Green MCP

绿色MCP服务器

来自Grüne Hamburg的用于政治决议（Beschlüsse）语义搜索的模型上下文协议（MCP）服务器。使用Spring Boot和pgvector构建，用于向量相似性搜索。

特性

• 语义搜索：使用自然语言查询查找相关解决方案
• 文档特定搜索：在特定决议文档中搜索
• 文档列表：列出所有可用的解决方案文档
• 向量相似性：使用具有余弦相似性的pgvector获得准确的结果

先决条件

• Docker和Docker Compose
• Mistral AI API密钥（用于查询嵌入）
• Node.js（用于通过mcp-remote集成Claude Desktop）

快速开始

1.克隆和配置

git clone https://github.com/KyleKreuter/green-mcp.git
cd green-mcp

创建 .env 使用Mistral AI API密钥提交文件：

nano .env
# Edit .env and add your MISTRAL_API_KEY

2.添加嵌入数据

服务器需要预先计算的嵌入才能运行。将这些文件放入 src/main/resources/data/:

• embeddings.csv -包含带有嵌入的文档块
• metadata.csv -包含每个块的元数据

CSV格式 embeddings.csv:

"id","pdf_url","chunk_index","content","embedding"
"uuid","https://...","0","Text content here","[0.1, 0.2, ...]"

CSV格式 metadata.csv:

"id","filename","title","topic","sequence_number","word_count","created_at"
"uuid","document.pdf","Title","Topic","0","150","2024-01-01T00:00:00"

备注：嵌入必须是1024维向量（Mistral AI嵌入格式）。 如需获取Grüne Hamburg嵌入数据集，请联系我。 要创建自己的嵌入，请使用Mistral AI嵌入API。

3.启动服务器

docker compose up -d --build

MCP服务器将在 http://localhost:2228/sse

4.连接到克劳德桌面

添加到您的Claude Desktop配置(~/Library/Application Support/Claude/claude_desktop_config.json):

{
  "mcpServers": {
    "green-mcp": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "http://localhost:2228/sse"]
    }
  }
}

重新启动Claude Desktop以加载MCP服务器。

可用工具

beschluesseSuchen

使用语义相似性搜索所有分辨率。

参数：

• query （string）：自然语言搜索查询
• limit （整数，可选）：结果数量（1-20，默认值：5）

例子： “查找有关气候保护的决议”

inBeschlussSuchen

在特定的解决方案文档中搜索。

参数：

• beschlussName （string）：文件名或文件名的一部分
• query （string）：自然语言搜索查询
• limit （整数，可选）：结果数量（1-20，默认值：5）

例子： 在“Wahlprogram-2024.pdf”中搜索“可再生能源”

beschluesseListen

列出所有可用的解决方案文档。

参数： 无

退货： 所有文档文件名列表

建筑

┌─────────────────┐         ┌──────────────────┐         ┌─────────────┐
│  Claude Desktop │◄──SSE──►│  Spring Boot     │◄───────►│  PostgreSQL │
│  (MCP Client)   │         │  MCP Server      │         │  + pgvector │
└─────────────────┘         └──────────────────┘         └─────────────┘
                                    │
                                    ▼
                            ┌──────────────────┐
                            │   Mistral AI     │
                            │   (Embeddings)   │
                            └──────────────────┘

数据流：

1. 用户查询→ 米斯特拉尔AI→ 查询嵌入（1024 dim）
2. 查询嵌入→ pg向量余弦相似度搜索
3. Top-K结果→ MCP对克劳德的回应

发展

地方发展

# Start only PostgreSQL
docker compose up -d postgres

# Run Spring Boot locally
MISTRAL_API_KEY=your-key ./mvnw spring-boot:run

运行测试

./mvnw test

建筑

./mvnw package -DskipTests

配置

环境变量

应用程序属性

中的关键设置 application.properties:

server.port=2228
spring.ai.mcp.server.sse-message-endpoint=/mcp/message
spring.jpa.hibernate.ddl-auto=update

创建自己的嵌入

要将此MCP服务器与您自己的文档一起使用：

1. 提取文本 从您的PDF文档
2. 压缩文本 分成有意义的片段（建议：每块200-500个单词）
3. 生成嵌入 使用Mistral AI的嵌入API：

from mistralai.client import MistralClient

client = MistralClient(api_key="your-key")
response = client.embeddings(
    model="mistral-embed",
    input=["Your text chunk here"]
)
embedding = response.data[0].embedding  # 1024-dimensional vector

1. 创建CSV文件 按照要求的格式（见上文）
2. 放置文件 在 src/main/resources/data/

许可证

麻省理工学院

联系

有关Grüne Hamburg嵌入数据集或此项目的问题，请打开一个问题。