内容
# 咨询MCP服务器
MCP服务器，暴露了三个AI流程——[RAG流程](https://github.com/Brinkv3/rag-pipeline)、[文档智能](https://github.com/Brinkv3/doc-intelligence)和[智能审计](https://github.com/Brinkv3/agentic-audit)——作为11种可组合的工具，供任何MCP兼容的客户端使用。
这是集成层，而不是智能层。智能层位于流程仓库中。该服务器通过标准协议使其可被使用。
## 架构
<p align="center">
<img src="docs/mcp-architecture.svg" alt="MCP服务器架构" width="700" />
</p>
## 工具
### RAG流程
| 工具 | 描述 |
|------|-------------|
| `rag_query` | 单次RAG：检索并生成带有引用的答案 |
| `rag_agent_query` | 多智能体RAG，用于复杂的多部分问题（较慢，但更彻底） |
| `rag_index` | 将语料库目录重新索引到向量存储中（破坏性） |
### 文档智能
| 工具 | 描述 |
|------|-------------|
| `doc_classify` | 按类型（SOW、合同、项目计划等）分类文档 |
| `doc_extract` | 全文档流程：分类 + 提取结构化字段 + 验证 |
| `doc_assess` | 多文档评估，跨文档分析和叙述 |
| `doc_types` | 列出可用的文档类型和模式（无需API调用） |
### 智能审计
| 工具 | 描述 |
|------|-------------|
| `audit_generate_questions` | 从参与文档中生成访谈问题 |
| `audit_process_interview` | 处理访谈证据，针对问题框架（一次一个应用程序） |
| `audit_synthesize` | 将所有结果综合成高管摘要 + Excel交付成果 |
### 实用工具
| 工具 | 描述 |
|------|-------------|
| `health` | 服务器健康检查：API密钥、向量存储、模式、流程状态 |
## 快速入门
### 先决条件
- Python 3.12+
- 本地克隆流程仓库（任意子集 — 未启用的流程将被跳过）：
- [RAG流程](https://github.com/Brinkv3/rag-pipeline)
- [文档智能](https://github.com/Brinkv3/doc-intelligence)
- [智能审计](https://github.com/Brinkv3/agentic-audit)
- 在环境或`.env`中设置LLM提供商配置（`LLM_PROVIDER`、`LLM_MODEL`、`LLM_API_KEY`）
### 设置
```bash
git clone https://github.com/Brinkv3/consulting-mcp-server.git
cd consulting-mcp-server
python3.12 -m venv .venv
source .venv/bin/activate
# 安装服务器 + 流程依赖项
pip install -r requirements.txt
pip install "llm-adapter[anthropic] @ git+https://github.com/Brinkv3/llm-adapter.git" \
chromadb sentence-transformers PyMuPDF python-docx \
python-pptx openpyxl pandas tiktoken
# 配置流程路径
cp .env.example .env
# 编辑.env文件，填写实际路径和API密钥
```
### 连接到Claude Desktop
将配置复制到Claude Desktop设置中（`~/Library/Application Support/Claude/claude_desktop_config.json`）：
```json
{
"mcpServers": {
"consulting-mcp-server": {
"command": "/path/to/consulting-mcp-server/.venv/bin/python",
"args": ["src/server.py"],
"cwd": "/path/to/consulting-mcp-server",
"env": {
"RAG_PIPELINE_PATH": "/path/to/rag-pipeline",
"DOC_INTEL_PATH": "/path/to/doc-intelligence",
"AUDIT_PATH": "/path/to/agentic-audit",
"LLM_PROVIDER": "anthropic",
"LLM_MODEL": "claude-sonnet-4-6",
"LLM_API_KEY": "your-key-here"
}
}
}
}
```
参见`config/claude_desktop_config.json`以获取完整示例。
### 连接到Claude Code
```bash
claude mcp add consulting-mcp-server \
-e RAG_PIPELINE_PATH=/path/to/rag-pipeline \
-e DOC_INTEL_PATH=/path/to/doc-intelligence \
-e AUDIT_PATH=/path/to/agentic-audit \
-- /path/to/consulting-mcp-server/.venv/bin/python src/server.py
```
### 验证
连接后，请Claude运行`health` — 它会报告每个组件的状态：
```
服务器：运行中
RAG流程：可用
文档智能：可用
智能审计：可用
LLM提供商：anthropic
LLM API密钥：已设置
向量存储：找到
模式：找到（6种类型）
```
## 架构
```
MCP客户端（Claude Desktop / Claude Code / 任意MCP客户端）
│ （MCP协议通过stdio）
▼
consulting-mcp-server
├── server.py → MCP服务器入口点，工具注册
├── rag_tools.py → 封装RAG流程的工具处理程序
├── doc_tools.py → 封装文档智能的工具处理程序
├── audit_tools.py → 封装智能审计的工具处理程序
└── utils.py → 配置，路径验证，流程导入
│ │ │
▼ ▼ ▼
RAG流程 文档智能 智能审计
（基于路径的导入） （基于路径的导入） （基于路径的导入）
```
所有三个流程都使用`src/`作为它们的包名。服务器依次导入它们，在导入之间刷新`sys.modules`以避免命名空间冲突。每个流程都是可选的 — 如果未配置路径，其工具将报告“不可用”，而服务器的其他部分将正常工作。
## 测试
```bash
source .venv/bin/activate
pytest tests/ -v
```
## 许可证
[MIT](LICENSE) (c) 2026 Carter Brinkley Consulting LLC
