Insights Knowledge Base

Uma base de conhecimento gratuita e plug-and-play com mais de 10.000 relatórios de insights integrados e suporte para análise de documentos privados.

GitHub
5
Experimente este MCPPatrocinado

Documentação

Servidor MCP Insights Knowledge Base (IKB)

>>>Versão em Chinês

🍭Uma base de conhecimento gratuita e plug-and-play. Inclui mais de 10.000 relatórios de insights de alta qualidade, empacotados como Servidor MCP, com armazenamento local seguro de dados.

⚠️⚠️ Todos os relatórios coletados neste projeto provêm de recursos gratuitos em sites oficiais de relatórios de pesquisa. ⚠️⚠️

Recursos

  1. 🍾 Zero configuração necessária, projetado para uso plug-and-play.
  2. 🚀 Modelo de incorporação Qwen3-Embedding-0.6B integrado, relatórios relacionados podem ser recuperados por meio de busca vetorial.📢 Detalhes de relatórios também podem ser pesquisados via recuperação por palavras-chave.
  3. 🍥 Mais de 100 relatórios de insights de consultorias renomadas como McKinsey, PwC e BAIN foram coletados, incluindo mais de 6.000 páginas de relatórios, cobrindo mais de 70 tópicos.
  4. 💎 Navegação online em tempo real dos relatórios completos no Cliente MCP.
  5. 🎉 Resposta ultrarrápida: Todos os retornos de Function_call geralmente <1 segundo, consultas por palavras-chave <150ms.
  6. 🎨 Cole documentos locais privados na pasta library_files (crie-a manualmente se não existir; o nome deve corresponder). Configure modelos/parâmetros VLM no .env (ex.: VLM_MODEL_NAME=qwen2.5-vl-72b-instruct) para extração, análise e reconhecimento de documentos locais.
  7. 🦉 Permanentemente gratuito—sem esforço desperdiçado na coleta de relatórios. Compartilhe recursos confiáveis e em conformidade com direitos autorais via issues.
  8. 🔔 Compromisso com atualizações semanais de relatórios; correções de bugs dependem do meu humor (não sou engenheiro 🤭).

Otimizações até 30 de junho

  1. Adicionadas mais de 2000 páginas de relatórios.

Direções Futuras

  1. Atualizações contínuas de relatórios.
  2. Otimização de engenharia de prompts.

Perfil dos Arquivos Mais Recentes

{
    "statistics": {
        "total_files": 174,
        "total_pages": 9320,
        "unique_publishers": 9,
        "unique_topics": 93,
        "last_updated": "2025-06-30T10:08:35.928329"
    },
    "details": {
        "publishers": [
            "",
            "Accenture",
            "BAIN",
            "BCG",
            "CBS",
            "Deloite",
            "McKinsey",
            "PWC",
            "亿欧"
        ],
        "topics": [
            "",
            "AI",
            "AI Agent",
            "Africa",
            "Aftermarket",
            "Asian American",
            "Auto",
            "Aviation",
            "Beauty",
            "Business",
            "Chemical industry",
            "Chemicals",
            "Chinese banking",
            "Chinese securities",
            "Consumer Goods",
            "Decarbonation",
            "Decarbonization",
            "Digital",
            "ESG",
            "Economy",
            "Economy and Trade",
            "Education",
            "Electric two wheelers",
            "Employment",
            "Energy",
            "Europe",
            "FMCG",
            "Fashion",
            "Finance",
            "Financial Technology",
            "Financial service",
            "Fintech",
            "Food-meatless",
            "Gen Z",
            "Global banking",
            "Global energy",
            "Global insurance",
            "Global macroeconomic",
            "Global materials",
            "Global private market",
            "Global private markets",
            "Global trade",
            "Grocery",
            "Grocery retail",
            "Health",
            "Healthcare",
            "Human capital",
            "Hydrogen",
            "Insurance",
            "Investing",
            "Investment management",
            "Labor market",
            "Latinos",
            "Low-altitude Economy",
            "Luxury Goods",
            "Luxury goods",
            "M&A",
            "Maritime",
            "Media",
            "Medical Health",
            "Medtech",
            "Net zero",
            "New Energy Vehicle",
            "New era",
            "Packing",
            "Payments",
            "Pet Food",
            "Population",
            "Power",
            "Private Equity",
            "Private market",
            "Productivity",
            "Quantum",
            "Real estate",
            "Retail",
            "Retail Digitalization",
            "Retailers",
            "Risk",
            "Small business",
            "Smart Home",
            "Smart hospital",
            "Sporting goods",
            "Sustainability",
            "Sustainable",
            "Tax-free",
            "Technology",
            "Travel",
            "Truck",
            "United Kingdom",
            "VSOC",
            "Wealth management",
            "Workplace",
            "连锁经营"
        ]
    }
}

Instalação (Adequado para Iniciantes)

💡Dica profissional: Travou? Arraste esta página para um cliente de LLM (como DeepSeek) para orientação passo a passo. Na verdade, estas instruções também foram escritas pelo DeepSeek...

Pré-requisitos: Python 3.12+ (Baixe do site oficial e ADICIONE AO CAMINHO DO AMBIENTE)

Instale o UV:

pip install uv

1. Clone o projeto (Confirme que o Git e o Git LFS foram instalados com sucesso)

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

2. Crie o ambiente virtual

uv venv .venv  # Create dedicated virtual environment

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

3. Instale as dependências principais

uv install .  # Note the trailing dot indicating current directory

4. Crie as variáveis de ambiente (para necessidades futuras)

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

5. Configure o Servidor MCP

  • VSCode.Cline

Nota: Substitua <Your Project Root Directory!!!> pelo diretório raiz real.

{
  "mcpServers": {
    "ikb-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "<Your Project Root Directory!!!>", 
        "run",
        "ikb_mcp_server.py"
      ]
    }
  }
}
  • Cherry Studio
    • Comando: uv
    • Argumentos:
--directory
<Your Project Root Directory!!!>
run
ikb_mcp_server.py

Adicionando Documentos Privados ao ikb_mcp_server

  1. Configure os modelos e parâmetros VLM em .env: 
    VLM_API_KEY=<API Key>
VLM_BASE_URL=<Base URL> # https://openrouter.ai/api/v1
VLM_MODEL_NAME=<Model Name> # qwen/qwen2.5-vl-72b-instruct:free
  2. Envie o documento PDF para a pasta library_files no diretório raiz do projeto.
  3. Execute main.py manualmente.
# 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

Licença

Este projeto está licenciado sob a Licença MIT. Consulte o arquivo LICENSE para obter detalhes.

Atualizações de Otimização até 17 de junho

  1. 💡Otimizado models.py: Eficiência de consulta de dados melhorada em 1.000%
  2. 💡Otimizado extractor.py: Eficiência de extração de PDF ligeiramente aprimorada
  3. 💡Otimizado recognizer.py: Eficiência de compreensão de imagens aumentada em 50%
  4. 💡Otimizado ikb_mcp_server.py:
    • Adicionada funcionalidade de paginação
    • Exibidos caminhos locais dos arquivos referenciados
  5. 💡Adicionada Licença MIT(https://github.com/v587d/InsightsLibrary/pull/1#issuecomment-2969226661)
  6. 📦 Tamanho geral do pacote do projeto comprimido reduzido em aproximadamente 50%
  7. 💡Simplificado o Tratamento de Documentos Privados
  8. 💡Corrigidos outros bugs identificados

Otimizações até 22 de junho

  1. Adicionado embedder.py: Implementa indexação de vetorização de texto via modelo local Qwen3-Embedding-0.6B, armazenado em faiss_index.
  2. Modificado main.py: Fluxo de trabalho em ciclo fechado PDFExtractor → IMGRecognizer → Embedder (opcional).
  3. Novo @mcp.tool(): get_similar_content_by_rag: Encontra o conteúdo documental mais semelhante via similaridade vetorial (RAG).
  4. Todos os relatórios enviados por administradores agora suportam visualização online → Pasta library_files removida para reduzir o tamanho do projeto.
  5. Adicionadas mais de 2000 páginas de relatórios.