# 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