Fetch Rag

MCP服务器获取RAG

一种模型上下文协议（MCP）服务器，使用RAG（检索增强生成）获取web内容并返回相关块。

github：https://github.com/attamari/mcp-server-fetch-rag

特性

• 语义分块：基于嵌入相似性将句子分组为连贯的块
• 基于查询的评分：与Power Mean聚合进行后期交互，以获得精确的相关性评分
• LexRank评分：不提供查询时基于图形的中心性评分
• LexRank回填：在需要时用高中心性块补充查询结果
• 百分比过滤：基于分数分布的动态阈值
• 多语言支持：用途 paraphrase-multilingual-MiniLM-L12-v2 （50多种语言）
• PDF支持：从PDF文档中提取文本
• GPU加速：自动检测CUDA、DirectML、ROCm、OpenVINO提供程序
• 上下文高效：过滤掉无关内容以减少令牌使用

用法

MCP客户端配置

添加到MCP客户端配置中（例如。 claude_desktop_config.json):

{
  "mcpServers": {
    "fetch-rag": {
      "command": "uvx",
      "args": [
        "--from", "git+https://github.com/attamari/mcp-server-fetch-rag",
        "mcp-server-fetch-rag"
      ]
    }
  }
}

使用CLI选项：

{
  "mcpServers": {
    "fetch-rag": {
      "command": "uvx",
      "args": [
        "--from", "git+https://github.com/attamari/mcp-server-fetch-rag",
        "mcp-server-fetch-rag",
        "--ignore-robots-txt",
        "--user-agent", "your-custom-user-agent"
      ]
    }
  }
}

CLI选项

工具：fetch_rag

获取URL并返回相关内容块。

运作原理

1. 获取：从URL下载内容（通过trafilatura下载HTML，通过pypdfium2下载PDF）
2. 分裂：使用wtpsplit将文本分割成句子（sat-31-sm，85种以上语言）
3. 嵌入：生成L2标准化嵌入（通过FastEmbed/ONNX解释多语言MiniLM-L12-v2）
4. 块：通过将相似性嵌入语义块来对相邻句子进行分组
5. 得分:

- 带查询：后期交互——通过幂均值聚合句子级查询相似度 - 无需查询：LexRank——通过幂均值聚合的句子级图中心性

1. 过滤器：应用基于百分位数的动态阈值（P30）
2. 回填：当查询评分产生的块不足时，补充高中心LexRank块（P30过滤）
3. 返回：按原始文档顺序排序的顶部块

许可证

MIT许可证——见 许可证 了解详情。