Aegntic MCP Servers

Uma coleção de servidores do Model Context Protocol (MCP) para várias tarefas e integrações, suportando ambientes Python e Node.js.

GitHub
8
Experimente este MCPPatrocinado

Documentação

Obsidian Elite RAG MCP Server

Python Version License MCP Server

Um sistema elite de Geração Aumentada por Recuperação (RAG) que transforma cofres do Obsidian em motores de fluxo de trabalho cognitivo pareados com IA, com integração avançada de grafo de conhecimento Graphiti.

🌟 Recursos

🧠 Arquitetura RAG em Múltiplas Camadas

  • L1: Contexto Semântico (30% de peso) - Busca por similaridade vetorial com embeddings da OpenAI
  • L2: Grafo de Conhecimento (25% de peso) - Recuperação de entidades e relacionamentos com Graphiti
  • L3: Travessia de Grafo (15% de peso) - Travessia de links baseada em NetworkX
  • L4: Contexto Temporal (15% de peso) - Relevância e atualidade baseadas no tempo
  • L5: Especialização de Domínio (15% de peso) - Recuperação sensível ao contexto
  • L6: Metaconhecimento (peso restante) - Conhecimento sobre conhecimento

🔗 Grafo de Conhecimento Avançado

  • Mais de 27 Tipos de Entidade: conceitos, pessoas, organizações, tecnologias, metodologias, frameworks, algoritmos, etc.
  • Mais de 40 Tipos de Relacionamento: implements, uses, depends_on, extends, based_on, similar_to, integrates_with, etc.
  • Arquitetura de Grafo Duplo: Neo4j (estruturado) + NetworkX (backup não estruturado)
  • Extração Automática de Entidades: Correspondência de padrões e reconhecimento de entidades baseado em PLN
  • Detecção de Relacionamentos: Pontuação de confiança e validação

🚀 Integração com Servidor MCP

  • Compatível com Claude Code: Implementação completa de servidor Model Context Protocol
  • API baseada em Ferramentas: Ingerir, consultar, pesquisar grafo de conhecimento, obter contexto de entidade
  • Status em Tempo Real: Monitoramento de saúde do sistema e verificação de conexões de banco de dados
  • Processamento Assíncrono: Operações concorrentes de alto desempenho

📋 Requisitos

  • Python 3.9+
  • Docker & Docker Compose
  • Chave da API da OpenAI
  • Cofre do Obsidian (opcional, mas recomendado)
  • Banco de dados Neo4j (gerenciado pelos scripts de configuração)
  • Banco de dados vetorial Qdrant (gerenciado pelos scripts de configuração)

🛠️ Instalação

Opção 1: Instalar a partir do PyPI (Recomendado)

pip install obsidian-elite-rag-mcp

Opção 2: Instalar a partir do Código-Fonte

git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag
pip install -e .

🚀 Início Rápido

1. Configuração do Sistema

# Initialize the system
obsidian-elite-rag-cli setup

# Start both databases (Qdrant + Neo4j)
obsidian-elite-rag-cli start-databases

# Or start manually with Docker
docker run -d --name qdrant -p 6333:6333 -v $(pwd)/data/qdrant:/qdrant/storage qdrant/qdrant:latest
docker run -d --name neo4j -p 7474:7474 -p 7687:7687 -v $(pwd)/data/neo4j:/data \
  --env NEO4J_AUTH=neo4j/password --env NEO4J_PLUGINS='["apoc","graph-data-science"]' \
  neo4j:5.14

2. Ingerir Seu Cofre do Obsidian

# Ingest all markdown files
obsidian-elite-rag-cli ingest /path/to/your/obsidian/vault

# Check system status
obsidian-elite-rag-cli status /path/to/your/obsidian/vault

3. Iniciar o Servidor MCP

# Start the MCP server for Claude Code integration
obsidian-elite-rag-cli server

4. Configurar o Claude Code

Adicione à sua configuração do Claude Code (~/.config/claude-code/config.json):

{
  "mcpServers": {
    "obsidian-elite-rag": {
      "command": "obsidian-elite-rag-cli",
      "args": ["server"],
      "env": {
        "OPENAI_API_KEY": "your-openai-api-key"
      }
    }
  }
}

📖 Exemplos de Uso

Uso via CLI

# Query the RAG system
obsidian-elite-rag-cli query "How does the RAG system work?" /path/to/vault

# Search knowledge graph for entities
obsidian-elite-rag-cli graph /path/to/vault --entity-query "machine learning"

# Technical queries
obsidian-elite-rag-cli query "JWT authentication patterns" /path/to/vault --query-type technical

# Research queries
obsidian-elite-rag-cli query "latest developments in LLMs" /path/to/vault --query-type research

Ferramentas do Servidor MCP (Claude Code)

Quando conectado ao Claude Code, você terá acesso a estas ferramentas:

  1. ingest_vault - Ingerir arquivos markdown de um cofre do Obsidian
  2. query_rag - Consultar o sistema RAG elite com recuperação em múltiplas camadas
  3. search_knowledge_graph - Pesquisar entidades no grafo de conhecimento Graphiti
  4. get_entity_context - Obter contexto rico para uma entidade específica
  5. get_related_entities - Obter entidades relacionadas por meio de relacionamentos
  6. get_system_status - Obter status do sistema e conexões de banco de dados

Exemplo no Claude Code:

@obsidian-elite-rag please ingest my vault at /Users/me/Documents/Obsidian
@obsidian-elite-rag query "what are the key concepts in machine learning?" with vault path /Users/me/Documents/Obsidian
@obsidian-elite-rag search_knowledge_graph for "neural networks" in vault /Users/me/Documents/Obsidian

🏗️ Arquitetura

Componentes do Sistema

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Obsidian      │    │   Claude Code   │    │   MCP Protocol  │
│     Vault       │◄──►│   Integration   │◄──►│     Server      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                    Elite RAG System                            │
├─────────────────┬─────────────────┬─────────────────────────────┤
│   Semantic      │  Knowledge      │     Temporal & Domain       │
│   Search        │     Graph       │      Specialization         │
│   (Qdrant)      │   (Neo4j)       │                             │
└─────────────────┴─────────────────┴─────────────────────────────┘

Tipos de Entidade do Grafo de Conhecimento

  • Núcleo: conceito, pessoa, organização, evento, local
  • Técnico: tecnologia, algoritmo, framework, sistema, aplicação
  • Processo: metodologia, fluxo de trabalho, processo, padrão
  • Implementação: ferramenta, biblioteca, banco de dados, api, protocolo
  • Documentação: padrão, especificação, princípio, teoria, modelo
  • Arquitetura: design, implementação, projeto, pesquisa

Tipos de Relacionamento do Grafo de Conhecimento

  • Estrutural: part_of, implements, extends, based_on, depends_on
  • Semântico: similar_to, contrasts_with, related_to, examples_of
  • Funcional: uses, enables, requires, supports, improves
  • Cognitivo: defines, describes, explains, demonstrates, teaches
  • Desenvolvimento: builds_on, applies_to, references, cites, tests
  • Operacional: manages, monitors, deploys, configures, maintains

📊 Características de Desempenho

  • Velocidade de Recuperação: <100ms para consultas ricas em contexto
  • Cobertura de Conhecimento: 95%+ de recall em consultas específicas de domínio
  • Reconhecimento de Entidades: 90%+ de precisão para conceitos, pessoas, organizações
  • Extração de Relacionamentos: 85%+ de precisão para relacionamentos semânticos
  • Travessia de Grafo: <50ms para consultas de relacionamento de entidades até profundidade 4
  • Cobertura de Automação: 80%+ de tarefas rotineiras de conhecimento automatizadas

🔧 Configuração

Variáveis de Ambiente

# Required
OPENAI_API_KEY=your-openai-api-key

# Optional (auto-configured by setup scripts)
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password
QDRANT_HOST=localhost
QDRANT_PORT=6333

Arquivo de Configuração

O sistema usa config/automation-config.yaml para configuração detalhada:

knowledge_graph:
  enabled: true
  provider: graphiti
  graphiti:
    neo4j_uri: bolt://localhost:7687
    neo4j_user: neo4j
    neo4j_password: "password"

rag_system:
  layers:
    semantic:
      weight: 0.3
      similarity_threshold: 0.7
    knowledge_graph:
      weight: 0.25
      max_depth: 4
    # ... other layers

📁 Estrutura do Cofre

O sistema funciona melhor com esta estrutura de cofre do Obsidian:

00-Core/           # 🧠 Foundational knowledge
01-Projects/       # 🚀 Active work
02-Research/       # 🔬 Learning areas
03-Workflows/      # ⚙️ Reusable processes
04-AI-Paired/      # 🤖 Claude interactions
05-Resources/      # 📚 External references
06-Meta/           # 📊 System knowledge
07-Archive/        # 📦 Historical data
08-Templates/      # 📋 Note structures
09-Links/          # 🔗 External connections

🤝 Contribuição

Aceitamos contribuições! Consulte nosso Guia de Contribuição para obter detalhes.

Configuração de Desenvolvimento

# Clone the repository
git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag

# Install in development mode
pip install -e ".[dev]"

# Run tests
pytest

# Run with coverage
pytest --cov=obsidian_elite_rag

# Code formatting
black src/
mypy src/

📄 Licença

Este projeto é licenciado sob a Licença MIT - consulte o arquivo LICENSE para obter detalhes.

🙏 Atribuição

Criado por: Mattae Cooper Email: research@aegntic.ai Organização: Aegntic AI (https://aegntic.ai)

Este projeto representa pesquisa avançada em gestão de conhecimento com IA e sistemas de geração aumentada por recuperação. A integração de grafos de conhecimento Graphiti com arquitetura RAG em múltiplas camadas representa um avanço significativo na forma como os sistemas de IA podem interagir e raciocinar sobre bases de conhecimento pessoais.

📞 Suporte

🔗 Projetos Relacionados

  • Graphiti - Construção de grafos de conhecimento para LLMs
  • Qdrant - Mecanismo de busca por similaridade vetorial
  • Neo4j - Banco de dados de grafos
  • LangChain - Framework de aplicações LLM
  • Model Context Protocol - Padrão para integração de ferramentas de IA

Feito com ❤️ por Aegntic AI Avançando o futuro da gestão de conhecimento com IA