mcpField
G
graphrag-ts citation provenance

graphrag-ts citation provenance

远程服务
github.com/sadofriod其他9今天更新
代码仓库

关于 graphrag-ts citation provenance

graphrag-ts 是面向 Markdown 文档集的 TypeScript GraphRAG 实现，适用于构建基于证据的问答。它将 PostgreSQL 知识图谱与混合检索结合，且无需 Python 运行时。

主要功能

  1. 01导入 Markdown 并抽取实体与关系
  2. 02构建图谱、检测社区并增量更新
  3. 03结合向量、关键词和图谱检索
  4. 04对整个文档集执行 Map-Reduce 查询
  5. 05隔离 MCP 工作区

适用场景

  1. 01查询 Markdown 文档集并获取答案
  2. 02文档集变化后更新图谱
  3. 03结合多种检索方式查找证据

MCP 相关

它提供 MCP 服务，向 MCP 客户端开放 Markdown GraphRAG 能力，并隔离各工作区。

配置

远程服务无需本地安装。选择你使用的客户端，复制配置或使用一键安装。

服务地址https://mcp.ashesborn.cloud/mcp
一键复制安装命令
Claude CodeTerminal
Cursor.cursor/mcp.json
VS Code.vscode/mcp.json
Claude Desktopclaude_desktop_config.json
Windsurf~/.codeium/windsurf/mcp_config.json

命令在终端中运行；JSON 粘贴到对应客户端的 MCP 配置后重启。需要授权的服务会在首次连接时提示登录。

全部服务地址
Streamable HTTPhttps://mcp.ashesborn.cloud/mcp需要授权

工具

详细介绍

graphrag-ts

面向 Markdown 语料的 TypeScript GraphRAG。构建知识图谱、检测社区，并通过有证据支持的检索回答问题。

基准测试 / 基准报告 英文报告 · 中文报告

概览

graphrag-ts 是面向 Markdown 语料的 TypeScript GraphRAG 参考实现。它在 PostgreSQL 中构建知识图谱，并通过混合检索和来源证据回答问题，无需 Python 运行时。

  • Markdown 导入、实体与关系提取，以及社区检测
  • 全量构建和增量构建，并复用未更改的社区摘要
  • 混合向量、关键词和图检索，以及面向整个语料的 Map-Reduce 查询
  • 支持隔离工作区的 MCP 服务，以及本地浏览器演示

有关流水线和模块的详细信息，请参阅架构指南。

快速开始

使用 Docker Compose 运行 MCP

Compose 服务栈会启动 PostgreSQL/pgvector 和 MCP 服务。你必须提供可访问的聊天和嵌入端点；有关配置、客户端设置和工作区行为，请参阅 MCP 指南。

cp .env.example .env
# Configure the database password and model endpoints in .env.
docker compose up -d --build
curl http://127.0.0.1:3000/healthz

将 MCP 客户端连接到 http://127.0.0.1:3000/mcp。如需使用可选的本地浏览器演示，请配置模型并运行 docker compose --profile showcase up -d --build --wait，然后打开 http://127.0.0.1:8080。该演示仅供本地展示，并非身份验证层；请勿向不受信任的用户开放。

使用库
pnpm install
pnpm run db:generate
cp .env.example .env
# Configure DATABASE_URL and RAG_* model settings; see the guides below.
pnpm run db:push
bun run examples/demo.ts

该库需要 Bun、支持 pgvector 的 PostgreSQL，以及兼容的聊天和嵌入端点。有关环境设置、API 示例、适配器和调优的信息，请参阅英文指南或中文指南。

基准测试

报告中的语料内测试使用五个已索引章节回答 12 个问题，严格命中 10/12，综合词汇召回率为 95.8%。这是一个小型项目基准测试，并非人工语义评估，也不是跨项目比较。报告包含测试方法、各查询结果和局限性。

本页顶部提供英文和中文报告的链接。 要运行包含三个问题的 Docker 冒烟基准测试，请在配置并加载模型端点后使用 pnpm benchmark:docker:quick。有关前置条件和基准测试范围，请参阅 MCP 指南和报告。

文档

贡献

欢迎通过 issues 和拉取请求参与贡献。本项目围绕小型、可测试的模块进行组织，因此最有用的改进通常属于以下某个方面：

  • 图构建质量
  • 检索质量和排序
  • 命名空间隔离
  • 模型加载健壮性
  • 文档和示例

许可证

MIT

评论

支持 Markdown

第一次接触 MCP？

从协议是什么，到在客户端里装上第一个服务，这几条回答覆盖了大多数入门问题。

一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。