Insights Knowledge Base Mcp Server

Insights Knowledge Base（IKB）MCP Server

>>>中文版

🍭免费即插即用的知识库。内置 10,000 多份高质量洞察报告，打包为 MCP Server，并安全地存储在本地。

⚠️⚠️ 本项目收集的所有报告均来自官方研究报告网站上的免费资源。⚠️⚠️

功能

1. 🍾 无需任何配置，专为即插即用而设计。
2. 🚀 内置 Qwen3-Embedding-0.6B 嵌入模型，可通过向量搜索检索相关报告。📢 也可通过关键词检索搜索报告详情。
3. 🍥 已收集麦肯锡、PwC 和 BAIN 等知名咨询公司的 100 多份洞察报告，涵盖 6,000 多页报告和 70 多个主题。
4. 💎 可在 MCP Client 中实时在线浏览完整报告。
5. 🎉 响应极快：所有 Function_call 通常在 1 秒内返回，基于关键词的查询耗时不到 150 毫秒。
6. 🎨 将私人本地文档放入 library_files 文件夹（若文件夹不存在，请手动创建；名称必须匹配）。在 .env 中配置 VLM 模型/参数（例如 VLM_MODEL_NAME=qwen2.5-vl-72b-instruct），即可对本地文档进行提取、解析和识别。
7. 🦉 永久*免费——无需再费力收集报告。欢迎通过 issues 分享可靠且符合版权规定的资源。
8. 🔔 承诺每周更新报告；是否修复 bug 取决于个人心情（我不是工程师 🤭）。

截至 6 月 30 日的优化

1. 新增 2000 多页报告。

未来方向

1. 持续更新报告。
2. 优化提示词工程。

最新文件概览

{
    "statistics": {
        "total_files": 174,
        "total_pages": 9320,
        "unique_publishers": 9,
        "unique_topics": 93,
        "last_updated": "2025-06-30T10:08:35.928329"
    },
    "details": {
        "publishers": [
            "",
            "Accenture",
            "BAIN",
            "BCG",
            "CBS",
            "Deloite",
            "McKinsey",
            "PWC",
            "亿欧"
        ],
        "topics": [
            "",
            "AI",
            "AI Agent",
            "Africa",
            "Aftermarket",
            "Asian American",
            "Auto",
            "Aviation",
            "Beauty",
            "Business",
            "Chemical industry",
            "Chemicals",
            "Chinese banking",
            "Chinese securities",
            "Consumer Goods",
            "Decarbonation",
            "Decarbonization",
            "Digital",
            "ESG",
            "Economy",
            "Economy and Trade",
            "Education",
            "Electric two wheelers",
            "Employment",
            "Energy",
            "Europe",
            "FMCG",
            "Fashion",
            "Finance",
            "Financial Technology",
            "Financial service",
            "Fintech",
            "Food-meatless",
            "Gen Z",
            "Global banking",
            "Global energy",
            "Global insurance",
            "Global macroeconomic",
            "Global materials",
            "Global private market",
            "Global private markets",
            "Global trade",
            "Grocery",
            "Grocery retail",
            "Health",
            "Healthcare",
            "Human capital",
            "Hydrogen",
            "Insurance",
            "Investing",
            "Investment management",
            "Labor market",
            "Latinos",
            "Low-altitude Economy",
            "Luxury Goods",
            "Luxury goods",
            "M&A",
            "Maritime",
            "Media",
            "Medical Health",
            "Medtech",
            "Net zero",
            "New Energy Vehicle",
            "New era",
            "Packing",
            "Payments",
            "Pet Food",
            "Population",
            "Power",
            "Private Equity",
            "Private market",
            "Productivity",
            "Quantum",
            "Real estate",
            "Retail",
            "Retail Digitalization",
            "Retailers",
            "Risk",
            "Small business",
            "Smart Home",
            "Smart hospital",
            "Sporting goods",
            "Sustainability",
            "Sustainable",
            "Tax-free",
            "Technology",
            "Travel",
            "Truck",
            "United Kingdom",
            "VSOC",
            "Wealth management",
            "Workplace",
            "连锁经营"
        ]
    }
}

安装（新手友好）

💡专业提示：遇到困难？将此页面拖到大模型客户端（例如 DeepSeek）中，获取分步指导。事实上，这些说明也是由 DeepSeek 编写的……

前置条件：Python 3.12+（从官方网站下载并添加到环境变量 PATH）

安装 UV：

pip install uv

1. 克隆项目（确认已成功安装 Git 和 Git LFS）

git clone https://github.com/v587d/InsightsLibrary.git
cd InsightsLibrary
git lfs pull

2. 创建虚拟环境

uv venv .venv  # Create dedicated virtual environment

# Activate environment
# Windows:
.\.venv\Scripts\activate
# Mac/Linux:
source .venv/bin/activate

3. 安装核心依赖

uv install .  # Note the trailing dot indicating current directory

4. 创建环境变量（以备后续使用）

notepad .env  # Windows
# Or
nano .env     # Mac/Linux

5. 配置 MCP Server

• VSCode.Cline

注意：将 <Your Project Root Directory!!!> 替换为实际的根目录。

{
  "mcpServers": {
    "ikb-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "<Your Project Root Directory!!!>", 
        "run",
        "ikb_mcp_server.py"
      ]
    }
  }
}

• Cherry Studio
  • 命令：uv
  • 参数：

--directory
<Your Project Root Directory!!!>
run
ikb_mcp_server.py

向 ikb_mcp_server 添加私人文档

1. 在 .env 中配置 VLM 模型和参数：

   VLM_API_KEY=<API Key>
   VLM_BASE_URL=<Base URL> # https://openrouter.ai/api/v1
   VLM_MODEL_NAME=<Model Name> # qwen/qwen2.5-vl-72b-instruct:free
   

2. 将 PDF 文档上传到项目根目录下的 library_files 文件夹。
3. 手动运行 main.py。

# Navigate to the project root directory
# Activate the virtual environment
uv run main.py
(InsightsLibrary) PS D:\Projects\mcp\InsightsLibrary> uv run main.py
[INFO] extractor: PDF extraction initialized | Files directory: library_files | Pages directory: library_pages
[INFO] extractor: Starting scan of directory: library_files
[INFO] extractor: Found 69 PDF files
[INFO] extractor: Scan completed | Total files: 69 | Processed: 0 | Failed: 0
[INFO] recognizer: No pages to process.
# Data has been updated to the database
============================================================
Confirm if you need to create text vector embeddings
⚠️ This process may take approximately 20 minutes
============================================================
Create embeddings? (Enter Y or N): 
# Y: create text vector embeddings
# N: Skip text vector embeddings and exit program

许可证

本项目采用 MIT License。详情请参阅 LICENSE 文件。

截至 6 月 17 日的优化更新

1. 💡优化了 models.py：数据查询效率提升 1,000%
2. 💡优化了 extractor.py：略微提升了 PDF 提取效率
3. 💡优化了 recognizer.py：图像理解效率提升 50%
4. 💡优化了 ikb_mcp_server.py：
   • 新增分页功能
   • 显示引用文件的本地路径
5. 💡添加 MIT License(https://github.com/v587d/InsightsLibrary/pull/1#issuecomment-2969226661)
6. 📦 项目整体压缩包大小减少了约 50%
7. 💡简化私人文档处理
8. 💡修复了发现的其他 bug

截至 6 月 22 日的优化

1. 新增 embedder.py：通过本地 Qwen3-Embedding-0.6B 模型实现文本向量化索引，并存储在 faiss_index 中。
2. 修改 main.py：闭环工作流 PDFExtractor → IMGRecognizer → Embedder（可选）。
3. 新增 @mcp.tool(): get_similar_content_by_rag：通过向量相似度查找最相似的文档内容（RAG）。
4. 现在所有管理员上传的报告均支持在线查看 → 移除 library_files 文件夹以减小项目体积。
5. 新增 2000+ 页报告。