Avs Docs MCP

🚀 MCP文档搜索系统

这是一个向量搜索系统，借助MongoDB Atlas向量搜索和Voyage AI嵌入技术实现文档检索。包含的示例数据适用于Atlas向量搜索 ！

✨ 主要特性

• 对带有分层标题的Markdown文档进行摄取和分块处理。
• 利用Voyage AI的上下文嵌入API生成嵌入向量。
• 将文档和嵌入向量以父子关系存储在MongoDB中。
• 提供FastMCP服务器，用于语义文档搜索。
• 支持可配置的向量维度和分块策略。

可用的MCP工具

文档搜索服务器提供以下工具：

1. search_documents_vector(query: str, limit: int = 5)
   • 主要的搜索方法，使用向量相似度进行搜索。
   • 返回带有元数据和相似度分数的文档块。
   • 最适合基于语义或含义的查询。
2. search_documents_lexicaly(query: str, limit: int = 1)
   • 备用搜索方法，使用词法/文本匹配进行搜索。
   • 返回带有搜索分数的完整父文档。
   • 当向量搜索未找到合适匹配时很有用。
3. get_parent_document(parent_id: str)
   • 通过ID检索完整的父文档。
   • 返回原始内容和文件路径。
   • 在搜索后使用，以获取文档块的完整上下文。

📦 安装指南

前提条件

• Python 3.10+
• 启用向量搜索的MongoDB Atlas集群
• Voyage AI API密钥

安装步骤

1. 克隆仓库：

git clone https://github.com/patw/avs-document-search.git
cd avs-document-search

2. 安装依赖项：

pip install -r requirements.txt

3. 根据sample.env文件创建.env文件，并填入你的凭证信息。

💻 使用示例

基础用法

1. 摄取docs/目录下的文档：

python ingest_docs.py

2. 运行搜索服务器：

python avs-mcp.py

运行搜索服务器主要是验证你的MongoDB URI是否正确，你需要将这个MCP服务器接入到像Claude Desktop这样的MCP客户端中。以下是一个示例配置：

{
  "mcpServers": {
    "Atlas Vector Search Docs": {
      "command": "uv",
      "args": [
        "run",
        "--with",
        "fastmcp, pymongo, requests",
        "fastmcp",
        "run",
        "<path to>/avs-docs-mcp/avs-mcp.py"
      ]
    }
  }
}

📚 详细文档

配置

复制sample.env文件为.env文件，并进行编辑以配置以下内容：

• MongoDB连接字符串
• 数据库和集合名称
• Voyage AI API密钥
• 向量维度（默认为256）

未来改进方向

• （当MongoDB 8.1在Atlas上正式发布时）使用$rankFusion实现结合向量和文本搜索的混合搜索。
• 通过Docling支持更多文件格式（如PDF、Word等）。

贡献

欢迎提交拉取请求！对于重大更改，请先开启一个问题进行讨论。

作者

Pat Wendorf
pat.wendorf@mongodb.com
GitHub: patw

📄 许可证

MIT