feat: initialize MCP RAG Prompts server with embedding management

- Add package.json for project configuration and dependencies.
- Create src/index.ts as the entry point for the MCP server.
- Implement vectorStore for managing embeddings with local and cloud providers.
- Add embeddingProviders for local and cloud-based embedding services (OpenAI, Aliyun, SiliconFlow).
- Define types for prompts and embeddings in types.ts.
- Implement searchPersona tool for semantic search of expert personas.
- Create test.ts for validating vector storage and search functionality.
- Configure TypeScript with tsconfig.json for strict type checking and module resolution.

README.md

@@ -0,0 +1,187 @@
+# MCP RAG Prompts Server
+
+基于 MCP 协议的 RAG 提示词管理服务器，支持本地模型和云服务 API 进行语义搜索。
+
+## 功能特性
+
+- 🔍 **语义搜索**：Hybrid Search（向量语义 + 关键词加权）
+- 🔄 **多提供者支持**：本地模型 / OpenAI / 阿里云百炼 / SiliconFlow
+- 🚀 **MCP 协议**：标准 MCP Server 实现，可与任何 MCP 客户端集成
+- 💾 **内存缓存**：启动时一次性向量化，搜索速度快
+
+## 项目结构
+
+```
+mcp-rag-prompts/
+├── package.json
+├── tsconfig.json
+├── .env.example           # 环境变量配置模板
+├── data/
+│   └── prompts.json       # Prompt 数据文件
+└── src/
+    ├── index.ts           # MCP Server 入口
+    ├── test.ts            # 测试脚本
+    └── lib/
+        ├── types.ts       # 类型定义
+        ├── embeddingProviders.ts  # Embedding 提供者实现
+        └── vectorStore.ts # 向量存储和搜索
+```
+
+## 安装
+
+```bash
+npm install
+```
+
+## Embedding 提供者配置
+
+通过环境变量选择 Embedding 提供者：
+
+### 方式 1：本地模型（默认）
+
+无需配置，开箱即用。首次运行会自动下载模型（约 90MB）。
+
+```bash
+# 默认配置，无需设置
+npm start
+
+# 或显式指定
+EMBEDDING_PROVIDER=local npm start
+```
+
+### 方式 2：OpenAI API
+
+```bash
+# Windows PowerShell
+$env:EMBEDDING_PROVIDER="openai"
+$env:OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxx"
+npm start
+
+# Linux/macOS
+EMBEDDING_PROVIDER=openai \
+OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx \
+npm start
+```
+
+可选配置：
+- `OPENAI_BASE_URL` - 自定义 API 地址（支持代理）
+- `OPENAI_EMBEDDING_MODEL` - 模型名称（默认 `text-embedding-3-small`）
+
+### 方式 3：阿里云百炼 DashScope
+
+```bash
+$env:EMBEDDING_PROVIDER="aliyun"
+$env:DASHSCOPE_API_KEY="sk-xxxxxxxxxxxxxxxx"
+npm start
+```
+
+可选配置：
+- `ALIYUN_EMBEDDING_MODEL` - 模型名称（默认 `text-embedding-v3`）
+
+### 方式 4：SiliconFlow 硅基流动
+
+```bash
+$env:EMBEDDING_PROVIDER="siliconflow"
+$env:SILICONFLOW_API_KEY="sk-xxxxxxxxxxxxxxxx"
+npm start
+```
+
+可选配置：
+- `SILICONFLOW_EMBEDDING_MODEL` - 模型名称（默认 `BAAI/bge-m3`）
+
+## 运行
+
+```bash
+# 启动 MCP Server
+npm start
+
+# 开发模式（热重载）
+npm run dev
+
+# 运行测试
+npx tsx src/test.ts
+```
+
+## 本地模型网络问题
+
+首次运行本地模型时需要从 HuggingFace 下载。如果遇到网络问题：
+
+```bash
+# 设置代理
+$env:HTTPS_PROXY="http://127.0.0.1:7890"
+
+# 或使用 HuggingFace 镜像（中国大陆）
+$env:HF_ENDPOINT="https://hf-mirror.com"
+```
+
+## MCP Tool
+
+### `search_expert_persona`
+
+根据用户问题语义搜索最匹配的专家角色设定。
+
+**参数**：
+- `query` (string): 用户的原始问题或需求描述
+
+**返回示例**：
+```json
+{
+  "success": true,
+  "matchedExpert": {
+    "id": "python-expert",
+    "tags": ["python", "programming"],
+    "description": "Python 编程专家...",
+    "similarity": 0.75
+  },
+  "systemPrompt": "你是一位资深的 Python 编程专家..."
+}
+```
+
+## 配置 MCP 客户端
+
+### Claude Desktop
+
+在 `claude_desktop_config.json` 中添加：
+
+```json
+{
+  "mcpServers": {
+    "rag-prompts": {
+      "command": "npx",
+      "args": ["tsx", "C:/path/to/mcp-rag-prompts/src/index.ts"],
+      "env": {
+        "EMBEDDING_PROVIDER": "siliconflow",
+        "SILICONFLOW_API_KEY": "sk-xxxxxxxx"
+      }
+    }
+  }
+}
+```
+
+### 自定义 Prompt 数据
+
+编辑 `data/prompts.json` 添加你自己的专家角色：
+
+```json
+[
+  {
+    "id": "unique-id",
+    "tags": ["tag1", "tag2"],
+    "description": "用于语义搜索的描述文本（会被向量化）",
+    "content": "实际的 System Prompt 内容"
+  }
+]
+```
+
+## 提供者对比
+
+| 提供者 | 优点 | 缺点 |
+|--------|------|------|
+| **local** | 免费、离线可用、隐私安全 | 首次加载慢、需下载模型 |
+| **openai** | 效果好、稳定 | 需要付费、需要网络 |
+| **aliyun** | 中文效果好、国内访问快 | 需要付费 |
+| **siliconflow** | 性价比高、支持多种开源模型 | 需要付费 |
+
+## License
+
+MIT