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

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）。

# 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

# 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

$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

$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

# 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：

# 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：

{
  "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：

{
  "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：

[
  {
    "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