Typesense MCP Server

🚀 Tacitbase MCP サーバー

このサーバーは、Tacitbase 用の高度な検索機能を提供するマシン理解プロトコル (MCP) サーバーです。Tacitbase のネイティブ検索と Typesense の拡張検索機能をサポートしています。

📁 プロジェクト構造

このプロジェクトは、クリーンでモジュール化されたアーキテクチャを採用しています。

.
├── モデル/      # データ構造と型
├── サービス/    # ビジネスロジックと外部サービスとのやり取り
├── ハンドラー/   # リクエストハンドラーとルーティングロジック
├── ツール/     # ツールの登録と設定
├── main.go      # アプリケーションのエントリーポイント
└── README.md    # プロジェクトドキュメント

📦 パッケージ

• models: アプリケーションで使用されるデータ構造と型を含みます。
• services: ビジネスロジックと外部サービスとのやり取りを実装します。
• handlers: 受信したリクエストを処理するリクエストハンドラーを含みます。
• tools: 候補者を検索するためのツールを登録します。

✨ 主な機能

• キーワードベースの基本検索で、フィルタリング、ソート、グループ化をサポートします。
• ベクトル埋め込みを使用した類似性マッチングのベクトル検索。
• 自然言語理解能力を備えたセマンティック検索。
• 必要に応じて Tacitbase のネイティブ検索にフォールバックします。
• 候補者を検索するためのツール登録。

🔍 検索ツール

1. 基本検索 (search_candidates)

• キーワードのタイポを許容するキーワードベースの検索。
• フィールド特定の検索をサポートします。
• フィルタリング、ソート、グループ化機能をサポートします。
• 完全一致オプションを許可します。

2. ベクトル検索 (vector_search_candidates)

• ベクトル埋め込みを使用した類似性検索。
• 似たプロファイルを持つ候補者を見つけるのに適しています。
• フィルターを組み合わせた混合検索をサポートします。

3. セマンティック検索 (semantic_search_candidates)

• 自然言語理解能力を備えています。
• 埋め込み表現を自動生成します。
• 複数の埋め込みモデル（OpenAI、SBERT、E5）をサポートします。
• セマンティック理解とフィルターを組み合わせた混合検索。

⚙️ 設定

環境変数

📦 インストール

1. 依存関係をダウンロードします。

go mod download

2. サーバーをビルドします。

go build -o tb-mcp-server

3. サーバーを起動します。

./tb-mcp-server

💻 使用例

基本的な使用法

{
  "query": "golang 開発者",
  "search_fields": "技能,最新経験",
  "filter_fields": "地点:サンフランシスコ",
  "sort_by": "最新経験:降順",
  "page": 1,
  "per_page": 20
}

高度な使用法

ベクトル検索

{
  "vector_query": "[0.1, 0.2, ..., 0.512]",
  "filter_fields": "勤務経験:>5",
  "page": 1,
  "per_page": 20
}

セマンティック検索

{
  "query": "チームリーダー経験を持ち、クラウド技術に精通した候補者",
  "search_fields": "技能,経験,学歴",
  "filter_fields": "所在地:北京, 年齢範囲:28-35",
  "sort_by": "関連性:降順",
  "page": 1,
  "per_page": 20
}

コード例

基本検索の実装

package main

import (
	"encoding/json"
	"fmt"
	"net/http"

	"github.com/gin-gonic/gin"
)

type SearchRequest struct {
	Query       string      `json:"query"`
	SearchFields []string    `json:"search_fields"`
	FilterFields map[string]string `json:"filter_fields"`
	SortBy      string      `json:"sort_by"`
	Page        int         `json:"page"`
	PerPage     int         `json:"per_page"`
}

func main() {
	r := gin.DefaultRouter()

	r.POST("/search", func(c *gin.Context) {
		var req SearchRequest
		if err := c.ShouldBindJSON(&req); err != nil {
			c.JSON(http.StatusBadRequest, gin.H{"error": "リクエスト形式が誤っています"})
			return
		}

		// 検索ロジックを模擬
		results := search(req.Query, req.SearchFields, req.FilterFields)
		
		c.JSON(http.StatusOK, gin.H{
			"results": results,
			"page":    req.Page,
			"per_page": req.PerPage,
		})
	})

	r.Run(":8080")
}

func search(query string, fields []string, filters map[string]string) []map[string]interface{} {
	// 検索結果を模擬
	return []map[string]interface{}{
		{
			"id":    1,
			"title": "Golang 開発エンジニア",
			"company": "サンプル会社",
		},
		{
			"id":    2,
			"title": "上級 Golang 開発者",
			"company": "別の会社",
		},
	}
}

ベクトル検索の実装

package main

import (
	"fmt"
	"math"

	"github.com/gocarina/goshark"
)

func vectorSearch(embeddings []float64, queryEmbedding []float64) []int {
	// コサイン類似度を計算
	similarities := make([]float64, len(embeddings))
	for i, vec := range embeddings {
		dotProduct := 0.0
		for j := 0; j < len(vec); j++ {
			dotProduct += vec[j] * queryEmbedding[j]
		}
		norm := math.Sqrt(float64(len(queryEmbedding))) * math.Sqrt(float64(len(embeddings[i])))
		if norm == 0 {
			similarities[i] = 0
		} else {
			similarities[i] = dotProduct / norm
		}
	}

	// 類似度でソート
	order := make(sort.IntSlice, len(similarities))
	for i := range order {
		order[i] = i
	}
	order.Sort(func(i, j int) bool {
		return similarities[i] > similarities[j]
	})

	return order.Indizes()
}

🤝 プロジェクトへの貢献

このプロジェクトへの貢献を歓迎します！詳細は CONTRIBUTING.md を参照してください。

📄 ライセンス

このプロジェクトは MIT ライセンス に基づいています。