MCP Docs Search Server

MCP 文档搜索服务

一个轻量级 MCP 服务，结合网页搜索和内容解析，从 LangChain、LlamaIndex 和 OpenAI 等热门 AI 库中搜索并检索相关文档内容。

此项目允许大模型动态查询和获取最新文档内容，充当大模型与外部文档源之间的桥梁。

模型上下文协议（MCP）

模型上下文协议是一项开放标准，可帮助开发者在数据源与 AI 工具之间建立安全的双向连接。其架构十分简单：开发者既可以通过 MCP 服务公开数据，也可以构建连接到这些服务的 AI 应用（MCP 客户端）。

孤立运行的大模型

单独使用大模型有其局限性——通过 MCP 等框架与工具和服务集成，才能充分发挥其潜力。

1. 不使用工具的大模型是静态的，用途有限。

2. 使用工具后，它们可以进行交互，但协调起来可能很混乱。

3. 借助 MCP，大模型获得了可扩展、即插即用的接口，可以连接现实世界的服务，从而在生产环境中变得更加实用且强大。

MCP 生态系统

MCP 服务充当大模型与服务之间的翻译器／接口。

MCP（模块化能力提供方）规范了大模型与外部工具／服务的交互方式，促进互操作性、模块化和更简洁的接口。

这种结构实现了职责分散：

1. 工具提供方构建并维护自己的 MCP 服务实现。

2. 大模型只需支持 MCP 协议。

目的与愿景：

• 规范大模型与外部工具之间的通信

• 避免定制集成

• 推动可扩展的服务生态系统（如插件架构）

功能

网页搜索集成

使用 Serper API 查询 Google，并检索与给定搜索查询相关的热门文档页面。

提取简洁内容

使用 BeautifulSoup 解析 HTML 内容，提取简洁、易读的文本，并去除不必要的标签、广告或导航内容。

无缝的大模型工具支持

提供结构化的 get_docs 工具，可在大模型 Agent（例如 Claude、GPT）中使用，以实时查询特定库。

工具

get_docs(query: str, library: str)

这是 MCP 服务提供的核心工具。 它接受：

query：搜索词或短语。

library：可选值为 langchain、llama-index 或 openai。

工作流

1. 搜索相关文档页面
2. 获取并解析简洁的文本内容
3. 将结果返回给大模型，以便进一步推理并生成回复

设置

1. 克隆仓库

git clone https://github.com/your-username/mcp-docs-search.git
cd mcp-docs-search

2. 使用 uv 创建虚拟环境并激活它

uv venv .venv

.\.venv\Scripts\activate

3. 安装依赖项

uv add "mcp[cli]" httpx
uv pip install beautifulsoup4

4. 设置环境变量：创建 .env 文件并添加你的 Serper API 密钥：

SERPER_API_KEY=your_serper_api_key

Claude Desktop 集成

要将此服务集成为 Claude Desktop 中的工具：

打开 Claude Desktop → File > Settings > Developer > Edit Config。

更新 claude_desktop_config.json，加入以下内容：

{
    "mcpServers": {
        "documnetation": {
            "command": "uv",
            "args": [
                "--directory",
                "your_reository_where_the_repo_exists",
                "run",
                "main.py"
            ]

        }
    }
}

🔁 重要：保存配置后，重启 Claude Desktop 以加载新工具

成功集成后，你会在 Claude UI 中看到自定义 MCP 工具：

使用它实时查询文档：

实时调试

也可以使用以下命令调试我们创建的工具。

请记得安装 NodeJs18+

npx @modelcontextprotocol/inspector uv run main.py

并跟踪连接建立的端口。

支持的库 / 文档

只需更新 docs_urls 字典，即可轻松添加更多库。

后续增强

• 添加对 HuggingFace、PyTorch、TensorFlow 等更多库的支持。

• 实现缓存，以减少重复获取并提升性能。

• 引入基于相关性或 token 质量的评分 / 排名机制。

• 进行单元测试并改进异常处理，使其达到可用于生产环境的要求。