Mcp Arcknowledge

MCP ArcKnowledge

工作原理

这是一个用于自定义 Webhook 端点（知识库）的模型上下文协议（MCP）服务。

借助它，你可以轻松管理和查询知识库（Webhook 端点）列表。 你可以通过注册 URL 添加新的文档来源，还可以选择提供描述和 API 密钥。

你也可以列出所有已注册的文档来源并查看其详情。

准备好提问或搜索时，可以使用文本问题查询知识库，指定要搜索的来源，也可以留空以搜索全部来源。

然后，该工具会汇总被查询来源的结果并提供给你。

前置条件

• Go
• Python 3.6+
• Anthropic Claude Desktop 桌面应用（或 Cursor 或 Cline）
• UV（Python 包管理器），使用 curl -LsSf https://astral.sh/uv/install.sh | sh 安装

概念

想象一下，通过一个统一的配置连接所有自定义知识库端点 Webhook，从而无需使用多个 MCP 服务。

演示

查看 mcp cursor 视频

设置与安装

通过 Smithery 安装

要通过 Smithery 自动为 Claude Desktop 安装 ArcKnowledge：

npx -y @smithery/cli install @dragonjump/mcp-ARCknowledge --client claude

1.克隆仓库

git clone https://github.com/dragonjump/mcp-arcknowledge
cd mcp-arcknowledge

2. 配置端点 复制或修改 knowledge_document_sources.json。 请参阅 sample_endpoint 文件夹，了解当前支持的知识端点 API 架构示例。你可以根据需要修改代码。

3. 连接到 MCP 服务

   将下面的 JSON 复制到相应位置，并填入适当的 {{PATH}} 值：

    {
        "mcpServers": {
            "mcp-arcknowledge": {
                "command": "cmd /c uv",
                "args": [
                    "--directory",
                    "C:/Users/Acer/OneDrive/GitHub/YourDrive",
                    "run",
                    "main.py"
                ],
                "env": {
                    "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/GitHub/YourDrive/testcustomother.json"
                }
            }
        }
    }
   

对于 Claude，将其保存为 claude_desktop_config.json，并放入 Claude Desktop 配置目录：

~/Library/Application Support/Claude/claude_desktop_config.json

对于 Cursor，将其保存为 mcp.json，并放入 Cursor 配置目录：

~/.cursor/mcp.json

对于 cline，将其保存为 cline_mcp_settings.json，并放入配置目录

4. 重启客户端：Claude Desktop / Cursor / Cline / Windsurf 打开并重启用于 MCP 的客户端 IDE，例如 Claude/Cursor/Cline 等。

Windows 兼容性

如果你在 Windows 上运行此项目，请注意，go-sqlite3 需要启用 CGO 才能正常编译和运行。默认情况下，Windows 上的 CGO 已禁用，因此你需要明确启用它并安装 C 编译器。

操作步骤：

1. 安装 C 编译器
   我们建议使用 MSYS2 在 Windows 上安装 C 编译器。安装 MSYS2 后，请确保将 ucrt64\bin 文件夹添加到 PATH。
   → 此处提供了分步指南。

架构概览

此应用由一个简单的主要组件构成：

Python MCP 服务（main.py）：一个实现模型上下文协议（MCP）的 Python 服务，提供标准化工具，供客户端与数据交互并调用 API。

数据存储

• 所有数据均在 Python 主服务运行时存储在本地。

技术细节

1. 客户端向 Python MCP 服务发送请求
2. MCP 服务会查询其运行时配置知识库。
3. 然后根据你的查询，它会调用你的知识库端点 API，

故障排除

• 如果运行 uv 时遇到权限问题，你可能需要将其添加到 PATH，或使用可执行文件的完整路径。
• 确保 Go 应用和 Python 服务都在运行，以便集成正常工作。

启动服务

1. 配置 在开发模式下运行服务：

fastmcp dev main.py

或者安装它以便与 Claude 配合使用：

fastmcp install main.py

可用工具

1. 默认从 knowledge_document_sources.json 加载知识列表

默认从配置中加载知识来源

knowledge_document_sources.json
 

你可以从 mcp.json 环境配置中加载自定义知识

        "env": {
            "DOCUMENT_SOURCES_PATH": "C:/Users/Acer/OneDrive/Somewhere/YourDrive/your-custom.json"
        }

2. 列出所有当前已注册的知识来源

显示并说明所有已注册知识来源的列表。

eg. Show me my arcknowledge list 
 

3. 添加新的知识文档来源

添加新的 arcknowledge 端点 URL 文档来源。 提供 URL、描述用途以及 API 密钥（如有）

eg. Add new arcknowledge data source. Endpoint is http://something.com/api/123.
Purpose is to handle questions on 123 topic. Api key is 'sk-2123123' 
 

4. 查询指定的知识文档来源

使用 query_knowledge_base 查询由这些来源构建的 arcknowledge 知识库。

eg. Query for me my  knowledge base for product. Question is : Which is most expensive product? 


eg. Query for me my  arcknowledge base for business. Question is :When is the business established? 

eg. Query for me all my  arcknowledge base  . Question is :When is the business established? Which is most expensive product?

工具函数

1. add_new_knowledge_document_source(url: str, description:str = None, apikey:str = None) -> str

   • 注册新的文档来源 URL，可选提供描述和 API 密钥。
   • 返回：包含新来源 ID 的确认消息。

2. list_knowledge_document_sources() -> Dict[str, Dict[str, str]]

   • 列出所有已注册的文档来源。
   • 返回：将来源 ID 映射到其详细信息（URL、描述、API 密钥）的字典。

3. query_knowledge_base(query: str, source_ids: List[str] = [], image: str = '') -> str

   • 使用文本查询和可选的图像数据查询指定的文档来源（如果未指定，则查询所有来源）。
   • 返回：所查询来源的汇总结果。

开发

关键文件与项目结构

mcp-arcknowledge/
├── main.py          # Main server implementation
├── README.md           # Documentation
├── requirements.txt    # Project dependencies

Cursor AI MCP 配置

1. 在项目根目录中创建一个 mcp.json 文件：

{
    "name": "mcp-webhook-ai-agent",
    "version": "1.0.0",
    "description": "Webhook AI agent with RAG capabilities",
    "main": "main.py",
    "tools": [
        {
            "name": "set_document_source",
            "description": "Register a new document source URL for RAG operations"
        },
        {
            "name": "list_document_sources",
            "description": "List all registered document sources"
        },
        {
            "name": "query_rag",
            "description": "Query the specified document sources using RAG"
        },
        {
            "name": "process_post_query",
            "description": "Process a POST request with a query payload"
        }
    ],
    "dependencies": {
        "fastmcp": ">=0.4.0",
        "requests": ">=2.31.0",
        "pydantic": ">=2.0.0"
    }
}

2. 配置 Cursor AI：

   • 打开 Cursor AI 设置
   • 导航到 MCP 部分
   • 添加 mcp.json 文件的路径
   • 重启 Cursor AI 以应用更改

3. 验证配置：

# Check if MCP is properly configured
fastmcp check mcp.json

# List available tools
fastmcp list

添加新功能

1. 在 main.py 中定义新模型
2. 使用 @mcp.tool() 装饰器添加新工具
3. 根据需要更新文档

许可证

MIT

贡献

1. Fork 此仓库
2. 创建功能分支
3. 提交更改
4. 推送到该分支
5. 创建新的 Pull Request