Avs Docs MCP

MCP文档搜索系统

一个使用MongoDB Atlas向量搜索和Voyage AI嵌入的文档检索向量搜索系统。

附带的示例数据是用于Atlas向量搜索的！

特性

• 处理并分块具有层级标题的Markdown文档
• 使用Voyage AI的上下文嵌入API生成嵌入表示
• 在MongoDB中存储具有父子关系的文档和嵌入
• 提供一个用于语义文档搜索的FastMCP服务器
• 支持可配置的向量维度和分块策略

可用的MCP工具

文档搜索服务器提供以下工具：

1. search_documents_vector(query: str, limit: int = 5)

- 主要使用向量相似度进行搜索的方法 - 返回带有元数据和相似度分数的文档片段 - 最适合基于语义/意义的查询

1. 根据全局信息：翻译的目标语言是中文，对原文内容“search_documents_lexically(query: str, limit: int = 1)”进行翻译，译文内容为：“按词汇搜索文档(query: str, limit: int = 1)”

- 使用词汇/文本匹配进行回退搜索 - 返回包含搜索得分的完整父文档 - 当向量搜索找不到良好匹配时很有用

1. 获取父文档（parent_id: 字符串）

- 通过ID检索完整的父文档 - 返回原始内容和文件路径 - 搜索后使用以获取块的完整上下文

Claude Desktop Tool Call

先决条件

• Python 3.10+
• 启用向量搜索的MongoDB Atlas集群
• 旅行AI API密钥

安装

1. 克隆仓库：

git clone https://github.com/patw/avs-document-search.git
cd avs-document-search

1. 安装依赖项：

pip install -r requirements.txt

1. 创建一个 .env 根据文件内容翻译 sample.env 使用您的凭据

用法

1. 在 docs/ 目录中导入文档：

python ingest_docs.py

1. 运行搜索服务器：

python avs-mcp.py

运行搜索服务器除了验证您的MongoDB URI是否正确外，并不会做太多事情，您需要将这个MCP服务器连接到像Claude Desktop这样的MCP客户端。以下是一个示例配置：

{
  "mcpServers": {
    "Atlas Vector Search Docs": {
      "command": "uv",
      "args": [
        "run",
        "--with",
        "fastmcp, pymongo, requests",
        "fastmcp",
        "run",
        "
/avs-docs-mcp/avs-mcp.py"
      ]
    }
  }
}

配置

根据上面的信息，执行如下指令： sample.env 好的，以下是原文内容的翻译： .env 并编辑以进行配置：

• MongoDB连接字符串
• 数据库和集合名称
• 旅行AI API密钥
• 向量维度（默认256）

未来的改进

• 实现结合向量和文本搜索的混合搜索 $rankFusion （当MongoDB 8.1在Atlas上正式发布时）
• 使用Docling支持更多文件格式（PDF、Word等）

贡献

欢迎提交拉取请求！对于重大更改，请先打开一个问题。

作者

帕特·文多夫\ pat.wendorf@mongodb.com\ GitHub: ---

许可证

麻省理工学院