MCP 文档搜索服务器

一个轻量级的MCP服务器，它使用网络搜索和内容解析相结合的方法，从LangChain、LlamaIndex和OpenAI等流行的AI库中搜索并检索相关文档内容。

该项目允许语言模型动态查询和获取最新的文档内容，充当了语言模型与外部文档源之间的桥梁。

模型上下文协议（MCP）

模型上下文协议是一个开放标准，使开发者能够在其数据源和AI驱动工具之间建立安全的双向连接。架构非常简单：开发者可以将自己的数据通过MCP服务器公开，或者构建连接到这些服务器的AI应用程序（MCP客户端）。

孤立的LLMs

单独的LLMs是有限的——当它们通过MCP这样的框架与工具和服务集成时，其真正的潜力才会被释放。

1. 没有工具的LLMs是静态的，具有有限的实用性。
2. 使用工具后，它们变得交互式，但编排可能会很混乱。
3. 使用MCP，LLMs获得了一个可扩展的、即插即用接口，用于现实世界的服务，在生产环境中使其更加实用和强大。

MCP生态系统

MCP服务器作为LLMs和服务之间的翻译器/接口。

MCP（模块化能力提供者）标准化了LLMs如何与外部工具/服务交互——促进互操作性、模块性和更干净的接口。

这种结构分散了责任：

1. 工具提供商构建并维护自己的MCP服务器实现。
2. LLMs只需要遵循MCP协议。

目的和愿景：

• 标准化LLMs与外部工具之间的通信
• 避免定制集成
• 鼓励一个可扩展的服务生态系统（如插件架构）

特性

网络搜索集成

使用Serper API查询Google，并检索与给定搜索查询相关的顶级文档页面。

干净的内容提取

使用BeautifulSoup解析HTML内容，以提取干净的人类可读文本，去除不必要的标签、广告或导航内容。

无缝的LLM工具

暴露一个结构化的get_docs工具，可以在LLM代理（例如Claude、GPT）中使用，实时查询特定库。

工具

get_docs(query: str, library: str)

这是MCP服务器提供的核心工具。 它接受：

query: 搜索词或短语。

library: 其中之一为langchain、llama-index或openai。

工作流程

1. 搜索相关的文档页面
2. 获取并解析干净的文本内容
3. 将结果发送回LLM进行进一步推理和响应

设置

1. 克隆仓库

git clone https://github.com/your-username/mcp-docs-search.git
cd mcp-docs-search

2. 使用uv创建虚拟环境并激活它

uv venv .venv

.\.venv\Scripts\activate

3. 安装依赖项

uv add "mcp[cli]" httpx
uv pip install beautifulsoup4

4. 设置环境变量 创建一个.env文件并添加您的Serper API密钥：

SERPER_API_KEY=your_serper_api_key

Claude Desktop集成

要将此服务器作为工具集成到Claude Desktop中：

打开Claude Desktop → 文件 > 设置 > 开发者 > 编辑配置。

更新您的claude_desktop_config.json以包含以下内容：

{
    "mcpServers": {
        "documnetation": {
            "command": "uv",
            "args": [
                "--directory",
                "your_reository_where_the_repo_exists",
                "run",
                "main.py"
            ]
        }
    }
}

🔁 重要提示：保存配置后重启Claude Desktop以加载新工具。

成功集成后，您将在Claude UI中看到自定义的MCP工具：

使用它来实时查询文档：

实时调试

也可以使用以下命令调试我们创建的工具。

记得安装NodeJs18+

npx @modelcontextprotocol/inspector uv run main.py

并跟随设置连接的端口。

支持的库/文档

可以通过更新docs_urls字典轻松添加更多库。

未来改进

• 增加对HuggingFace、PyTorch、TensorFlow等其他库的支持。
• 实现缓存以减少冗余获取并提高性能。
• 引入基于相关性或令牌质量的评分/排名机制。
• 单元测试和更好的异常处理以准备生产环境。