MCP Rag Context

🚀 RAG上下文MCP服務器

RAG上下文MCP服務器是一個輕量級的模型上下文協議（MCP）服務器，它利用本地向量存儲和數據庫提供持久內存和上下文管理功能。該服務器使AI助手能夠通過語義搜索和索引檢索高效地存儲和檢索上下文信息。

🚀 快速開始

本服務器提供了一個輕量級的解決方案，用於管理AI助手的上下文信息。它結合了本地向量存儲和數據庫，為AI助手提供持久的內存和上下文管理功能。

✨ 主要特性

• 本地向量存儲：使用Vectra進行高效的向量相似度搜索。
• 持久內存：採用SQLite數據庫實現可靠的數據持久化。
• 語義搜索：使用Xenova/all-MiniLM-L6-v2模型進行自動文本嵌入。
• 混合檢索：將語義搜索與索引數據庫查詢相結合。
• 簡單API：僅提供兩個工具——setContext和getContext。
• 輕量級：依賴項極少，可完全在本地運行。
• 隱私優先：所有數據均存儲在本地，無需調用外部API。

📦 安裝指南

使用npm

npm install -g @rag-context/mcp-server

使用npx（無需安裝）

npx @rag-context/mcp-server

📚 詳細文檔

配置

針對Claude桌面版

將以下內容添加到Claude桌面版的配置文件中：

• macOS：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows：%APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "rag-context": {
      "command": "npx",
      "args": ["@rag-context/mcp-server"],
      "env": {
        "RAG_CONTEXT_DATA_DIR": "/path/to/your/data/directory"
      }
    }
  }
}

針對Cursor

在Cursor設置中添加MCP服務器：

env RAG_CONTEXT_DATA_DIR=/path/to/your/data/directory npx @rag-context/mcp-server

環境變量

• RAG_CONTEXT_DATA_DIR：數據庫和向量索引的存儲目錄（默認：~/.rag-context-mcp）

使用方法

服務器提供了兩個主要工具：

setContext

使用自動向量化功能將信息存儲到內存中：

{
  "tool": "setContext",
  "arguments": {
    "key": "user_preferences",
    "content": "The user prefers dark mode and uses VS Code as their primary editor",
    "metadata": {
      "category": "preferences",
      "timestamp": "2024-01-15"
    }
  }
}

getContext

使用語義搜索檢索相關上下文：

{
  "tool": "getContext",
  "arguments": {
    "query": "What are the user's editor preferences?",
    "limit": 5,
    "threshold": 0.7
  }
}

AI助手的系統提示

為了有效使用此MCP服務器，請在AI助手的系統提示中添加以下內容：

## 內存和上下文管理

你可以通過RAG上下文MCP服務器訪問持久內存系統。這使你能夠在不同對話中存儲和檢索信息。

### 何時存儲上下文
在以下情況下存儲信息：
- 用戶分享偏好、設置或個人信息時
- 討論重要的項目細節或配置時
- 做出關鍵決策或達成協議時
- 創建有用的代碼片段或解決方案時
- 瞭解用戶的工作流程、工具或環境時

### 如何存儲上下文
使用`setContext`工具時，請提供：
- 一個具有描述性且唯一的鍵（例如，"project_setup_nextjs"、"user_pref_editor"）
- 清晰、簡潔的內容，以捕捉關鍵信息
- 相關的元數據（類別、項目、日期等）

示例：
```json
{
  "key": "project_api_structure",
  "content": "The project uses a REST API with /api/v1 prefix. Authentication is handled via JWT tokens in the Authorization header. Main endpoints: /users, /posts, /comments",
  "metadata": {
    "project": "blog-platform",
    "type": "architecture",
    "date": "2024-01-15"
  }
}

何時檢索上下文

在以下情況下檢索上下文：

• 開始關於之前討論過的主題的新對話時
• 用戶提及過去的討論或決策時
• 需要回憶特定的技術細節或偏好時
• 基於之前的工作或解決方案進行拓展時

如何檢索上下文

使用getContext工具時，請提供：

• 一個自然語言查詢，描述你要查找的內容
• 適當的限制（通常為3 - 5個結果）
• 閾值設置為0.7，以平衡精度和召回率

示例：

{
  "query": "API authentication setup for the blog project",
  "limit": 3,
  "threshold": 0.7
}

最佳實踐

1. 有選擇性：存儲重要且可重複使用的信息，而非每一個細節。
2. 使用清晰的鍵：使鍵具有描述性且易於搜索。
3. 添加元數據：包括項目名稱、類別和日期。
4. 更新現有信息：使用相同的鍵更新信息，而非創建重複項。
5. 自然查詢：像向同事提問一樣編寫查詢語句。

請記住：此內存可在所有對話中持久保存，通過記住重要的上下文和用戶偏好，使你隨著時間的推移更有幫助。

### 架構
服務器採用混合方法以實現最佳性能：
1. **SQLite數據庫**：存儲帶有元數據的實際內容，提供快速的基於鍵的查找功能。
2. **向量索引**：使用嵌入技術實現語義搜索。
3. **本地嵌入**：使用Xenova/transformers進行隱私保護的本地文本嵌入。

### 數據存儲
所有數據均存儲在指定的數據目錄中：

<RAG_CONTEXT_DATA_DIR>/ ├── memories.db # SQLite數據庫 └── vectors.index # Vectra向量索引

### 開發
#### 從源代碼構建
```bash
# 克隆倉庫
git clone https://github.com/yourusername/rag-context-mcp.git
cd rag-context-mcp

# 安裝依賴項
npm install

# 構建項目
npm run build

# 在開發模式下運行
npm run dev

運行測試

npm test

隱私和安全

• 所有數據均存儲在本地機器上。
• 無需調用外部API進行嵌入（使用本地模型）。
• 無遙測或數據收集。
• 你可以通過RAG_CONTEXT_DATA_DIR控制數據的存儲位置。

故障排除

常見問題

1. “VectorStore未初始化”錯誤
   • 確保數據目錄存在且具有寫入權限。
   • 檢查RAG_CONTEXT_DATA_DIR路徑是否有效。
2. 首次啟動緩慢
   • 嵌入模型在首次使用時會被下載（約30MB）。
   • 後續啟動將快得多。
3. 高內存使用
   • 嵌入模型需要約200MB的RAM。
   • 考慮限制存儲的上下文數量。

貢獻

歡迎貢獻代碼！請隨時提交拉取請求。

📄 許可證

本項目採用MIT許可證，詳情請參閱LICENSE文件。

致謝

本項目受Anthropic的MCP內存服務器示例啟發，但進行了以下改進：

• 本地向量存儲，以實現更好的檢索效果。
• 使用SQLite實現可靠的持久化。
• 具備混合搜索功能。
• 採用注重隱私的設計。