编译器。安装 MSYS2 后，请确保将 ucrt64\bin 文件夹添加到你的 PATH 中。 → 详细的步骤指南可以在这里找到：这里。

架构概述

此应用程序由简单的主组件组成：

Python MCP 服务器 (main.py)：一个实现模型上下文协议（MCP）的 Python 服务器，提供标准化的客户端工具来与数据交互并调用 API 调用。

数据存储

所有存储都是运行时本地主 Python 服务器。

技术细节

客户端向 Python MCP 服务器发送请求。
MCP 服务器查找其运行时配置的知识库。
根据你的查询，它调用你的知识库端点 API。

故障排除

如果你在运行 uv 时遇到权限问题，可能需要将其添加到你的 PATH 中或使用可执行文件的完整路径。
确保 Go 应用程序和 Python 服务器都在运行以便正确集成。

启动服务器

配置运行服务器在开发模式下：

fastmcp dev main.py

或者安装用于与 Claude 使用：

fastmcp install main.py

可用工具

1. 默认加载来自 `knowledge_document_sources.json` 的知识列表

默认从配置加载知识源

knowledge_document_sources.json

你可以从 mcp.json 环境配置加载自定义知识

        "env": {
            "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/Somewhere/YourDrive/your-custom.json"
        }

2. 列出所有当前注册的知识源

显示并解释所有已注册的知识源列表。

例如：显示我的 arcknowledge 列表

3. 添加新知识文档来源

添加新的 arcknowledge 端点 URL 文档来源。提供 URL、描述目的和 API 密钥（如果有）

例如：添加新的 arcknowledge 数据源。端点是 http://something.com/api/123。
目的是处理关于 123 主题的问题。API 密钥是 'sk-2123123'

4. 查询特定知识文档来源

使用 query_knowledge_base 查询这些来源构建的 arcknowledge 基础。

例如：为我查询我的产品知识库。问题是：哪个是最贵的产品？

例如：为我查询我的业务 arcknowledge 基础。问题是：业务是什么时候成立的？

例如：为我查询所有我的 arcknowledge 基础。问题是：业务是什么时候成立的？哪个是最贵的产品？

工具函数

add_new_knowledge_document_source(url: str, description: str = None, apikey: str = None) -> str
- 注册一个新的文档来源 URL，可选地带有描述和 API 密钥。
- 返回：包含新来源 ID 的确认消息。
list_knowledge_document_sources() -> Dict[str, Dict[str, str]]
- 列出所有已注册的文档来源。
- 返回：映射来源 ID 到其详细信息（URL、描述、API 密钥）的字典。
query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str
- 查询指定的文档来源（如果没有指定则查询所有）使用文本查询和可选的图像数据。
- 返回：查询来源的聚合结果。

开发

关键文件项目结构

mcp-arcknowledge/
├── main.py          # 主服务器实现
├── README.md           # 文档
├── requirements.txt    # 项目依赖

Cursor AI MCP 配置

在项目根目录创建一个 mcp.json 文件：

{
    "name": "mcp-webhook-ai-agent",
    "version": "1.0.0",
    "description": "具有 RAG 功能的 webhook AI 代理",
    "main": "main.py",
    "tools": [
        {
            "name": "set_document_source",
            "description": "为 RAG 操作注册新的文档来源 URL"
        },
        {
            "name": "list_document_sources",
            "description": "列出所有已注册的文档来源"
        },
        {
            "name": "query_rag",
            "description": "使用 RAG 查询指定的文档来源"
        },
        {
            "name": "process_post_query",
            "description": "处理带有查询负载的 POST 请求"
        }
    ],
    "dependencies": {
        "fastmcp": ">=0.4.0",
        "requests": ">=2.31.0",
        "pydantic": ">=2.0.0"
    }
}

配置 Cursor AI：
- 打开 Cursor AI 设置
- 导航到 MCP 部分
- 添加 mcp.json 文件的路径
- 重启 Cursor AI 应用程序以应用更改
验证配置：

# 检查 MCP 是否正确配置
fastmcp check mcp.json

# 列出可用工具
fastmcp list

添加新功能

在 main.py 中定义新的模型
使用 @mcp.tool() 装饰器添加新的工具
如有必要更新文档

许可证

MIT

贡献

分叉仓库
创建你的功能分支
提交更改
推送到分支
创建新的拉取请求