🔌

MCP工具

知识检索工具

Q: knowledge-rag 是什么工具？

knowledge-rag 是一款Python开发的AI辅助工具。开源MCP工具：Drop docs, search instantly from Claude Code — 12 MCP tools, 20 format parsers, 。⭐84 · Python 主要应用场景包括：快速搜索和管理文档。

Q: knowledge-rag 如何安装和开始使用？

访问 knowledge-rag 的 GitHub 仓库或官方网站，按照 README 文档中的步骤安装依赖并运行。通常需要 Python 3.8+ 或 Node.js 16+ 基础环境。

Q: knowledge-rag 是否免费？许可证是什么？

knowledge-rag 完全免费，采用 MIT 许可证开源发布，任何人都可以免费使用、修改和分发。

Q: knowledge-rag 适合哪些用户使用？

knowledge-rag 主要面向有一定技术基础的用户，包括开发者、数据分析师、AI 工程师等专业人士。

Q: knowledge-rag 的社区活跃度和项目维护状况如何？

knowledge-rag 在 GitHub 上已获得 84 个 Star，处于积极发展阶段，社区在持续扩大。

基于 Python · 让 AI 助手直接操作你的系统与工具

英文名：knowledge-rag

⭐ 84 Stars 🍴 14 Forks 💻 Python 📄 MIT 🏷 AI 8.0分

8.0AI 综合评分

mcpbm25chromadbclaudedocument-search

⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道

📚 深度解析

知识检索工具是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装知识检索工具，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。

在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。知识检索工具提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。

与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将知识检索工具评为 AI 评分 8.0 分，属于同类工具中的优质选择。

📋 工具概览

知识检索工具是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

GitHub Stars

⭐ 84

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

8.0 分

工具类型

MCP工具

Forks

14

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

知识检索工具是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

📌 核心特色

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

🎯 主要使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/lyonzin/knowledge-rag

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "------": {
      "command": "npx",
      "args": ["-y", "knowledge-rag"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json

📋 安装步骤说明

确认已安装 Node.js（v18 或以上版本）
打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
保存配置文件并重启 Claude 客户端
重启后，在对话中即可使用本工具

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 知识检索工具 执行以下任务...
Claude: [自动调用 知识检索工具 MCP 工具处理请求]

# 查看可用工具列表
# 在 Claude 中输入："列出所有可用的 MCP 工具"

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "______": {
      "command": "npx",
      "args": ["-y", "knowledge-rag"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效

📑 README 深度解析真实文档完整度 57/100 含工作流图查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

🚀 Zero-friction setup

pip install knowledge-rag → restart your MCP client → done. No Docker mandatory. No Ollama required. No separate embedding server. Everything runs in-process via FastEmbed ONNX. Works offline after the first model download.

</td> </tr> <tr> <td width="50%" valign="top">

Path 3 — Docker (models pre-downloaded, air-gapped ready)

docker pull ghcr.io/lyonzin/knowledge-rag:latest
docker run -v $(pwd)/documents:/app/documents -p 8179:8179 ghcr.io/lyonzin/knowledge-rag:latest

Full installation guide with all 5 methods, 8 MCP client configurations, and GPU setup: docs/INSTALLATION.md →

---

Option 2 — Via our install.sh (no Node needed; works on Linux/macOS/WSL/Git Bash)

curl -fsSL https://raw.githubusercontent.com/lyonzin/knowledge-rag/master/skills/install.sh | bash ```

Both restart-Claude-Code and you are done. Option 2 supports --project, --only rag-check-first,rag-cite-sources, --dry-run, --help.

For Cursor, Windsurf, Cline and full manual instructions → skills/README.md · Full catalog with skill chains → skills/CATALOG.md

---

🚀 Quick Start (3 minutes, from zero to your first query)

Pick your integration path — knowledge-rag ships the same server through every channel.

💼 Use Cases (real corpora, real teams)

config.yaml

server: transport: "sse" # or "streamable-http" host: "0.0.0.0" port: 8179 auth: bearer_token: "your-secret-token" rate_limit: enabled: true requests_per_minute: 60 metrics: enabled: true port: 9179 logging: format: "json" # ELK / Loki / Datadog / CloudWatch ready

bash knowledge-rag --transport sse ```

Health probe: curl http://your-host:8179/health → 200 + JSON payload
Prometheus scrape: http://your-host:9179/metrics
MCP dispatcher: authenticated via Authorization: Bearer your-secret-token

Option 1 — Via skills.sh (needs Node — one command, zero clone)

npx skills add lyonzin/knowledge-rag

🏢 Enterprise Features (built-in, zero configuration)

Every RAG framework claims "production-ready." Here is what knowledge-rag ships in the OSS core, verified by regression tests, that competitors either paywall, plugin-ify, or simply don't have.

⚙️ Configuration in 30 seconds

```yaml

config.yaml — everything is optional; defaults just work

paths: documents_dir: "./documents" data_dir: "./data"

search: default_results: 5 max_results: 100

server: # optional — SSE / HTTP mode transport: "stdio" # or "sse" / "streamable-http" auth: bearer_token: "" # set a secret to enable auth rate_limit: enabled: false metrics: enabled: false logging: format: "text" # or "json" ```

Pre-built presets: cybersecurity.yaml · developer.yaml · research.yaml · general.yaml · multilingual.yaml

Complete configuration reference — every field, every default, tuning guide: docs/CONFIGURATION.md →

---

📄 35 File Formats — parsed natively, no plugins needed

Every parser is chunk-aware — Markdown splits at ## headers, code splits at function/class boundaries, notebooks skip base64 outputs, PDFs use PyMuPDF, spreadsheets extract sheet-by-sheet. 33 formats are enabled by default; the 2 MetaTrader formats are opt-in (add to documents.supported_formats in config.yaml).

#	Format	Extension	Parser	Default	Notes
1	Markdown	`.md`	Section-aware (splits at `##`)	Yes	Headers preserved as chunk boundaries
2	Plain Text	`.txt`	Fixed-size chunking	Yes	1000 chars + 200 overlap
3	PDF	`.pdf`	PyMuPDF extraction	Yes	Text-based PDFs only (no OCR)
4	Word	`.docx`	python-docx	Yes	Headings preserved as markdown
5	Excel	`.xlsx`	openpyxl	Yes	Sheet-by-sheet extraction
6	PowerPoint	`.pptx`	python-pptx	Yes	Slide-by-slide extraction
7	Jupyter Notebook	`.ipynb`	Cell-aware parser	Yes	Markdown + code cells only; skips outputs/base64
8	JSON	`.json`	Structure-aware	Yes	Flattened key-value extraction
9	CSV	`.csv`	Row-based parser	Yes	Headers + rows as text
10	XML	`.xml`	XML parser	Yes	Root element + namespace metadata
11	Python	`.py`	Code-aware parser	Yes	Functions/classes as chunks
12	C Source	`.c`	Code-aware parser	Yes	Functions / structs / includes extracted
13	C/C++ Header	`.h`	Code-aware parser	Yes	Function declarations + structs extracted
14	C++ Source	`.cpp`	Code-aware parser	Yes	Classes / structs / includes extracted
15	JavaScript	`.js`	Code-aware parser	Yes	Functions / classes / imports (ESM + CJS)
16	React JSX	`.jsx`	Code-aware parser	Yes	Same as JS parser
17	TypeScript	`.ts`	Code-aware parser	Yes	Functions / classes / interfaces / enums / imports
18	React TSX	`.tsx`	Code-aware parser	Yes	Same as TS parser
19	Go	`.go`	Code-aware parser	Yes	Functions / structs / imports extracted
20	Rust	`.rs`	Code-aware parser	Yes	Functions / structs / enums / traits / `use` imports
21	Kotlin	`.kt`	Code-aware parser	Yes	Functions (incl. class members) / classes extracted
22	YAML	`.yaml`	YAML parser	Yes	Kubernetes kind / apiVersion / name extracted
23	YAML	`.yml`	YAML parser	Yes	Same as YAML parser
24	HuJSON	`.hujson`	HuJSON parser	Yes	JSON with comments + trailing commas (e.g. Tailscale ACLs)
25	CUE	`.cue`	Code-aware parser	Yes	Imports / package extracted
26	Protocol Buffers	`.proto`	Proto parser	Yes	Services / messages / RPCs extracted
27	Rego	`.rego`	Code-aware parser	Yes	OPA policies — imports / package extracted
28	SQL	`.sql`	SQL parser	Yes	Table names + statement types extracted
29	Shell	`.sh`	Shell parser	Yes	Function names extracted
30	jq	`.jq`	Shell parser	Yes	Indexed as shell-style script
31	Dockerfile	`Dockerfile`	Text parser	Yes	Matched by exact filename (no extension)
32	Makefile	`Makefile`	Text parser	Yes	Matched by exact filename (no extension)
33	Tiltfile	`Tiltfile`	Code-aware parser	Yes	Starlark — `def` functions / `load()` extracted
34	MQL4 Source	`.mq4`	Code parser	No	MetaTrader — opt-in via `documents.supported_formats`
35	MQL4 Header	`.mqh`	Code parser	No	MetaTrader — opt-in via `documents.supported_formats`

Enable an opt-in format — add the extension to documents.supported_formats in your config.yaml:
> documents:
>   supported_formats: [".md", ".pdf", ".mq4", ".mqh"]
> 

Full parser reference with per-format notes: docs/CONFIGURATION.md

---