RAG文档管理工具

@heltonteixeira/ragdocs

11 Stars 3.3k 次浏览 heltonteixeira 更新于 2026-08-23

为语义文档搜索提供RAG功能，使用Qdrant向量数据库和Ollama/OpenAI嵌入式服务，允许用户添加、搜索、列出和删除带有元数据支持的文档。

MCP 服务配置

复制以下 JSON 到 OPClaw 或其他 MCP 客户端的配置文件中即可使用

{
  "mcpServers": {
    "ragdocs": {
      "args": [
        "@mcpservers/ragdocs"
      ],
      "command": "node",
      "env": {
        "EMBEDDING_PROVIDER": "openai",
        "OPENAI_API_KEY": "your-api-key",
        "QDRANT_URL": "http://127.0.0.1:6333"
      }
    }
  }
}

服务介绍

RagDocs MCP 服务器

一个使用 Qdrant 向量数据库和 Ollama/OpenAI 嵌入的模型上下文协议 (MCP) 服务器，提供 RAG（检索增强生成）功能。该服务器通过向量相似性实现文档的语义搜索和管理。

功能

添加带有元数据的文档
通过文档进行语义搜索
列出并组织文档
删除文档
支持 Ollama（免费）和 OpenAI（付费）嵌入
自动文本分块和嵌入生成
使用 Qdrant 进行向量存储

先决条件

Node.js 16 或更高版本
以下 Qdrant 设置之一：
- 使用 Docker 的本地实例（免费）
- 拥有 API 密钥的 Qdrant Cloud 账户（托管服务）
以下嵌入选项之一：
- 本地运行的 Ollama（默认，免费）
- OpenAI API 密钥（可选，付费）

可用工具

1. add_document

将文档添加到 RAG 系统中。

参数：

url（必填）：文档 URL/标识符
content（必填）：文档内容
metadata（可选）：文档元数据
- title：文档标题
- contentType：内容类型（例如："text/markdown"）

2. search_documents

使用语义相似性搜索已存储的文档。

参数：

query（必填）：自然语言搜索查询
options（可选）：
- limit：最大结果数（1-20，默认：5）
- scoreThreshold：最小相似度分数（0-1，默认：0.7）
- filters：
  - domain：按领域过滤
  - hasCode：过滤包含代码的文档
  - after：按日期之后过滤（ISO 格式）
  - before：按日期之前过滤（ISO 格式）

3. list_documents

列出所有存储的文档，并提供分页和分组选项。

参数（全部可选）：

page：页码（默认：1）
pageSize：每页文档数量（1-100，默认：20）
groupByDomain：按领域分组文档（默认：false）
sortBy：排序字段（"timestamp"、"title" 或 "domain"）
sortOrder：排序顺序（"asc" 或 "desc"）

4. delete_document

从 RAG 系统中删除文档。

参数：

url（必填）：要删除的文档的 URL

安装

npm install -g @mcpservers/ragdocs

MCP 服务器配置

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "http://127.0.0.1:6333",
        "EMBEDDING_PROVIDER": "ollama"
      }
    }
  }
}

使用 Qdrant Cloud:

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "https://your-cluster-url.qdrant.tech",
        "QDRANT_API_KEY": "your-qdrant-api-key",
        "EMBEDDING_PROVIDER": "ollama"
      }
    }
  }
}

使用 OpenAI:

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "http://127.0.0.1:6333",
        "EMBEDDING_PROVIDER": "openai",
        "OPENAI_API_KEY": "your-api-key"
      }
    }
  }
}

本地 Qdrant 与 Docker

docker run -d --name qdrant -p 6333:6333 -p 6334:6334 qdrant/qdrant

环境变量

QDRANT_URL：您的 Qdrant 实例的 URL
- 对于本地："http://127.0.0.1:6333"（默认）
- 对于云："https://your-cluster-url.qdrant.tech"
QDRANT_API_KEY：Qdrant Cloud 的 API 密钥（使用云实例时必需）
EMBEDDING_PROVIDER：选择嵌入提供者（"ollama" 或 "openai"，默认："ollama"）
OPENAI_API_KEY：OpenAI API 密钥（如果使用 OpenAI 则必需）
EMBEDDING_MODEL：用于嵌入的模型
- 对于 Ollama：默认为 "nomic-embed-text"
- 对于 OpenAI：默认为 "text-embedding-3-small"

许可证

Apache License 2.0

查看源码项目主页