Insights Knowledge Base MCP Server

洞察知识库（IKB）MCP服务器

>>>中文版

🍭一个免费的即插即用知识库。内置10000多份高质量的洞察报告，打包为MCP服务器，并提供安全的本地数据存储。

⚠️⚠️ 本项目收集的所有报告均来自官方研究报告网站上的免费资源。 ⚠️⚠️

特性

1. 🍾 无需配置，专为 *即插即用的* 使用。
2. 🚀 内建 Qwen3-Embedding-0.6B 嵌入模型，可以通过以下方式检索相关报告 向量搜索.📢 报告详细信息也可以通过以下方式搜索 关键词检索.
3. 🍥 已收集麦肯锡、普华永道和北新等知名咨询公司的100多份见解报告，包括6000多页报告，涵盖70多个主题。
4. 💎 *实时* 在MCP客户端中在线浏览完整报告。
5. 🎉 *超快的* response：所有Function_call通常返回\ 💡专业提示：卡住了？将此页面拖动到LLM客户端（如 深度求索)获取分步指导。实际上，这些指令也是DeepSeek编写的。..

先决条件：Python 3.12+（从官方网站下载并添加环境路径）

安装紫外线：

pip install uv

1.克隆项目（确认已成功安装Git和Git LFS）

git clone https://github.com/v587d/InsightsLibrary.git
cd InsightsLibrary
git lfs pull

2.创建虚拟环境

uv venv .venv  # Create dedicated virtual environment

# Activate environment
# Windows:
.\.venv\Scripts\activate
# Mac/Linux:
source .venv/bin/activate

3.安装核心依赖项

uv install .  # Note the trailing dot indicating current directory

4.创建环境变量（用于未来需求）

notepad .env  # Windows
# Or
nano .env     # Mac/Linux

5.配置MCP服务器

• VSCode。克莱恩

注：更换 `` 使用实际的根目录。

{
  "mcpServers": {
    "ikb-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "", 
        "run",
        "ikb_mcp_server.py"
      ]
    }
  }
}

• 樱桃工作室

- 命令： uv - 论据：

--directory

run
ikb_mcp_server.py

将私人文档添加到ikb_mcp_server

1. 在中配置VLM模型和参数 .env:

   VLM_API_KEY=
   VLM_BASE_URL= # https://openrouter.ai/api/v1
   VLM_MODEL_NAME= # qwen/qwen2.5-vl-72b-instruct:free

1. 将PDF文档上传到 library_files 项目根目录下的文件夹。
2. 手动运行main.py。

# Navigate to the project root directory
# Activate the virtual environment
uv run main.py
(InsightsLibrary) PS D:\Projects\mcp\InsightsLibrary> uv run main.py
[INFO] extractor: PDF extraction initialized | Files directory: library_files | Pages directory: library_pages
[INFO] extractor: Starting scan of directory: library_files
[INFO] extractor: Found 69 PDF files
[INFO] extractor: Scan completed | Total files: 69 | Processed: 0 | Failed: 0
[INFO] recognizer: No pages to process.
# Data has been updated to the database
============================================================
Confirm if you need to create text vector embeddings
⚠️ This process may take approximately 20 minutes
============================================================
Create embeddings? (Enter Y or N): 
# Y: create text vector embeddings
# N: Skip text vector embeddings and exit program

许可证

该项目根据MIT许可证获得许可。请参阅 许可证 文件以获取详细信息。

截至6月17日的优化更新

1. 💡优化 models.py：数据查询效率提高1000%
2. 💡优化 extractor.py：略微提高了PDF提取效率
3. 💡优化 recognizer.py：图像理解效率提高50%
4. 💡优化 ikb_mcp_server.py:

- 添加分页功能 - 显示引用文件的本地路径

1. 💡添加MIT许可证(https://github.com/v587d/InsightsLibrary/pull/1#issuecomment-2969226661)
2. 📦 整体压缩项目包大小减少了约50%
3. 💡简化私人文档处理
4. 💡修复了其他已识别的错误

截至6月22日的优化

1. 添加 embedder.py：通过本地Qwen3-Embedded-0.6B模型实现文本矢量化索引，存储在faiss_index中。
2. 修改过的 main.py：闭环工作流程 *PDF提取器→ IMG识别器→ 嵌入器（可选）*.
3. 新 @mcp.tool(): get_similar_content_by_rag：通过向量相似度（RAG）查找最相似的文档内容。
4. 所有管理员上传的报告现在都支持在线查看→ 已删除library_files文件夹以减小项目大小。
5. 添加 2000+ 报告页面。