金库抹布mcp
MCP服务器用于黑曜石第二大脑库中的语义搜索，使用Supabase pgvector和Google Gemini嵌入。
建筑
Claude Code vault-rag MCP server (stdio)
|-> Google Gemini gemini-embedding-001 (native 3072d)
|-> Supabase pgvector halfvec cosine similarity混合RAG架构的一部分：
- 索引：n8n（远程）+Google Gemini API
- 本地查询：此MCP服务器+Google Gemini API
- 网络聊天：n8n Vault聊天（AI代理+Gemini原生）或聊天中心（HTTP管道）
- 散装指数：使用Gemini编写脚本
gemini-embedding-001
同一型号(gemini-embedding-001，原生3072d）确保了矢量兼容性。 存储优化 halfvec （float16）——存储空间减半，质量完全（约284 MB对约567 MB）。
不对称任务类型： RETRIEVAL_DOCUMENT 为了索引， RETRIEVAL_QUERY 搜索。
工具
| 工具 | 说明 |
|---|---|
search_vault | 在整个保险库中进行语义搜索（查询、限制、para_folder、note_type） |
search_glossary | 在术语表定义中搜索（3_资源/定义/） |
get_note | 按文件路径检索笔记的完整内容 |
先决条件
- Python>=3.11
- 紫外线 包管理器
- Google API密钥（用于Gemini嵌入）
- Supabase项目
vault_chunks表和pgvector
设置
# Clone and install
cd ~/Projects/vault-rag-mcp
uv sync
# Configure environment
cp .env.example .env
# Edit .env with your Google API key and Supabase credentials环境变量
| 变量 | 描述 | 默认值 |
|---|---|---|
SUPABASE_URL | Supabase项目URL | （必填） |
SUPABASE_KEY | Supabase匿名密钥 | （必填） |
GOOGLE_API_KEY | Google AI API密钥 | （必需） |
EMBEDDING_MODEL | Gemini嵌入模型 | gemini-embedding-001 |
EMBEDDING_DIMENSIONS | 输出维度（原生=3072） | 3072 |
用法
作为MCP服务器（克劳德代码）
添加到您的项目 .mcp.json:
{
"mcpServers": {
"vault-rag": {
"command": "uv",
"args": ["run", "--directory", "/path/to/vault-rag-mcp", "vault-rag-mcp"],
"env": {
"SUPABASE_URL": "https://your-project.supabase.co",
"SUPABASE_KEY": "your-anon-key",
"GOOGLE_API_KEY": "your-google-api-key",
"EMBEDDING_MODEL": "gemini-embedding-001",
"EMBEDDING_DIMENSIONS": "3072"
}
}
}
}重新启动克劳德代码以激活。然后在对话中直接使用这些工具。
批量指数化
通过Google Gemini索引整个黑曜石金库的脚本：
uv run python scripts/bulk_index.py /path/to/vault [--force]选项：
--force：重新索引所有文件，忽略file_hash缓存
脚本：
- 走过金库，跳过
.obsidian/,templates/,.trash/，文件>500 KB - 解析YAML frontmatter（类型、标签、PARA文件夹）
- 按H2部分划分块，拆分超大块（>2000个字符）
- 通过Google Gemini以50个为一批嵌入（task_type=RETRIEVAL_DOCUMENT）
- 使用SHA256 file_hash升级到Supabase以进行增量重新运行
在初始批量索引化之后，n8n通过Gemini API处理增量更新。
项目结构
vault-rag-mcp/
├── pyproject.toml # uv + hatch build config
├── .env.example # Environment template
├── src/
│ └── vault_rag_mcp/
│ ├── __init__.py
│ ├── server.py # MCP server (FastMCP, stdio) — 3 tools
│ ├── embeddings.py # Google Gemini embedding client (native 3072d)
│ └── supabase_client.py # Supabase CRUD + RPC calls
├── scripts/
│ └── bulk_index.py # Bulk indexation via Google Gemini
└── n8n-workflows/ # n8n workflow definitions
├── vault-rag-github-indexation.json
└── vault-rag-chat-hub.jsonSupabase架构
表格 vault_chunks 与：
content TEXT--大块文本embedding HALFVEC(3072)--gemini-embedding-001载体（float16，半存储）metadata JSONB--标签、类型、文件夹file_path TEXT--从vault根的相对路径chunk_index INTEGER--文件中的位置para_folder TEXT--PARA文件夹（1_项目、2_区域等）note_type TEXT--前件类型（备忘录、术语表、操作指南等）file_hash TEXT--SHA256用于变化检测
RPC功能： search_vault(), match_vault_chunks(), delete_file_chunks()
技术栈
- MCP-SDK:
mcp[cli]随着FastMCP（stdio传输） - 嵌入：谷歌双子座
gemini-embedding-001（原生3072d，多语言，2048令牌/文本） - 矢量数据库：Supabase PostgreSQL+pgvector 0.8.0（HNSW余弦，半向量存储）
- 构建：紫外线+舱口