bookmarkcontext

书签存储器

一个基于Python的书签语义搜索系统，通过向量嵌入和语义分块实现对URL内容的智能查询。

特性

• 🔍 语义搜索：根据含义查找书签，而不仅仅是关键字
• 🧩 智能分块：智能地将内容分割成有意义的片段
• 🚀 多个后端：支持Qdrant Cloud、本地容器或自动启动
• 🌐 FastAPI服务器：带有自动生成文档的RESTful API
• 🤖 MCP集成：用于AI助手集成的FastMCP服务器
• 📊 灵活嵌入：支持多种嵌入模型

快速开始

安装

# Clone the repository
git clone file:///c:/temp/BookmarkMemory
cd BookmarkMemory

# Install dependencies
pip install -r requirements.txt
pip install -e .

基本用法

from bookmark_memory import BookmarkMemory

# Initialize
bm = BookmarkMemory()

# Add bookmarks
bm.add_bookmarks([
    "https://example.com/article1",
    "https://example.com/article2"
])

# Search
results = bm.find_related_bookmarks("machine learning")
for result in results:
    print(f"{result['url']} - Score: {result['relevance_score']:.3f}")

API服务器

# Start the FastAPI server
uvicorn bookmark_memory.api.fastapi_app:app --reload

# Visit http://localhost:8000/docs for API documentation

MCP服务器

添加到您的Claude Desktop配置中：

{
  "mcpServers": {
    "bookmark-memory": {
      "command": "python",
      "args": ["-m", "bookmark_memory.mcp.mcp_server"],
      "env": {
        "QDRANT_MODE": "auto"
      }
    }
  }
}

配置

环境变量

• QDRANT_MODE：连接模式（自动、云端、本地）
• QDRANT_HOST：Qdrant主机地址
• QDRANT_PORT：Qdrant端口（默认值：6333）
• EMBEDDING_MODEL：嵌入模型（默认：句子转换/全MiniLM-L6-v2）

看 config/settings.py 对于所有配置选项。

文档

• API文档 （服务器运行时）
• 项目需求
• 例子

测试

# Run all tests
pytest

# Run with coverage
pytest --cov=bookmark_memory

许可证

MIT许可证-有关详细信息，请参阅许可证文件。