Embedding Search

🚀 MCP-嵌入搜索

MCP-嵌入搜索是一個模型上下文協議（MCP）服務器，可用於查詢包含嵌入和轉錄片段的Turso數據庫。用戶能通過提問搜索相關轉錄片段，無需生成新的嵌入，極大提升了搜索效率。

✨ 主要特性

• 🔍 支持轉錄片段的向量相似性搜索，精準定位所需內容。
• 📊 基於餘弦相似度進行相關性評分，讓搜索結果更具參考價值。
• 📝 提供完整的轉錄元數據，包括劇集標題和時間戳。
• ⚙️ 搜索參數可配置，如限制返回結果數量、設置最小分數。
• 🔄 採用高效的數據庫連接池，保障數據查詢的高效性。
• 🛡️ 具備全面的錯誤處理機制，增強系統的穩定性。
• 📈 對性能進行了優化，實現快速響應。

📦 安裝指南

此服務器需要通過MCP客戶端進行配置，以下是不同環境下的示例：

控制檯配置

將以下內容添加到您的Cline MCP設置中：

{
    "mcpServers": {
        "mcp-embedding-search": {
            "command": "node",
            "args": ["/path/to/mcp-embedding-search/dist/index.js"],
            "env": {
                "TURSO_URL": "your-turso-database-url",
                "TURSO_AUTH_TOKEN": "your-turso-auth-token"
            }
        }
    }
}

用於Claude Desktop的配置

將以下內容添加到您的Claude Desktop配置中：

{
    "mcpServers": {
        "mcp-embedding-search": {
            "command": "node",
            "args": ["/path/to/mcp-embedding-search/dist/index.js"],
            "env": {
                "TURSO_URL": "your-turso-database-url",
                "TURSO_AUTH_TOKEN": "your-turso-auth-token"
            }
        }
    }
}

💻 使用示例

基礎用法

該服務器實現了一個MCP工具search_embeddings，可使用向量相似性搜索相關轉錄片段。

# 調用 search_embeddings API 的示例
import requests

url = "your-api-url"
data = {
    "question": "your-question",
    "limit": 5,
    "min_score": 0.5
}

response = requests.post(url, json=data)
print(response.json())

高級用法

# 自定義返回結果數量和相似度閾值
import requests

url = "your-api-url"
data = {
    "question": "your-question",
    "limit": 10,  # 自定義返回結果數量
    "min_score": 0.7  # 自定義相似度閾值
}

response = requests.post(url, json=data)
print(response.json())

📚 詳細文檔

API 說明

search_embeddings

使用向量相似性搜索相關轉錄片段。 參數：

• question (字符串，必需)：查詢文本
• limit (數字，可選)：返回的結果數量（默認：5，最大值：50）
• min_score (數字，可選)：相似度閾值（默認：0.5，範圍：0 - 1）

響應格式：

[
    {
        "episode_title": "劇集標題",
        "segment_text": "轉錄片段內容...",
        "start_time": 123.45,
        "end_time": 167.89,
        "similarity": 0.85
    }
    // 更多結果...
]

數據庫模式

此工具期望使用Turso數據庫，其結構如下：

CREATE TABLE embeddings (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  transcript_id INTEGER NOT NULL,
  embedding TEXT NOT NULL,
  FOREIGN KEY(transcript_id) REFERENCES transcripts(id)
);

CREATE TABLE transcripts (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  episode_title TEXT NOT NULL,
  segment_text TEXT NOT NULL,
  start_time REAL NOT NULL,
  end_time REAL NOT NULL
);

embedding列應包含可用於vector_distance_cos函數的向量嵌入。

🔧 技術細節

開發設置

1. 克隆倉庫
2. 安裝依賴項：

npm install

3. 構建項目：

npm run build

4. 開發模式下運行：

npm run dev

發佈流程

該項目使用changesets進行版本管理。要發佈：

1. 創建一個變更集：

npm run changeset

2. 版本化包：

npm run version

3. 發佈到npm：

npm run release

📄 許可證

本項目採用 MIT License，有關詳細信息，請參閱LICENSE文件。

致謝

此文檔翻譯自英文版本，旨在為中文用戶提供更直觀的理解。歡迎貢獻！請隨意提交拉取請求。