Unreal Engine Knowledge Graph

Pesquise relações entre conceitos na documentação oficial da Unreal Engine usando um grafo de conhecimento alimentado por Neo4j.

GitHub
7
Experimente este MCPPatrocinado

Documentação

Servidor MCP de Knowledge Graph do Unreal Engine

English | Português

Este projeto fornece um servidor MCP (Model Context Protocol) para a documentação oficial do Unreal Engine, com suporte a busca de relações entre conceitos baseada no banco de dados de grafos Neo4j, ajudando desenvolvedores a descobrir caminhos de aprendizado e dependências entre conceitos.

Contexto do Projeto

Ao aprender desenvolvimento com Unreal Engine, os desenvolvedores frequentemente precisam entender as relações entre vários conceitos, como:

  • A relação entre o sistema de Blueprints e o código C++
  • A relação entre o Material Editor e a programação visual baseada em nós
  • A relação entre a geometria virtual Nanite e modelos de alta poligonagem

A busca em documentação tradicional só encontra informações sobre conceitos individuais, sem revelar caminhos de aprendizado e dependências entre eles. Este projeto constrói um knowledge graph para que a IA possa entender as conexões entre conceitos, oferecendo orientação de aprendizado mais inteligente.

Solução

Este projeto fornece um servidor MCP baseado no banco de dados de grafos Neo4j, dedicado à busca e descoberta inteligente de relações entre conceitos do Unreal Engine. Usando o modelo DeepSeek v3 para extrair relações entre conceitos dos documentos, construímos um knowledge graph completo.

Funcionalidades

  • 🔗 Busca de relações entre conceitos: descubra conceitos relacionados e caminhos de aprendizado para qualquer conceito
  • 🧠 Descoberta inteligente de conceitos: mineração profunda de relações baseada no banco de dados de grafos
  • 🔍 Busca por nome de conceito: busca difusa por nomes de conceitos, com suporte a consultas bilíngues (chinês e inglês)
  • 📊 Estatísticas de relações: obtenha contagens de relações por conceito, ordenadas por importância

Uso no MCP Host

Configuração no Cursor

Crie ou edite o arquivo de configuração .cursor/mcp.json na raiz do projeto:

{
    "mcpServers": {
        "unreal-engine-knowledge-graph-mcp": {
            "command": "npx",
            "args": [
                "-y",
                "unreal-engine-knowledge-graph-mcp"
            ],
            "env": {
                "NEO4J_URI": "bolt://localhost:7687",
                "NEO4J_USER": "neo4j",
                "NEO4J_PASSWORD": "password123"
            }
        }
    }
}

Configuração no VSCode

Crie ou edite o arquivo de configuração .vscode/mcp.json na raiz do projeto:

{
    "servers": {
        "unreal-engine-knowledge-graph-mcp": {
            "type": "stdio",
            "command": "npx",
            "args": [
                "-y",
                "unreal-engine-knowledge-graph-mcp"
            ],
            "env": {
                "NEO4J_URI": "bolt://localhost:7687",
                "NEO4J_USER": "neo4j",
                "NEO4J_PASSWORD": "password123"
            }
        }
    }
}

Descrição das variáveis de ambiente

Variável de ambienteDescriçãoValor padrão
NEO4J_URIEndereço de conexão do banco Neo4jbolt://localhost:7687
NEO4J_USERNome de usuário do Neo4jneo4j
NEO4J_PASSWORDSenha do Neo4jpassword123
DEEPSEEK_API_KEYChave da API DeepSeekNenhum

Funcionalidades das ferramentas MCP

search_concept_relations

Busca conceitos relacionados e relações para um conceito específico, com suporte a consultas bilíngues (chinês e inglês).

Casos de uso:

  • 🎯 Expansão de aprendizado de conceitos: "Quero aprender o sistema de Blueprints, quais outros conceitos estão relacionados?"
  • 🔍 Exploração de relações técnicas: "Quais são os módulos de funcionalidade principais do Unreal Engine?"
  • 🧭 Planejamento de caminho de aprendizado: "Partindo do Material Editor, o que mais preciso aprender?"

Exemplo de prompt:

帮我搜索"蓝图系统"和"Blueprint System"的相关概念，我想了解它与其他功能的关系
查找"虚幻引擎"和"Unreal Engine"包含哪些核心功能
搜索"材质编辑器"和"Material Editor"相关的学习内容

Parâmetros:

  • concept (obrigatório): nome do conceito a consultar (bilíngue)
    • cn (obrigatório): nome do conceito em chinês
    • en (obrigatório): nome do conceito em inglês
  • limit (opcional): número máximo de relações retornadas, padrão 20

Formato dos dados retornados:

{
  "searchTerms": {
    "cn": "虚幻引擎",
    "en": "Unreal Engine"
  },
  "concept": "虚幻引擎 / Unreal Engine",
  "found": true,
  "totalRelations": 12,
  "relatedConcepts": [
    {
      "concept": "蓝图系统",
      "predicate": "包含",
      "context": "虚幻引擎的可视化脚本编程系统",
      "direction": "outgoing"
    }
  ],
  "limit": 20
}

search_concepts

Busca difusa por nomes de conceitos, com suporte a consultas bilíngues (chinês e inglês).

Casos de uso:

  • 🔍 Localização rápida de conceitos: "Lembro que existe um recurso sobre 'partículas', qual é o nome mesmo?"
  • 📝 Confirmação de nomes de conceitos: "Quais são os recursos relacionados a 2D no Unreal Engine?"
  • 🎯 Exploração por palavras-chave: "Buscar todos os conceitos que contenham 'editor'"

Exemplo de prompt:

搜索包含"粒子"和"Particle"的所有概念
查找与"2D"相关的功能
搜索"编辑器"和"Editor"相关的工具

Parâmetros:

  • searchTerm (obrigatório): palavra-chave de busca (bilíngue)
    • cn (obrigatório): palavra-chave de busca em chinês
    • en (obrigatório): palavra-chave de busca em inglês
  • limit (opcional): número máximo de conceitos retornados, padrão 10

Formato dos dados retornados:

{
  "searchTerms": {
    "cn": "蓝图",
    "en": "Blueprint"
  },
  "concepts": ["蓝图系统", "蓝图编辑器", "Blueprint System", "Blueprint Editor"],
  "count": 4,
  "limit": 10
}

get_all_concepts

Obtém a lista de todos os conceitos disponíveis e suas estatísticas de relações (ordenados por número de relações, priorizando conceitos centrais).

Casos de uso:

  • 📋 Navegação priorizando conceitos centrais: "Quais são os conceitos mais importantes no knowledge graph do Unreal Engine?"
  • 🎯 Elaboração de plano de aprendizado: "Quero aprender em ordem de importância, quais são os conceitos centrais?"
  • 📊 Análise de relações entre conceitos: "Quantas relações cada conceito tem e quais são os mais centrais?"

Exemplo de prompt:

显示最重要的虚幻引擎概念，按关系数量排序
列出前50个核心概念，我想了解哪些最重要
获取概念列表及其关系统计，帮我制定学习计划

Parâmetros:

  • limit (opcional): número máximo de conceitos retornados, padrão 100

Formato dos dados retornados:

{
  "concepts": [
    {
      "concept": "蓝图系统",
      "relationCount": 25,
      "incomingCount": 12,
      "outgoingCount": 13
    },
    {
      "concept": "虚幻引擎",
      "relationCount": 20,
      "incomingCount": 8,
      "outgoingCount": 12
    }
  ],
  "count": 2,
  "limit": 100,
  "note": "概念按关系数量从大到小排序，包含入度、出度和总关系数统计"
}

Arquitetura do sistema

Componentes principais

  1. Processamento de documentos: lê documentos Markdown e usa DeepSeek v3 para extrair relações entre conceitos
  2. Knowledge graph: armazena dados de conceitos e relações com base no Neo4j
  3. Serviço MCP: fornece interface padronizada de consulta de relações entre conceitos

Fluxo de dados

Markdown文档 → DeepSeek v3分析 → 概念关系提取 → Neo4j图数据库 → MCP工具查询

Desenvolvimento e testes

Requisitos de ambiente

  • Node.js >= 18.0.0
  • Docker (para executar o Neo4j)
  • Chave da API DeepSeek

Passos de instalação

  1. Clonar o projeto
git clone https://github.com/your-username/unreal-engine-knowledge-graph-mcp.git
cd unreal-engine-knowledge-graph-mcp
  1. Instalar dependências
npm install
  1. Configurar variáveis de ambiente
# 复制环境变量模板
cp .env.example .env

# 编辑.env文件，添加DeepSeek API密钥
DEEPSEEK_API_KEY=your_deepseek_api_key_here
  1. Iniciar o banco de dados Neo4j
# 启动Docker容器
docker-compose up -d

# 等待数据库启动完成
npm run test-connection
  1. Compilar o projeto
npm run build
  1. Extrair relações entre conceitos (modo de teste)
# 测试模式：只处理一个文档文件
npm run extract-triplets:test-mode
  1. Importar dados para o Neo4j
npm run import-to-neo4j

Estrutura de dados de tripletas de conhecimento

O sistema usa a estrutura padrão de tripletas de knowledge graph para armazenar relações entre conceitos:

{
  "filename": "文档名称",
  "sourceFile": "源文件路径",
  "triples": [
    {
      "subject": "主体概念",
      "predicate": "关系谓词",
      "object": "客体概念",
      "context": "上下文说明",
      "direction": "bidirectional"
    }
  ],
  "timestamp": "创建时间戳"
}

Descrição dos campos:

  • subject: nome do conceito sujeito (sujeito da tripleta de conhecimento)
  • predicate: predicado da relação (ex.: contém, suporta, depende, associa, etc.)
  • object: nome do conceito objeto (objeto da tripleta de conhecimento)
  • context: descrição do contexto da relação, ajudando a entender o significado específico
  • direction: direcionalidade da relação
    • "unidirectional": relação unidirecional (sujeito→objeto, mas objeto não necessariamente→sujeito)
    • "bidirectional": relação bidirecional (sujeito↔objeto, mutuamente relacionados)
  • confidence: nível de confiança (0.0-1.0), indicando a precisão e confiabilidade da extração da relação
    • 0.9-1.0: relação técnica explícita, com descrição direta e clara na documentação
    • 0.7-0.9: relação relativamente explícita, inferida do contexto com evidências suficientes
    • 0.5-0.7: confiança média, a relação existe mas requer algum raciocínio
    • 0.3-0.5: relação mais fraca, baseada principalmente em similaridade semântica
    • 0.1-0.3: relação muito fraca, baseada apenas em co-ocorrência de conceitos

Guia de desenvolvimento

Estrutura do projeto

├── scripts/                    # 脚本文件
│   ├── extract-triplets.ts     # 知识三元组提取
│   ├── import-to-neo4j.ts      # 数据导入Neo4j
│   └── test-connection.ts      # 数据库连接测试
├── bin/                        # 源代码
│   ├── index.ts                # MCP服务器实现
│   └── neo4j-search.ts         # Neo4j搜索引擎
├── sources/                    # 数据文件
│   ├── docs/                   # Markdown文档
│   └── triplets/               # 知识三元组JSON文件
├── tests/                      # 测试文件
│   └── mcp-client.test.ts      # MCP客户端测试
├── docker-compose.yml          # Neo4j Docker配置
└── package.json                # 项目配置

Scripts disponíveis

# 构建项目
npm run build

# 测试数据库连接
npm run test-connection

# 生成演示数据
npm run extract-triplets:test-mode

# 提取知识三元组（需要DeepSeek API）
npm run extract-triplets

# 导入数据到Neo4j
npm run import-to-neo4j

# 清空数据库并重新导入
npm run import-to-neo4j -- --clear

# 运行测试
npm test

Adicionar novos documentos

  1. Coloque o documento Markdown no diretório sources/docs/
  2. Execute a extração de relações entre conceitos: npm run extract-triplets
  3. Importe para o Neo4j: npm run import-to-neo4j

Personalizar tripletas de conhecimento

Você pode criar manualmente arquivos JSON de tripletas de conhecimento:

{
  "filename": "custom-triples",
  "sourceFile": "custom/triples.md",
  "triples": [
    {
      "subject": "自定义概念A",
      "predicate": "关联",
      "object": "自定义概念B",
      "context": "这是一个自定义的知识三元组",
      "direction": "bidirectional"
    }
  ],
  "timestamp": "2025-01-12T10:30:15.387Z"
}

Salve o arquivo no diretório sources/triplets/ e execute o comando de importação.

Stack tecnológico

Tecnologias principais

  • Node.js: ambiente de execução
  • TypeScript: linguagem de desenvolvimento com segurança de tipos
  • MCP SDK: implementação do Model Context Protocol
  • Neo4j: banco de dados de grafos
  • Docker: implantação em contêineres

Integração com IA

  • DeepSeek v3: extração de relações entre conceitos
  • OpenAI SDK: interface de chamada de API

Ferramentas de desenvolvimento

  • Vitest: framework de testes unitários
  • tsx: executor TypeScript
  • Zod: validação de parâmetros

Solução de problemas

Problemas de conexão com o Neo4j

# 检查Docker容器状态
docker-compose ps

# 查看Neo4j日志
docker-compose logs neo4j

# 重启Neo4j容器
docker-compose restart neo4j

Testar conexão

npm run test-connection

Visualizar a interface do navegador Neo4j

Acesse http://localhost:7474

  • Nome de usuário: neo4j
  • Senha: password123

Licença

Licença MIT

Contribuições

Contribuições com Issues e Pull Requests são bem-vindas!