mcp-embedding-search

一个模型上下文协议（MCP）服务器，用于查询包含嵌入向量和转录片段的Turso数据库。此工具允许用户通过提问来搜索相关的转录片段，而无需生成新的嵌入向量。

功能

• 🔍 转录片段的向量相似性搜索
• 📊 基于余弦相似性的相关性评分
• 📝 完整的转录元数据（剧集标题、时间戳）
• ⚙️ 可配置的搜索参数（结果数量限制、最低分数）
• 🔄 高效的数据库连接池
• 🛡️ 全面的错误处理
• 📈 性能优化以实现快速响应

配置

此服务器需要通过您的MCP客户端进行配置。以下是不同环境下的示例：

Cline配置

在您的Cline MCP设置中添加以下内容：

{
	"mcpServers": {
		"mcp-embedding-search": {
			"command": "node",
			"args": ["/path/to/mcp-embedding-search/dist/index.js"],
			"env": {
				"TURSO_URL": "your-turso-database-url",
				"TURSO_AUTH_TOKEN": "your-turso-auth-token"
			}
		}
	}
}

Claude Desktop配置

在您的Claude Desktop配置中添加以下内容：

{
	"mcpServers": {
		"mcp-embedding-search": {
			"command": "node",
			"args": ["/path/to/mcp-embedding-search/dist/index.js"],
			"env": {
				"TURSO_URL": "your-turso-database-url",
				"TURSO_AUTH_TOKEN": "your-turso-auth-token"
			}
		}
	}
}

API

该服务器实现了以下MCP工具：

search_embeddings

使用向量相似性搜索相关的转录片段。

参数：

• question (字符串，必需)：要搜索的查询文本
• limit (数字，可选)：返回的结果数量（默认值：5，最大值：50）
• min_score (数字，可选)：最小相似性阈值（默认值：0.5，范围：0-1）

响应格式：

[
	{
		"episode_title": "剧集标题",
		"segment_text": "转录片段内容...",
		"start_time": 123.45,
		"end_time": 167.89,
		"similarity": 0.85
	}
	// 更多结果...
]

数据库模式

此工具期望一个具有以下模式的Turso数据库：

CREATE TABLE embeddings (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  transcript_id INTEGER NOT NULL,
  embedding TEXT NOT NULL,
  FOREIGN KEY(transcript_id) REFERENCES transcripts(id)
);

CREATE TABLE transcripts (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  episode_title TEXT NOT NULL,
  segment_text TEXT NOT NULL,
  start_time REAL NOT NULL,
  end_time REAL NOT NULL
);

embedding列应包含可以与vector_distance_cos函数一起使用的向量嵌入。

开发

设置

1. 克隆仓库
2. 安装依赖项：

npm install

3. 构建项目：

npm run build

4. 在开发模式下运行：

npm run dev

发布

该项目使用changesets进行版本管理。要发布：

1. 创建一个changeset：

npm run changeset

2. 版本化包：

npm run version

3. 发布到npm：

npm run release

贡献

欢迎贡献！请随时提交Pull Request。

许可证

MIT许可证 - 详情见LICENSE文件。

致谢

• 基于模型上下文协议
• 设计用于高效地在转录数据库中进行向量相似性搜索 </中文翻译>