代理型-MCP

Name: 代理型-MCP
Author: aegntic

作者：aegntic5 星标更新：2025-10-27

安装使用来源：spider==github.com

项目介绍

Obsidian Elite RAG MCP 服务器

一个精英检索增强生成（RAG）系统，将 Obsidian 保险库转换为与高级 Graphiti 知识图谱集成的人工智能配对认知工作流引擎。

🌟 功能

🧠 多层 RAG 架构

L1：语义上下文（30% 权重）- 使用 OpenAI 嵌入进行向量相似性搜索
L2：知识图谱（25% 权重）- Graphiti 驱动的实体和关系检索
L3：图遍历（15% 权重）- 基于 NetworkX 的链接遍历
L4：时间上下文（15% 权重）- 时间相关性和新鲜度
L5：领域专业化（15% 权重）- 上下文感知检索
L6：元知识（剩余权重）- 关于知识的知识

🔗 高级知识图谱

27+ 实体类型：概念、人物、组织、技术、方法论、框架、算法等。
40+ 关系类型：实现、使用、依赖于、扩展、基于、类似于、集成等。
双图架构：Neo4j（结构化）+ NetworkX（非结构化备份）
自动实体提取：模式匹配和基于 NLP 的实体识别
关系检测：置信评分和验证

🚀 MCP 服务器集成

Claude Code 兼容：完整的模型上下文协议服务器实现
工具 API：摄取、查询、搜索知识图谱、获取实体上下文
实时状态：系统健康监控和数据库连接检查
异步处理：高性能并发操作

📋 要求

Python 3.9+
Docker 和 Docker Compose
OpenAI API 密钥
Obsidian 保险库（可选但推荐）
Neo4j 数据库（由设置脚本处理）
Qdrant 向量数据库（由设置脚本处理）

🛠️ 安装

方案 1：从 PyPI 安装（推荐）

pip install obsidian-elite-rag-mcp

方案 2：从源代码安装

git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag
pip install -e .

🚀 快速开始

1. 系统设置

# 初始化系统
obsidian-elite-rag-cli setup

# 启动两个数据库（Qdrant + Neo4j）
obsidian-elite-rag-cli start-databases

# 或者手动启动 Docker
docker run -d --name qdrant -p 6333:6333 -v $(pwd)/data/qdrant:/qdrant/storage qdrant/qdrant:latest
docker run -d --name neo4j -p  7474:7474 -p 7687:7687 -v $(pwd)/data/neo4j:/data \
  --env NEO4J_AUTH=neo4j/password --env NEO4J_PLUGINS='["apoc","graph-data-science"]' \
  neo4j:5.14

2. 摄取您的 Obsidian 保险库

# 摄取所有 Markdown 文件
obsidian-elite-rag-cli ingest /path/to/your/obsidian/vault

# 检查系统状态
obsidian-elite-rag-cli status /path/to/your/obsidian/vault

3. 启动 MCP 服务器

# 启动 MCP 服务器以集成 Claude Code
obsidian-elite-rag-cli server

4. 配置 Claude Code

添加到您的 Claude Code 配置文件 (~/.config/claude-code/config.json)：

{
  "mcpServers": {
    "obsidian-elite-rag": {
      "command": "obsidian-elite-rag-cli",
      "args": ["server"],
      "env": {
        "OPENAI_API_KEY": "your-openai-api-key"
      }
    }
  }
}

📖 使用示例

CLI 使用

# 查询 RAG 系统
obsidian-elite-rag-cli query "RAG 系统如何工作？" /path/to/vault

# 在知识图谱中搜索实体
obsidian-elite-rag-cli graph /path/to/vault --entity-query "机器学习"

# 技术查询
obsidian-elite-rag-cli query "JWT 认证模式" /path/to/vault --query-type technical

# 研究查询
obsidian-elite-rag-cli query "LLMs 最新发展" /path/to/vault --query-type research

MCP 服务器工具（Claude Code）

当连接到 Claude Code 时，您将可以访问这些工具：

ingest_vault - 摄取 Obsidian 保险库中的 Markdown 文件
query_rag - 使用多层检索查询精英 RAG 系统
search_knowledge_graph - 搜索 Graphiti 知识图谱中的实体
get_entity_context - 获取特定实体的丰富上下文
get_related_entities - 获取通过关系关联的实体
get_system_status - 获取系统状态和数据库连接

在 Claude Code 中的示例：

@obsidian-elite-rag 请摄取我在 /Users/me/Documents/Obsidian 的保险库
@obsidian-elite-rag 查询 "机器学习的关键概念是什么？" 保险库路径 /Users/me/Documents/Obsidian
@obsidian-elite-rag search_knowledge_graph 搜索 "神经网络" 在保险库 /Users/me/Documents/Obsidian

🏗️ 架构

系统组件

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Obsidian      │    │   Claude Code   │    │   MCP Protocol  │
│     保险库      │◄──►│   集成          │◄──►│     服务器      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                    精英 RAG 系统                              │
├─────────────────┬─────────────────┬─────────────────────────────┤
│   语义         │  知识         │     时间和领域       │
│   搜索         │     图谱      │      专业化         │
│   (Qdrant)     │   (Neo4j)     │                      │
└─────────────────┴─────────────────┴─────────────────────────────┘

知识图谱实体类型

核心：概念、人物、组织、事件、地点
技术：技术、算法、框架、系统、应用
过程：方法论、工作流程、过程、模式
实施：工具、库、数据库、API、协议
文档：标准、规范、原则、理论、模型
架构：设计、实施、项目、研究

知识图谱关系类型

结构性：部分、实现、扩展、基于、依赖
语义：类似、对比、相关、例子
功能性：使用、使能、需要、支持、改进
认知：定义、描述、解释、演示、教学
开发：构建、应用、引用、引用、测试
操作：管理、监控、部署、配置、维护

📊 性能特征

检索速度：<100ms 对于内容丰富的查询
知识覆盖率：95%+ 回忆率针对领域特定查询
实体识别：90%+ 准确率针对概念、人物、组织
关系提取：85%+ 准确率针对语义关系
图遍历：<50ms 对于实体关系查询至深度 4
自动化覆盖：80%+ 常规知识任务自动化

🔧 配置

环境变量

# 必需
OPENAI_API_KEY=your-openai-api-key

# 可选（由设置脚本自动配置）
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password
QDRANT_HOST=localhost
QDRANT_PORT=6333

配置文件

系统使用 config/automation-config.yaml 进行详细配置：

knowledge_graph:
  enabled: true
  provider: graphiti
  graphiti:
    neo4j_uri: bolt://localhost:7687
    neo4j_user: neo4j
    neo4j_password: "password"

rag_system:
  layers:
    semantic:
      weight: 0.3
      similarity_threshold: 0.7
    knowledge_graph:
      weight: 0.25
      max_depth: 4
    # ... 其他层

📁 保险库结构

该系统最适合以下 Obsidian 保险库结构：

00-Core/           # 🧠 基础知识
01-Projects/       # 🚀 活动工作
02-Research/       # 🔬 学习区域
03-Workflows/      # ⚙️ 可重复使用的流程
04-AI-Paired/      # 🤖 Claude 交互
05-Resources/      # 📚 外部参考
06-Meta/           # 📊 系统知识
07-Archive/        # 📦 历史数据
08-Templates/      # 📋 笔记结构
09-Links/          # 🔗 外部连接

🤝 贡献

我们欢迎贡献！请参阅我们的贡献指南了解详情。

开发设置

# 克隆仓库
git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag

# 以开发模式安装
pip install -e ".[dev]"

# 运行测试
pytest

# 运行带有覆盖率的测试
pytest --cov=obsidian_elite_rag

# 代码格式化
black src/
mypy src/

📄 许可证

此项目根据 MIT 许可证发布 - 详情见 LICENSE 文件。

🙏 归属

创建者：Mattae Cooper
邮箱：research@aegntic.ai
组织：Aegntic AI (https://aegntic.ai)

此项目代表了人工智能驱动的知识管理和检索增强生成系统的先进研究。Graphiti 知识图谱与多层 RAG 架构的集成代表了 AI 系统如何与个人知识库互动和推理的重要进步。

📞 支持

文档：项目维基
问题：GitHub 问题
讨论：GitHub 讨论
邮件：research@aegntic.ai

🔗 相关项目

Graphiti - 用于 LLM 的知识图谱构建
Qdrant - 向量相似性搜索引擎
Neo4j - 图数据库
LangChain - LLM 应用框架
Model Context Protocol - AI 工具集成的标准

由 Aegntic AI 制作 ❤️
推动人工智能驱动的知识管理的未来