AegnticMCP

Obsidian Elite RAG MCP 服务

一个精英级检索增强生成（RAG）系统，可将 Obsidian 知识库转变为与 AI 配对的认知工作流引擎，并集成先进的 Graphiti 知识图谱。

🌟 功能

🧠 多层 RAG 架构

• L1：语义上下文（权重 30%）——使用 OpenAI 嵌入进行向量相似度搜索
• L2：知识图谱（权重 25%）——由 Graphiti 驱动的实体与关系检索
• L3：图遍历（权重 15%）——基于 NetworkX 的链接遍历
• L4：时间上下文（权重 15%）——基于时间的相关性与新鲜度
• L5：领域专精（权重 15%）——上下文感知检索
• L6：元知识（剩余权重）——关于知识的知识

🔗 高级知识图谱

• 27+ 种实体类型：概念、人物、组织、技术、方法论、框架、算法等。
• 40+ 种关系类型：实现、使用、依赖于、扩展、基于、类似于、集成到等。
• 双图架构：Neo4j（结构化）+ NetworkX（非结构化备份）
• 自动实体提取：基于模式匹配和 NLP 的实体识别
• 关系检测：置信度评分与验证

🚀 MCP 服务集成

• 兼容 Claude Code：完整实现 Model Context Protocol 服务端
• 基于工具的 API：摄取、查询、搜索知识图谱、获取实体上下文
• 实时状态：系统健康监控与数据库连接检查
• 异步处理：高性能并发操作

📋 要求

• Python 3.9+
• Docker & Docker Compose
• OpenAI API 密钥
• Obsidian 知识库（可选，但建议使用）
• Neo4j 数据库（由设置脚本处理）
• Qdrant 向量数据库（由设置脚本处理）

🛠️ 安装

选项 1：从 PyPI 安装（推荐）

pip install obsidian-elite-rag-mcp

选项 2：从源代码安装

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

🚀 快速开始

1. 系统设置

# 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. 摄取 Obsidian 知识库

# 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. 启动 MCP 服务

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

4. 配置 Claude Code

将以下内容添加到 Claude Code 配置文件（~/.config/claude-code/config.json）：

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

📖 使用示例

CLI 用法

# 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 服务工具（Claude Code）

连接到 Claude Code 后，你将可以使用以下工具：

1. ingest_vault - 摄取 Obsidian 知识库中的 Markdown 文件
2. query_rag - 使用多层检索查询精英级 RAG 系统
3. search_knowledge_graph - 在 Graphiti 知识图谱中搜索实体
4. get_entity_context - 获取特定实体的丰富上下文
5. get_related_entities - 获取通过关系关联的实体
6. get_system_status - 获取系统状态与数据库连接情况

Claude Code 中的示例：

@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

🏗️ 架构

系统组件

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

知识图谱实体类型

• 核心：概念、人物、组织、事件、地点
• 技术：技术、算法、框架、系统、应用
• 流程：方法论、工作流、流程、模式
• 实现：工具、库、数据库、API、协议
• 文档：标准、规范、原则、理论、模型
• 架构：设计、实现、项目、研究

知识图谱关系类型

• 结构关系：组成部分、实现、扩展、基于、依赖于
• 语义关系：类似于、对比于、关联于、示例
• 功能关系：使用、启用、需要、支持、改进
• 认知关系：定义、描述、解释、演示、教授
• 开发关系：基于……构建、应用于、引用、援引、测试
• 运维关系：管理、监控、部署、配置、维护

📊 性能特点

• 检索速度：上下文丰富的查询耗时 <100ms
• 知识覆盖率：针对特定领域查询的召回率达 95%+
• 实体识别：概念、人物和组织的识别准确率达 90%+
• 关系提取：语义关系的提取准确率达 85%+
• 图遍历：深度不超过 4 的实体关系查询耗时 <50ms
• 自动化覆盖率：80%+ 的常规知识任务实现自动化

🔧 配置

环境变量

# 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

配置文件

系统使用 config/automation-config.yaml 进行详细配置：

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 结构

使用以下 Obsidian vault 结构时，系统效果最佳：

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

🤝 贡献

欢迎贡献！详情请参阅贡献指南。

开发环境设置

# 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/

📄 许可证

本项目采用 MIT 许可证，详情请参阅 LICENSE 文件。

🙏 致谢

创建者： Mattae Cooper 邮箱： [email protected] 组织： Aegntic AI（https://aegntic.ai）

本项目代表了 AI 驱动的知识管理和检索增强生成系统领域的前沿研究。Graphiti 知识图谱与多层 RAG 架构的集成，显著提升了 AI 系统与个人知识库交互和推理的能力。

📞 支持

• 文档：项目 Wiki
• 问题反馈：GitHub Issues
• 讨论：GitHub Discussions
• 邮箱：[email protected]

🔗 相关项目

• Graphiti - 面向 LLM 的知识图谱构建
• Qdrant - 向量相似度搜索引擎
• Neo4j - 图数据库
• LangChain - LLM 应用框架
• Model Context Protocol - AI 工具集成标准

---

由 Aegntic AI 倾心打造 ❤️ 推动 AI 驱动的知识管理迈向未来