RAG技能管理系统 - MCP服务器

基于检索增强生成（RAG）的技能管理系统，通过Model Context Protocol（MCP）提供智能技能选择和经验存储功能。

项目概述

RAG技能管理系统是一个基于MCP协议的服务器应用，提供以下核心功能：

• 智能技能选择：使用LLM理解用户需求并选择最合适的技能
• 经验存储与检索：通过Mem0实现语义存储和智能检索
• 标准化工具集成：基于MCP协议实现与各种AI Agent的集成

🔧 核心依赖（必须部署）

重要提醒：本项目需要本地部署两个核心服务，没有它们项目无法正常运行。请按照以下顺序完成部署：

1. Qdrant (向量数据库)

• 作用：存储和管理技能及经验数据的向量表示
• 部署方式：Docker
• 官方地址：https://qdrant.tech/

# 启动Qdrant
docker run -d -p 6333:6333 -p 6334:6334 \
    -v $(pwd)/qdrant_data:/qdrant/storage \
    qdrant/qdrant

验证部署成功：

# 检查容器是否运行
docker ps | grep qdrant

# 在浏览器中访问Web界面
# http://localhost:6333/dashboard
# 如果能看到Qdrant的管理界面说明部署成功

2. Ollama (嵌入模型服务)

• 作用：提供文本向量化服务，支持多种预训练模型
• 部署方式：本地安装
• 官方地址：https://ollama.com/

# 安装Ollama（根据你的操作系统选择）
# macOS
brew install ollama

# Linux
curl -fsSL https://ollama.com/install.sh | sh

# 启动Ollama服务
ollama serve

# 拉取需要的嵌入模型
ollama pull nomic-embed-text

验证部署成功：

# 检查服务状态
ollama list
# 应该看到：nomic-embed-text

# 测试模型是否可用
ollama run nomic-embed-text "test"

🚀 项目安装和配置

按照以下步骤完成项目设置：

1. 克隆项目

git clone https://github.com/your-repo/rag-skill-mcp.git
cd rag-skill-mcp

2. 配置技能库

项目使用YAML文件定义技能。编辑skills/文件夹中的文件来自定义你的技能库。

技能文件格式示例（在skills/example.yaml中创建一个新技能）：

id: "example_skill"
description: "当用户需要执行特定任务时使用此技能"
content: |
  ## 技能执行指南

  ### 适用场景
  - 场景描述1
  - 场景描述2

  ### 执行步骤
  1. 第一步操作
  2. 第二步操作
  3. 验证结果

  ### 注意事项
  - 重要提醒1
  - 重要提醒2

3. 配置环境变量（可选）

如果需要自定义配置，复制并编辑环境变量：

cp .env.example .env
# 编辑.env文件，修改需要的配置项

4. 构建Docker镜像

# 使用Makefile构建（推荐）
make build

# 或者直接使用Docker命令
DOCKER_BUILDKIT=1 docker build -f docker/Dockerfile -t rag-skill-mcp:latest .

5. 配置MCP客户端

现在需要配置Claude Desktop来使用MCP服务器。有两种配置方式：

方式一：使用.env文件（推荐）

如果第3步你创建了.env文件，使用此方式：

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

{
  "mcpServers": {
    "rag-skill-mcp": {
      "command": "docker",
      "args": [
        "run",
        "--rm",
        "-i",
        "--network",
        "host",
        "--env-file",
        "/path/to/your/.env",
        "rag-skill-mcp:latest"
      ]
    }
  }
}

方式二：直接指定参数（安全性更高）

适合生产环境或不想使用.env文件的情况：

{
  "mcpServers": {
    "rag-skill-mcp": {
      "command": "docker",
      "args": [
        "run",
        "--rm",
        "-i",
        "--network",
        "host",
        "-e",
        "LLM_API_KEY=your_deepseek_api_key_here",
        "-e",
        "LLM_BASE_URL=https://api.deepseek.com/v1",
        "-e",
        "LLM_MODEL=deepseek-chat",
        "-e",
        "LLM_PROVIDER=deepseek",
        "-e",
        "MEM0_QDRANT_HOST=localhost",
        "-e",
        "MEM0_QDRANT_PORT=6333",
        "-e",
        "MEM0_EMBEDDER_MODEL=nomic-embed-text",
        "-e",
        "MEM0_EMBEDDING_DIMS=768",
        "rag-skill-mcp:latest"
      ]
    }
  }
}

验证配置

配置完成后重启Claude Desktop，你应该能在Claude中看到新的MCP工具可用。

本地开发（可选）

如果你需要修改代码进行开发：

# 安装开发依赖
pip install uv
uv sync

# 运行开发服务器
make dev
# 或者：PYTHONPATH=src uv run python src/main.py

⚙️ 配置说明

环境变量配置

复制并编辑环境变量文件：

cp .env.example .env
# 编辑.env文件，填入以下必需配置：

# LLM API配置（必需）
LLM_API_KEY=your_deepseek_api_key_here
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_MODEL=deepseek-chat
LLM_PROVIDER=deepseek

# Mem0 Qdrant配置（必需，与你部署的Qdrant一致）
MEM0_QDRANT_HOST=localhost
MEM0_QDRANT_PORT=6333

# Mem0 Embedder配置（必需，与你部署的Ollama模型一致）
MEM0_EMBEDDER_MODEL=nomic-embed-text
MEM0_EMBEDDING_DIMS=768

# Mem0 LLM配置（可选，默认使用主LLM配置）
MEM0_LLM_MODEL=deepseek-chat

# MCP服务器配置（可选）
MCP_SERVER_HOST=0.0.0.0
MCP_SERVER_PORT=3000

# 应用配置（可选）
LOG_LEVEL=INFO
SKILLS_CONFIG_PATH=config/skills.yaml

🔗 命令行测试

配置完成后，可以通过命令行测试MCP服务器：

# 方法1：使用.env文件
docker run --rm -i --network host --env-file .env rag-skill-mcp:latest

# 方法2：手动指定环境变量（安全性更高）
LLM_API_KEY=your_key LLM_BASE_URL=https://api.deepseek.com/v1 LLM_MODEL=deepseek-chat LLM_PROVIDER=deepseek MEM0_QDRANT_HOST=localhost MEM0_QDRANT_PORT=6333 MEM0_EMBEDDER_MODEL=nomic-embed-text MEM0_EMBEDDING_DIMS=768 docker run --rm -i --network host rag-skill-mcp:latest

贡献指南

我们欢迎贡献！请遵循以下步骤：

1. Fork项目
2. 创建您的特性分支（git checkout -b feature/AmazingFeature）
3. 提交您的更改（git commit -m 'Add some AmazingFeature'）
4. 推送到分支（git push origin feature/AmazingFeature）
5. 打开一个Pull Request

代码风格

• 使用black进行代码格式化
• 使用flake8进行代码检查
• 使用mypy进行类型检查
• 确保所有测试通过

提交消息

请使用清晰、描述性的提交消息，遵循Conventional Commits规范。

许可证

本项目采用MIT许可证 - 详情请参阅LICENSE文件。

联系方式

如果您有任何问题或建议，请通过以下方式联系我们：

• 问题跟踪：GitHub Issues
• 电子邮件：alex.tech.lab@outlook.com

---

感谢您使用RAG技能管理系统！我们希望这个系统能帮助您更有效地管理和使用技能知识。