Doc Insight MCP

MCP DocInsight

MCP DocInsight是一个文档驱动的系统，它解析结构化的研究生应用程序PDF，将提取的数据存储在SQLite数据库中，并允许用户使用自然语言查询该数据。

概述

该系统展示了一个用于将大型语言模型与数据库集成的受控架构。它不允许LLM生成原始SQL，而是生成由MCP（模型上下文协议）层验证和执行的结构化工具调用。

特性

• 将结构化PDF应用程序表单解析为JSON
• 将应用程序数据存储在SQLite数据库中
• 批量摄取PDF目录
• 根据文件名对文件进行重复数据消除
• 使用自然语言查询数据
• 通过经过验证的工具调用安全执行
• 支持过滤和聚合查询

运作原理

1. PDF被解析为结构化的Python字典
2. 解析后的数据以JSON格式暂存
3. 数据被插入到SQLite数据库中
4. 用户输入自然语言查询
5. LLM将查询转换为结构化工具调用
6. MCP层验证工具调用
7. 数据库执行相应的查询
8. 结果返回给用户

安装说明

1.克隆存储库

git clone https://github.com/EthanScott19/DocInsight-MCP.git

2.创建虚拟环境

python3 -m venv venv
source venv/bin/activate

3.安装依赖项

pip install -r requirements.txt

相干API密钥设置

本项目需要一个Cohere API密钥。

步骤1：创建API密钥

访问： https://dashboard.cohere.com/api-keys

生成新的API密钥。

步骤2：设置环境变量

macOS/Linux：

export COHERE_API_KEY="your_api_key_here"

可选（跨会话持久）：

echo 'export COHERE_API_KEY="your_api_key_here"' >> ~/.zshrc
source ~/.zshrc

步骤3：验证

echo $COHERE_API_KEY

运行应用程序

从项目根：

cd MCP-DocInsight
./start.sh

用法

选项1：提问

示例查询：

有多少申请人？ 有多少BIO申请者的GPA至少为3.5？ 向CSC申请人展示3.2 GPA以上 显示2025年秋季的临时录取名单

选项2：上传PDF

您可以上传：

• 单个PDF文件
• 用于批量摄取的PDF目录

批摄取行为：

• 根据文件名检测新文件
• 允许用户在处理之前排除文件
• 将已成功处理的文件移动到已处理/
• 将失败的文件移动到失败/

备注

• API密钥不包含在存储库中
• 每个用户必须提供自己的Cohere API密钥
• 根据文件名跳过重复的PDF

未来改进

• 添加更多工具
• 改进结果格式

作者

• 伊森·斯科特
• 贾斯汀康奈尔
• 加里克·米尔斯