带RAG和多搜索的MCP服务器
一个定制的MCP（模型调用协议）服务器，通过谷歌的Gemini 2.0 API和Linkup，使用LlamaIndex和多个网络搜索选项提供RAG（Retrieval-Augeded Generation）功能。
特性
- 使用本地文档的RAG工作流程
- 多种网络搜索功能：
- 谷歌的Gemini 2.0用于高级人工智能搜索 - 传统网络搜索的链接
- 使用FastMCP构建
设置
先决条件
- Python 3.8或更高版本
- Olama在本地安装了DeepSeek型号（或修改为使用您喜欢的型号）
- Gemini API密钥（在https://ai.google.dev/)
- 链接API密钥（可选）
安装
- 克隆此存储库：
git clone
cd own-mcp-server- 安装所需的依赖项：
pip install -r requirements.txt- 设置环境变量（创建
.env文件）：
# Required API keys
GEMINI_API_KEY=your_gemini_api_key_here
LINKUP_API_KEY=your_linkup_api_key_here
# Optional configurations
OLLAMA_HOST=http://localhost:11434- 将文档添加到
data目录（如果不存在，将自动创建）
运行服务器
使用以下命令启动服务器：
python server.py用法
服务器提供以下工具：
web_search：使用最佳可用搜索方法（首选Gemini 2.0，回退到Linkup）gemini_search：使用谷歌的Gemini 2.0 AI进行搜索linkup_search：使用链接搜索rag：使用RAG查询您的本地文档
必需的库
本项目使用：
- 骆驼指数-核心RAG功能
- ollama-本地LLM集成
- 谷歌生成人工智能SDK-Gemini 2.0集成
- Linkup SDK-网络搜索功能
- FastMCP-MCP服务器实现
- Python dotenv-环境管理
- nest asyncio-异步支持
故障排除
如果您遇到问题：
- 确保Ollama正确安装并运行
- 拉取DeepSeek模型：
ollama pull deepseek-r1:1.5b - 如果您遇到Python 3.13兼容性问题，请考虑降级到Python 3.11或3.10
- 验证您的API密钥是否正确并具有必要的权限
- 对于Gemini 2.0问题，请确保您的API密钥可以访问最新的模型
