MCP Server with RAG and Multi-Search

使用 RAG 和多种搜索方式的 MCP 服务

自定义 MCP（模型调用协议）服务，使用 LlamaIndex 提供 RAG（检索增强生成）功能，并通过 Google Gemini 2.0 API 和 Linkup 提供多种网页搜索方式。

功能

• 使用本地文档的 RAG 工作流
• 多种网页搜索功能：
  • 使用 Google Gemini 2.0 进行高级 AI 搜索
  • 使用 Linkup 进行传统网页搜索
• 基于 FastMCP 构建

设置

前置条件

• Python 3.8 或更高版本
• 本地安装 Ollama，并安装 DeepSeek 模型（也可以修改为使用你偏好的模型）
• Gemini API 密钥（在 https://ai.google.dev/ 获取）
• Linkup API 密钥（可选）

安装

1. 克隆此代码库：

   git clone <repository-url>
   cd own-mcp-server
   

2. 安装所需依赖项：

   pip install -r requirements.txt
   

3. 设置环境变量（创建 .env 文件）：

   # Required API keys
   GEMINI_API_KEY=your_gemini_api_key_here
   LINKUP_API_KEY=your_linkup_api_key_here
   
   # Optional configurations
   OLLAMA_HOST=http://localhost:11434
   

4. 将文档添加到 data 目录中（如果该目录不存在，将自动创建）

运行服务

使用以下命令启动服务：

python server.py

用法

该服务提供以下工具：

1. web_search：使用当前可用的最佳搜索方式（优先使用 Gemini 2.0，失败时回退到 Linkup）
2. gemini_search：使用 Google Gemini 2.0 AI 进行搜索
3. linkup_search：使用 Linkup 进行搜索
4. rag：使用 RAG 查询本地文档

所需库

此项目使用：

• llama-index - 核心 RAG 功能
• ollama - 本地大模型集成
• Google Generative AI SDK - Gemini 2.0 集成
• Linkup SDK - 网页搜索功能
• FastMCP - MCP 服务实现
• Python-dotenv - 环境管理
• nest-asyncio - 异步支持

故障排除

如果遇到问题：

1. 确保 Ollama 已正确安装并正在运行
2. 拉取 DeepSeek 模型：ollama pull deepseek-r1:1.5b
3. 如果遇到 Python 3.13 兼容性问题，请考虑降级到 Python 3.11 或 3.10
4. 确认 API 密钥正确，并具有必要的权限
5. 如果遇到 Gemini 2.0 相关问题，请确保 API 密钥有权访问最新模型