Obsidian Elite RAG MCP Server

黑曜石精英RAG MCP服务器

一个精英检索增强生成（RAG）系统，将黑曜石金库转化为具有高级Graphiti知识图集成的人工智能配对认知工作流引擎。

🌟 特性

🧠 多层RAG架构

• L1：语义语境 （30%权重）-使用OpenAI嵌入进行向量相似性搜索
• L2：知识图谱 （25%权重）-基于图形的实体和关系检索
• L3：图形遍历 （15%权重）-基于NetworkX的链接遍历
• L4：时间上下文 （15%权重）-基于时间的相关性和新鲜度
• L5：领域专业化 （15%权重）-上下文感知检索
• L6：元知识 （剩余权重）-关于知识的知识

🔗 高级知识图谱

• 27+实体类型：概念、人员、组织、技术、方法、框架、算法等。
• 40+关系类型：实现、使用、依赖、扩展、基于、相似、集成等。
• 双图架构：Neo4j（结构化）+NetworkX（非结构化备份）
• 自动实体提取：模式匹配和基于NLP的实体识别
• 关系检测：信心评分和验证

🚀 MCP服务器集成

• 克劳德代码兼容：完整的模型上下文协议服务器实现
• 基于工具的API：摄取、查询、搜索知识图、获取实体上下文
• 实时状态：系统健康监测和数据库连接检查
• 异步处理：高性能并发操作

📋 需求

• Python 3.9+
• Docker&Docker编写
• OpenAI API密钥
• 黑曜石拱顶 （可选但推荐）
• Neo4j数据库 （由安装脚本处理）
• Qdrant矢量数据库 （由安装脚本处理）

🛠️ 安装

选项1：从PyPI安装（推荐）

pip install obsidian-elite-rag-mcp

选项2：从源代码安装

git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag
pip install -e .

🚀 快速开始

1.系统设置

# Initialize the system
obsidian-elite-rag-cli setup

# Start both databases (Qdrant + Neo4j)
obsidian-elite-rag-cli start-databases

# Or start manually with Docker
docker run -d --name qdrant -p 6333:6333 -v $(pwd)/data/qdrant:/qdrant/storage qdrant/qdrant:latest
docker run -d --name neo4j -p 7474:7474 -p 7687:7687 -v $(pwd)/data/neo4j:/data \
  --env NEO4J_AUTH=neo4j/password --env NEO4J_PLUGINS='["apoc","graph-data-science"]' \
  neo4j:5.14

2.吞下你的黑曜石金库

# Ingest all markdown files
obsidian-elite-rag-cli ingest /path/to/your/obsidian/vault

# Check system status
obsidian-elite-rag-cli status /path/to/your/obsidian/vault

3.启动MCP服务器

# Start the MCP server for Claude Code integration
obsidian-elite-rag-cli server

4.配置克劳德代码

添加到您的Claude代码配置中(~/.config/claude-code/config.json):

{
  "mcpServers": {
    "obsidian-elite-rag": {
      "command": "obsidian-elite-rag-cli",
      "args": ["server"],
      "env": {
        "OPENAI_API_KEY": "your-openai-api-key"
      }
    }
  }
}

📖 使用示例

CLI使用情况

# Query the RAG system
obsidian-elite-rag-cli query "How does the RAG system work?" /path/to/vault

# Search knowledge graph for entities
obsidian-elite-rag-cli graph /path/to/vault --entity-query "machine learning"

# Technical queries
obsidian-elite-rag-cli query "JWT authentication patterns" /path/to/vault --query-type technical

# Research queries
obsidian-elite-rag-cli query "latest developments in LLMs" /path/to/vault --query-type research

MCP服务器工具（克劳德代码）

连接到Claude Code后，您将可以访问这些工具：

1. ingest_vault -从黑曜石金库中摄取标记文件
2. query_rag -通过多层检索查询精英RAG系统
3. search_knowledge_graph -在Graphiti知识图中搜索实体
4. get_entity_context -获取特定实体的丰富上下文
5. get_related_entities -通过关系获取相关实体
6. get_system_status -获取系统状态和数据库连接

克劳德代码中的示例：

@obsidian-elite-rag please ingest my vault at /Users/me/Documents/Obsidian
@obsidian-elite-rag query "what are the key concepts in machine learning?" with vault path /Users/me/Documents/Obsidian
@obsidian-elite-rag search_knowledge_graph for "neural networks" in vault /Users/me/Documents/Obsidian

🏗️ 建筑

系统组件

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Obsidian      │    │   Claude Code   │    │   MCP Protocol  │
│     Vault       │◄──►│   Integration   │◄──►│     Server      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                    Elite RAG System                            │
├─────────────────┬─────────────────┬─────────────────────────────┤
│   Semantic      │  Knowledge      │     Temporal & Domain       │
│   Search        │     Graph       │      Specialization         │
│   (Qdrant)      │   (Neo4j)       │                             │
└─────────────────┴─────────────────┴─────────────────────────────┘

知识图实体类型

• 核心：概念、人物、组织、事件、地点
• 技术性的：技术、算法、框架、系统、应用
• 过程：方法论、工作流程、过程、模式
• 实施：工具、库、数据库、api、协议
• 文档：标准、规范、原理、理论、模型
• 建筑：设计、实施、项目、研究

知识图关系类型

• 结构性的：part_of、实现、扩展、based_on、depends_on
• 语义：相似、相反、相关、示例
• 功能的：使用、启用、要求、支持、改进
• 认知：定义、描述、解释、演示、教授
• 发展：builds_on、applies_to、引用、引用、测试
• 可操作的：管理、监视、部署、配置、维护

📊 性能特征

• 检索速度：对于上下文丰富的查询，\<100ms
• 知识覆盖范围：特定领域查询的召回率超过95%
• 实体识别：概念、人员、组织的准确率超过90%
• 关系提取：语义关系准确率超过85%
• 图的遍历：对于深度达4的实体关系查询，\<50ms
• 自动化覆盖范围：80%以上的常规知识任务自动化

🔧 配置

环境变量

# Required
OPENAI_API_KEY=your-openai-api-key

# Optional (auto-configured by setup scripts)
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password
QDRANT_HOST=localhost
QDRANT_PORT=6333

配置文件

系统使用 config/automation-config.yaml 详细配置：

knowledge_graph:
  enabled: true
  provider: graphiti
  graphiti:
    neo4j_uri: bolt://localhost:7687
    neo4j_user: neo4j
    neo4j_password: "password"

rag_system:
  layers:
    semantic:
      weight: 0.3
      similarity_threshold: 0.7
    knowledge_graph:
      weight: 0.25
      max_depth: 4
    # ... other layers

📁 拱顶结构

该系统最适合这种黑曜石拱顶结构：

00-Core/           # 🧠 Foundational knowledge
01-Projects/       # 🚀 Active work
02-Research/       # 🔬 Learning areas
03-Workflows/      # ⚙️ Reusable processes
04-AI-Paired/      # 🤖 Claude interactions
05-Resources/      # 📚 External references
06-Meta/           # 📊 System knowledge
07-Archive/        # 📦 Historical data
08-Templates/      # 📋 Note structures
09-Links/          # 🔗 External connections

🤝 贡献

我们欢迎捐款！请查看我们的 贡献指南 了解详情。

开发环境设置

# Clone the repository
git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag

# Install in development mode
pip install -e ".[dev]"

# Run tests
pytest

# Run with coverage
pytest --cov=obsidian_elite_rag

# Code formatting
black src/
mypy src/

📄 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

🙏 归因

创建者： 马塔·库珀 电子邮件： research@aegntic.ai 组织机构： Aegntic AI(https://aegntic.ai)

该项目代表了人工智能知识管理和检索增强生成系统的先进研究。Graphiti知识图与多层RAG架构的集成代表了人工智能系统如何与个人知识库交互和推理的重大进步。

📞 支持

• 文档: 维基工程
• 问题:
• 讨论:
• 电子邮件: research@aegntic.ai

🔗 相关项目

• 图形 -LLMs的知识图构建
• Qdrant -矢量相似度搜索引擎
• Neo4j -图形数据库
• LangChain -LLM应用框架
• 模型上下文协议 -AI工具集成标准

______________________________________________________________________

由以下材料制成❤️ 通过Aegntic AI *推进人工智能知识管理的未来*