icon for mcp server

共享知识检索增强生成

STDIO

多AI助手共享知识库的RAG服务器

Shared Knowledge MCP Server

各種AIアシスタント（CLINE, Cursor, Windsurf, Claude Desktop）で共通して使用できるナレッジベースMCPサーバーです。 Retrieval Augmented Generation (RAG)を活用して、効率的な情報検索と利用を実現します。 複数のAIアシスタントツール間でナレッジベースを共有することで、一貫した情報アクセスを提供します。

特徴

  • 複数のAIアシスタント間で共通のナレッジベースを使用可能
  • RAGによる高精度な情報検索
  • TypeScriptによる型安全な実装
  • 複数のベクトルストア（HNSWLib, Chroma, Pinecone, Milvus）をサポート
  • 抽象化されたインターフェースによる拡張性

インストール

git clone https://github.com/yourusername/shared-knowledge-mcp.git
cd shared-knowledge-mcp
npm install

設定

MCPサーバーの設定は、各AIアシスタントの設定ファイルに追加します。

VSCode (CLINE/Cursor用)

~/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json:

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/rules",
        "OPENAI_API_KEY": "your-openai-api-key",
        "SIMILARITY_THRESHOLD": "0.7",
        "CHUNK_SIZE": "1000",
        "CHUNK_OVERLAP": "200",
        "VECTOR_STORE_TYPE": "hnswlib"
      }
    }
  }
}

Pineconeを使用する例

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/rules",
        "OPENAI_API_KEY": "your-openai-api-key",
        "VECTOR_STORE_TYPE": "pinecone",
        "VECTOR_STORE_CONFIG": "{\"apiKey\":\"your-pinecone-api-key\",\"environment\":\"your-environment\",\"index\":\"your-index-name\"}"
      }
    }
  }
}

Claude Desktop

~/Library/Application Support/Claude/claude_desktop_config.json:

HNSWLib（デフォルト）を使用する例

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/docs",
        "OPENAI_API_KEY": "your-openai-api-key",
        "SIMILARITY_THRESHOLD": "0.7",
        "CHUNK_SIZE": "1000",
        "CHUNK_OVERLAP": "200",
        "VECTOR_STORE_TYPE": "hnswlib",
        "VECTOR_STORE_CONFIG": "{}"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

Weaviateを使用する例

{
  "mcpServers": {
    "shared-knowledge-base": {
      "command": "node",
      "args": ["/path/to/shared-knowledge-mcp/dist/index.js"],
      "env": {
        "KNOWLEDGE_BASE_PATH": "/path/to/your/docs",
        "OPENAI_API_KEY": "your-openai-api-key",
        "SIMILARITY_THRESHOLD": "0.7",
        "CHUNK_SIZE": "1000",
        "CHUNK_OVERLAP": "200",
        "VECTOR_STORE_TYPE": "weaviate",
        "VECTOR_STORE_CONFIG": "{\"url\":\"http://localhost:8080\",\"className\":\"Document\",\"textKey\":\"content\"}"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

注意: Weaviateを使用する場合は、事前にWeaviateサーバーを起動しておく必要があります。以下のコマンドで起動できます：

./start-weaviate.sh

開発

開発用サーバーの起動

npm run dev

ビルド

npm run build

本番環境での実行

npm start

使用可能なツール

rag_search

ナレッジベースから情報を検索します。

検索リクエスト

interface SearchRequest {
  // 検索クエリ（必須）
  query: string;
  
  // 返す結果の最大数（デフォルト: 5）
  limit?: number;
  
  // 検索のコンテキスト（オプション）
  context?: string;
  
  // フィルタリングオプション（オプション）
  filter?: {
    // ドキュメントの種類でフィルタリング（例: ["markdown", "code"]）
    documentTypes?: string[];
    
    // ソースパスのパターンでフィルタリング（例: "*.md"）
    sourcePattern?: string;
  };
  
  // 結果に含める情報（オプション）
  include?: {
    metadata?: boolean;   // メタデータを含める
    summary?: boolean;    // 要約を生成
    keywords?: boolean;   // キーワードを抽出
    relevance?: boolean;  // 関連性の説明を生成
  };
}

使用例

基本的な検索：

const result = await callTool("rag_search", {
  query: "コミットメッセージのフォーマット",
  limit: 3
});

高度な検索：

const result = await callTool("rag_search", {
  query: "コミットメッセージのフォーマット",
  context: "Gitの使い方について調査中",
  filter: {
    documentTypes: ["markdown"],
    sourcePattern: "git-*.md"
  },
  include: {
    summary: true,
    keywords: true,
    relevance: true
  }
});

検索結果

interface SearchResult {
  // 検索クエリに関連する文書の内容
  content: string;
  
  // 類似度スコア（0-1）
  score: number;
  
  // ソースファイルのパス
  source: string;
  
  // 位置情報
  startLine?: number;     // 開始行
  endLine?: number;       // 終了行
  startColumn?: number;   // 開始桁
  endColumn?: number;     // 終了桁
  
  // ドキュメントの種類（例: "markdown", "code", "text"）
  documentType?: string;
  
  // 追加情報（include オプションで指定した場合のみ）
  summary?: string;       // コンテンツの要約
  keywords?: string[];    // 関連キーワード
  relevance?: string;     // 関連性の説明
  metadata?: Record<string, unknown>; // メタデータ
}

レスポンス例

{
  "results": [
    {
      "content": "# コミットメッセージのフォーマット\n\n以下の形式でコミットメッセージを記述してください：\n\n```\n<type>(<scope>): <subject>\n\n<body>\n\n<footer>\n```\n\n...",
      "score": 0.92,
      "source": "/path/to/rules/git-conventions.md",
      "startLine": 1,
      "endLine": 10,
      "startColumn": 1,
      "endColumn": 35,
      "documentType": "markdown",
      "summary": "コミットメッセージのフォーマットについての説明文書",
      "keywords": ["commit", "message", "format", "type", "scope"],
      "relevance": "このドキュメントは検索クエリ \"コミットメッセージのフォーマット\" に関連する情報を含んでいます。類似度スコア: 0.92"
    }
  ]
}

これらの拡張された検索機能により、LLMはより正確かつ効率的に情報を処理できるようになります。位置情報、ドキュメントタイプ、要約、キーワードなどの追加情報は、LLMが検索結果をより深く理解し、適切に活用するのに役立ちます。

仕組み

  1. 起動時に指定されたディレクトリ内のMarkdownファイル（.md, .mdx）とテキストファイル（.txt）を読み込みます
  2. ドキュメントをチャンクに分割し、OpenAI APIを使用してベクトル化します
  3. 選択したベクトルストア（デフォルト: HNSWLib）を使用してベクトルインデックスを作成します
  4. 検索クエリに対して類似度の高いドキュメントを返します

サポートされているベクトルストア

  • HNSWLib: ローカルファイルシステムに保存される高速なベクトルストア（デフォルト）
  • Chroma: オープンソースのベクトルデータベース
  • Pinecone: マネージドベクトルデータベースサービス（API キーが必要）
  • Milvus: 大規模なベクトル検索エンジン
  • Weaviate: スキーマファーストのベクトルデータベース（Docker必須）

各ベクトルストアは抽象化されたインターフェースを通じて利用され、必要に応じて簡単に切り替えることができます。

ベクトルストア環境の操作方法

HNSWLib（デフォルト）

HNSWLibはローカルファイルシステムにベクトルストアを保存するため、特別な環境設定は不要です。

ベクトルストアの再構築：

./rebuild-vector-store-hnsw.sh

Weaviate

Weaviateを使用するには、Dockerが必要です。

  1. Weaviate環境の起動：
./start-weaviate.sh
  1. ベクトルストアの再構築：
./rebuild-vector-store-weaviate.sh
  1. Weaviateの状態確認：
curl http://localhost:8080/v1/.well-known/ready
  1. Weaviate環境の停止：
docker-compose down
  1. Weaviateのデータを完全に削除（必要な場合のみ）：
docker-compose down -v

Weaviateの設定はdocker-compose.ymlファイルで管理されています。デフォルトでは、以下の設定が適用されます：

  • ポート: 8080
  • 認証: 匿名アクセス有効
  • ベクトル化モジュール: なし（外部埋め込みを使用）
  • データ保存: Dockerボリューム（weaviate_data）

設定オプション

環境変数説明デフォルト値
KNOWLEDGE_BASE_PATHナレッジベースのパス（必須）-
OPENAI_API_KEYOpenAI API キー（必須）-
SIMILARITY_THRESHOLD検索時の類似度スコアの閾値（0-1）0.7
CHUNK_SIZEテキスト分割時のチャンクサイズ1000
CHUNK_OVERLAPチャンクのオーバーラップサイズ200
VECTOR_STORE_TYPE使用するベクトルストアの種類（"hnswlib", "chroma", "pinecone", "milvus"）"hnswlib"
VECTOR_STORE_CONFIGベクトルストアの設定（JSON文字列）{}

ライセンス

ISC

貢献

  1. Forkする
  2. フィーチャーブランチを作成する (git checkout -b feature/amazing-feature)
  3. 変更をコミットする (git commit -m 'Add some amazing feature')
  4. ブランチにプッシュする (git push origin feature/amazing-feature)
  5. Pull Requestを作成する

MCP Now 重磅来袭，抢先一步体验