Ragrabbit

RagRabbit是一個自託管的AI站點搜索和LLM.txt生成工具，支持一鍵部署在Vercel上。

知識管理與記憶搜索工具 #AI搜索 #文檔索引 #聊天機器人 #一鍵部署本地 .TypeScript

評分 : 3分

下載量 : 114

更新時間 : 2025-04-28

什麼是MCP服務器？

MCP服務器是一種工具，它使您能夠通過語義搜索輕鬆訪問您的文檔。這使得AI助手可以更準確地理解和回答關於您文檔的問題。

如何使用MCP服務器？

要使用MCP服務器，請在您的AI客戶端中添加一個自定義MCP服務器。這樣，當AI需要查找有關您文檔的信息時，它可以快速定位相關內容。

適用場景

MCP服務器非常適合那些希望為其文檔提供強大搜索功能的企業和個人。例如，企業可以將其用於內部知識庫管理，而個人則可以用它來組織自己的學習資料。

主要功能

語義搜索通過語義分析，MCP服務器能夠更精準地找到與用戶查詢最相關的文檔內容。

多語言支持MCP服務器支持多種語言，確保全球用戶都能獲得良好的體驗。

高性能利用先進的算法和技術，MCP服務器能夠在短時間內處理大量請求。

優勢與侷限性

優勢

提升文檔檢索效率

增強用戶體驗

易於集成到現有系統中

侷限性

需要一定的技術背景進行初始配置

可能對大規模數據集性能有一定影響

如何使用

安裝MCP服務器

首先，確保已經安裝了Node.js環境。然後運行以下命令來啟動MCP服務器：npx @ragrabbit/mcp。

配置AI客戶端

在您的AI客戶端中添加一個新的MCP服務器條目，輸入MCP服務器的URL以及文檔名稱。

使用案例

案例1：企業知識庫管理一家公司使用MCP服務器來管理和檢索其內部知識庫，大大提高了員工的工作效率。

案例2：個人學習助手一位學生使用MCP服務器來組織自己的學習筆記，方便隨時複習。

常見問題

如何開始使用MCP服務器？

MCP服務器支持哪些語言？

🚀 RagRabbit - 智能文檔檢索與生成系統

RagRabbit是一個基於大語言模型的智能文檔檢索與生成平臺，它支持通過語義搜索快速定位文檔內容，還具備上下文關聯分析功能，能有效提升文檔處理的效率和準確性。

🚀 快速開始

RagRabbit是一款強大的智能文檔檢索與生成平臺，以下為你介紹如何快速上手。

✨ 主要特性

智能檢索引擎：利用向量數據庫實現語義相似度匹配
上下文關聯分析：基於文本挖掘技術進行多輪對話支持
知識圖譜構建：自動生成文檔間的關聯關係
可插拔AI模型：支持多種大語言模型（如LLama系列）

📦 安裝指南

基本安裝

安裝依賴

pnpm install @ragrabbit/core @ragrabbit/ui

初始化配置文件

創建一個名為 config.json 的配置文件：

{
  "apiPort": 3000,
  "vectorDBConfig": {
    "type": "chroma",
    "host": "localhost",
    "port": 2000
  },
  "llmModel": {
    "type": "llama2"
  }
}

啟動服務

pnpm run dev

配置指南

智能檢索模塊配置

通過 vectorDBConfig 可以指定不同的向量數據庫實現：

{
  "vectorDBConfig": {
    "type": "faiss", // 支持的類型包括：chroma, faiss, milvus
    "host": "localhost",
    "port": 6345
  }
}

大語言模型配置

支持多種主流模型：

{
  "llmModel": {
    "type": "gpt-3", // 支持的類型包括：gpt-3, llama2, alpaca
    "apiEndpoint": "https://api.example.com/v1",
    "apiKey": "your-api-key"
  }
}

MPC服務器集成

搭建MPC服務器

通過 @ragrabbit/mcp 包快速搭建：

npx @ragrabbit/mcp start --port 3001

配置AI客戶端

在Claude Desktop中配置：

編輯 claude_desktop_config.json 文件，添加如下內容：

{
  "mcpServers": {
    "my-documentation": {
      "command": "npx",
      "args": ["@ragrabbit/mcp", "start"]
    }
  }
}

在ChatGPT中配置：

通過環境變量設置MPC服務器地址：

export MPC_SERVER=http://localhost:3001

與Fumadocs集成

快速集成

在項目根目錄下運行以下命令：

pnpm install @fumadocs/extension-rag

配置示例

添加如下配置到 config.json 文件中：

{
  "fumaIntegration": {
    "enabled": true,
    "apiKey": "your-fuma-api-key",
    "workspaceId": "your-workspace-id"
  }
}

開發指南

環境搭建

git clone https://github.com/ragrabbit-project/rag.git
cd rag
pnpm install

核心組件開發

向量數據庫接口

實現自定義向量數據庫：

interface VectorDB {
  init(): Promise<void>;
  addVectors(vectors: number[], metadata: object[]): Promise<string[]>;
  searchSimilar(id: string, k: number): Promise<SearchResult[]>;
}

文本處理管道

定義文本處理流程：

class TextProcessingPipeline {
  private tokenizer;
  private embeddings;

  constructor() {
    this.tokenizer = new Tokenizer();
    this.embeddings = new LlamaEmbedder();
  }

  async process(text: string): Promise<ProcessedText> {
    const tokens = this.tokenizer.tokenize(text);
    const embeds = await this.embeddings.embed(tokens);
    return { tokens, embeddings: embeds };
  }
}

貢獻指南

歡迎社區貢獻代碼！請參考 CONTRIBUTING.md 文件瞭解具體流程。

💻 使用示例

基礎用法

const rag = new RagManager({
  vectorDB: new ChromaDB(),
  llm: new Llama2()
});

async function search(query: string) {
  const results = await rag.search(query, { limit: 5 });
  return results.map(r => r.metadata);
}

📚 詳細文檔

核心功能

智能檢索：通過自然語言查詢快速定位文檔
上下文關聯：支持多輪對話和歷史記錄
知識圖譜：自動生成文檔間關係網絡
插件擴展：支持多種大語言模型和存儲後端

文檔結構

根目錄結構

project/
├── config.json          # 全局配置文件
├── package.json        # 項目依賴管理
├── src/                # 源代碼目錄
│   ├── core/           # 核心算法模塊
│   └── ui/             # 用戶界面組件
└── public/             # 靜態資源目錄

配置文件說明

`config.json`

{
  "mode": "development",      # 模式：開發或生產
  "vectorDBConfig": {         # 向量數據庫配置
    "type": "chroma",
    "host": "localhost",
    "port": 2000
  },
  "llmModel": {               # 大語言模型配置
    "type": "gpt-3",
    "apiKey": "..."
  }
}