Aegntic MCP Servers

Obsidian Elite RAG MCP Server

Obsidian のボルトを、高度な Graphiti ナレッジグラフ統合を備えた AI と連携する認知ワークフローエンジンに変換する、最先端の検索拡張生成（RAG）システムです。

🌟 特長

🧠 多層 RAG アーキテクチャ

• L1：セマンティックコンテキスト（重み 30%） - OpenAI の埋め込みを使ったベクトル類似度検索
• L2：ナレッジグラフ（重み 25%） - Graphiti を活用したエンティティと関係性の取得
• L3：グラフトラバーサル（重み 15%） - NetworkX ベースのリンク探索
• L4：時間的コンテキスト（重み 15%） - 時間に基づく関連性と鮮度
• L5：ドメイン特化（重み 15%） - コンテキストを考慮した取得
• L6：メタ知識（残りの重み） - 知識に関する知識

🔗 高度なナレッジグラフ

• 27 種類以上のエンティティタイプ：概念、人物、組織、テクノロジー、方法論、フレームワーク、アルゴリズムなど
• 40 種類以上の関係タイプ：実装する、使用する、依存する、拡張する、基づく、類似する、統合するなど
• デュアルグラフアーキテクチャ：Neo4j（構造化）＋ NetworkX（非構造化のバックアップ）
• エンティティの自動抽出：パターンマッチングと NLP ベースのエンティティ認識
• 関係性の検出：信頼度スコアリングと検証

🚀 MCP サーバー統合

• Claude Code 対応：Model Context Protocol サーバーの完全な実装
• ツールベースの API：ナレッジグラフの取り込み、クエリ、検索、エンティティコンテキストの取得
• リアルタイムステータス：システムの健全性監視とデータベース接続の確認
• 非同期処理：高性能な並行処理

📋 要件

• Python 3.9 以降
• Docker と Docker Compose
• OpenAI API キー
• Obsidian ボルト（任意ですが、推奨）
• Neo4j データベース（セットアップスクリプトで処理）
• Qdrant ベクトルデータベース（セットアップスクリプトで処理）

🛠️ インストール

オプション 1：PyPI からインストール（推奨）

pip install obsidian-elite-rag-mcp

オプション 2：ソースからインストール

git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag
pip install -e .

🚀 クイックスタート

1. システムのセットアップ

# Initialize the system
obsidian-elite-rag-cli setup

# Start both databases (Qdrant + Neo4j)
obsidian-elite-rag-cli start-databases

# Or start manually with Docker
docker run -d --name qdrant -p 6333:6333 -v $(pwd)/data/qdrant:/qdrant/storage qdrant/qdrant:latest
docker run -d --name neo4j -p 7474:7474 -p 7687:7687 -v $(pwd)/data/neo4j:/data \
  --env NEO4J_AUTH=neo4j/password --env NEO4J_PLUGINS='["apoc","graph-data-science"]' \
  neo4j:5.14

2. Obsidian ボルトの取り込み

# Ingest all markdown files
obsidian-elite-rag-cli ingest /path/to/your/obsidian/vault

# Check system status
obsidian-elite-rag-cli status /path/to/your/obsidian/vault

3. MCP サーバーの起動

# Start the MCP server for Claude Code integration
obsidian-elite-rag-cli server

4. Claude Code の設定

Claude Code の設定（~/.config/claude-code/config.json）に追加します：

{
  "mcpServers": {
    "obsidian-elite-rag": {
      "command": "obsidian-elite-rag-cli",
      "args": ["server"],
      "env": {
        "OPENAI_API_KEY": "your-openai-api-key"
      }
    }
  }
}

📖 使用例

CLI の使用方法

# Query the RAG system
obsidian-elite-rag-cli query "How does the RAG system work?" /path/to/vault

# Search knowledge graph for entities
obsidian-elite-rag-cli graph /path/to/vault --entity-query "machine learning"

# Technical queries
obsidian-elite-rag-cli query "JWT authentication patterns" /path/to/vault --query-type technical

# Research queries
obsidian-elite-rag-cli query "latest developments in LLMs" /path/to/vault --query-type research

MCP サーバーのツール（Claude Code）

Claude Code に接続すると、次のツールを利用できます：

1. ingest_vault - Obsidian ボルトから Markdown ファイルを取り込む
2. query_rag - 多層取得を使って最先端の RAG システムにクエリを実行する
3. search_knowledge_graph - Graphiti ナレッジグラフでエンティティを検索する
4. get_entity_context - 特定のエンティティの豊富なコンテキストを取得する
5. get_related_entities - 関係性を通じて関連するエンティティを取得する
6. get_system_status - システムのステータスとデータベース接続を取得する

Claude Code での使用例：

@obsidian-elite-rag please ingest my vault at /Users/me/Documents/Obsidian
@obsidian-elite-rag query "what are the key concepts in machine learning?" with vault path /Users/me/Documents/Obsidian
@obsidian-elite-rag search_knowledge_graph for "neural networks" in vault /Users/me/Documents/Obsidian

🏗️ アーキテクチャ

システムコンポーネント

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Obsidian      │    │   Claude Code   │    │   MCP Protocol  │
│     Vault       │◄──►│   Integration   │◄──►│     Server      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                    Elite RAG System                            │
├─────────────────┬─────────────────┬─────────────────────────────┤
│   Semantic      │  Knowledge      │     Temporal & Domain       │
│   Search        │     Graph       │      Specialization         │
│   (Qdrant)      │   (Neo4j)       │                             │
└─────────────────┴─────────────────┴─────────────────────────────┘

ナレッジグラフのエンティティタイプ

• コア：concept、person、organization、event、location
• テクニカル：technology、algorithm、framework、system、application
• プロセス：methodology、workflow、process、pattern
• 実装：tool、library、database、api、protocol
• ドキュメント：standard、specification、principle、theory、model
• アーキテクチャ：design、implementation、project、research

ナレッジグラフの関係タイプ

• 構造：part_of、implements、extends、based_on、depends_on
• セマンティック：similar_to、contrasts_with、related_to、examples_of
• 機能：uses、enables、requires、supports、improves
• 認知：defines、describes、explains、demonstrates、teaches
• 開発：builds_on、applies_to、references、cites、tests
• 運用：manages、monitors、deploys、configures、maintains

📊 パフォーマンス特性

• 検索速度：コンテキストを豊富に含むクエリで<100ms
• ナレッジカバレッジ：ドメイン固有のクエリで95%+の再現率
• エンティティ認識：概念、人、組織を90%+の精度で認識
• 関係抽出：意味的な関係を85%+の精度で抽出
• グラフ走査：深さ4までのエンティティ関係クエリで<50ms
• 自動化カバレッジ：定型的なナレッジタスクの80%+を自動化

🔧 設定

環境変数

# Required
OPENAI_API_KEY=your-openai-api-key

# Optional (auto-configured by setup scripts)
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password
QDRANT_HOST=localhost
QDRANT_PORT=6333

設定ファイル

システムは詳細な設定にconfig/automation-config.yamlを使用します。

knowledge_graph:
  enabled: true
  provider: graphiti
  graphiti:
    neo4j_uri: bolt://localhost:7687
    neo4j_user: neo4j
    neo4j_password: "password"

rag_system:
  layers:
    semantic:
      weight: 0.3
      similarity_threshold: 0.7
    knowledge_graph:
      weight: 0.25
      max_depth: 4
    # ... other layers

📁 Vault の構成

システムは、次の Obsidian vault 構成で最適に動作します。

00-Core/           # 🧠 Foundational knowledge
01-Projects/       # 🚀 Active work
02-Research/       # 🔬 Learning areas
03-Workflows/      # ⚙️ Reusable processes
04-AI-Paired/      # 🤖 Claude interactions
05-Resources/      # 📚 External references
06-Meta/           # 📊 System knowledge
07-Archive/        # 📦 Historical data
08-Templates/      # 📋 Note structures
09-Links/          # 🔗 External connections

🤝 コントリビューション

コントリビューションを歓迎します。詳細については、コントリビューションガイドをご覧ください。

開発環境のセットアップ

# Clone the repository
git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag

# Install in development mode
pip install -e ".[dev]"

# Run tests
pytest

# Run with coverage
pytest --cov=obsidian_elite_rag

# Code formatting
black src/
mypy src/

📄 ライセンス

このプロジェクトは MIT License の下でライセンスされています。詳細についてはLICENSEファイルをご覧ください。

🙏 クレジット

作成者： Mattae Cooper メール： [email protected] 組織： Aegntic AI (https://aegntic.ai)

このプロジェクトは、AI を活用したナレッジ管理と検索拡張生成システムに関する高度な研究を体現しています。Graphiti ナレッジグラフと多層 RAG アーキテクチャの統合は、AI システムが個人のナレッジベースと対話し、その内容を推論する方法における大きな進歩です。

📞 サポート

• ドキュメント：プロジェクト Wiki
• 問題：GitHub Issues
• ディスカッション：GitHub Discussions
• メール：[email protected]

🔗 関連プロジェクト

• Graphiti - LLM 向けナレッジグラフ構築
• Qdrant - ベクトル類似性検索エンジン
• Neo4j - グラフデータベース
• LangChain - LLM アプリケーションフレームワーク
• Model Context Protocol - AI ツール統合の標準

---

Aegntic AI が ❤️ を込めて作成 AI を活用したナレッジ管理の未来を前進させます