Реализация сервера Model Context Protocol (MCP) на основе txtai, обеспечивающая семантический поиск, возможности графа знаний и обработку текста на основе ИИ через стандартизированный интерфейс.

Оригинальное название: The Power of txtai: All-in-one Embeddings Database

Этот проект использует txtai, базу данных встраивания «все в одном» для RAG, использующую семантический поиск, построение графа знаний и рабочие процессы языковой модели. Txtai предлагает несколько ключевых преимуществ:

** Единая база векторных данных**: Комбинирует векторные индексы, графовые сети и реляционные базы данных в одной платформе. Семантический поиск: Найти информацию, основанную на значении, а не только ключевые слова ** Интеграция графов знаний**: Автоматически создавать и запрашивать графы знаний из ваших данных Портативные базы знаний: сохраняйте целые базы знаний в виде сжатых архивов (.tar.gz), которыми можно легко обмениваться и загружать Расширяемая трубопроводная система: обработка текста, документов, аудио, изображений и видео через унифицированный API ** Архитектура для локального использования**: Запускайте все локально без отправки данных во внешние службы

Как это работает

Проект содержит инструмент построения базы знаний и MCP-сервер.

Embedding MCP Server

A Model Context Protocol (MCP) server implementation powered by txtai, providing semantic search, knowledge graph capabilities, and AI-driven text processing through a standardized interface.

The Power of txtai: All-in-one Embeddings Database

This project leverages txtai, an all-in-one embeddings database for RAG leveraging semantic search, knowledge graph construction, and language model workflows. txtai offers several key advantages:

• Unified Vector Database: Combines vector indexes, graph networks, and relational databases in a single platform
• Semantic Search: Find information based on meaning, not just keywords
• Knowledge Graph Integration: Automatically build and query knowledge graphs from your data
• Portable Knowledge Bases: Save entire knowledge bases as compressed archives (.tar.gz) that can be easily shared and loaded
• Extensible Pipeline System: Process text, documents, audio, images, and video through a unified API
• Local-first Architecture: Run everything locally without sending data to external services

How It Works

The project contains a knowledge base builder tool and a MCP server. The knowledge base builder tool is a command-line interface for creating and managing knowledge bases. The MCP server provides a standardized interface to access the knowledge base.

It is not required to use the knowledge base builder tool to build a knowledge base. You can always build a knowledge base using txtai’s programming interface by writing a Python script or even using a jupyter notebook. As long as the knowledge base is built using txtai, it can be loaded by the MCP server. Better yet, the knowledge base can be a folder on the file system or an exported .tar.gz file. Just give it to the MCP server and it will load it.

1. Build a Knowledge Base with kb_builder

The kb_builder module provides a command-line interface for creating and managing knowledge bases:

• Process documents from various sources (files, directories, JSON)
• Extract text and create embeddings
• Build knowledge graphs automatically
• Export portable knowledge bases

Note it is possibly limited in functionality and currently only provided for convenience.

2. Start the MCP Server

The MCP server provides a standardized interface to access the knowledge base:

• Semantic search capabilities
• Knowledge graph querying and visualization
• Text processing pipelines (summarization, extraction, etc.)
• Full compliance with the Model Context Protocol

Installation

Recommended: Using uv with Python 3.10+

We recommend using uv with Python 3.10 or newer for the best experience. This provides better dependency management and ensures consistent behavior.