mcp
基于MCP协议，支持多格式文件的Docker化RAG服务器
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：mcp。 它的用途是：基于MCP协议，支持多格式文件的Docker化RAG服务器 详细介绍见：https://321skill.com/skills/mcp-rag-server-mcp/ 请根据该页面的说明完成安装。
使用示例
“请基于我上传的公司产品手册，回答客户关于XX功能的技术参数问题。” 它会通过MCP协议连接到你部署的rag-server，从已向量化的产品手册中检索相关信息，并生成准确、有依据的答案。或者，在开发智能体时，你可以直接让AI调用该服务，为智能体注入特定的领域知识，使其回答更专业。
介绍
rag-server 解决了在AI应用中快速构建和部署私有知识库的难题。传统RAG方案往往需要复杂的配置和依赖管理，而该项目通过MCP（Model Context Protocol）协议标准化了AI模型与数据源之间的交互，并提供了对多种文件格式（如PDF、Word、Markdown等）的原生支持，让开发者可以轻松地将非结构化文档转化为可查询的知识。
使用方式非常便捷。用户只需准备好文档，通过Docker Compose即可一键启动完整的RAG服务，无需关心底层依赖。服务启动后，它会自动完成文档的解析、向量化处理并建立索引。之后，AI模型（如Claude）就可以通过标准的MCP协议连接到这个服务器，实时查询和引用文档中的信息来生成回答。
这个Skill特别适合后端开发、全栈开发和智能体开发者。他们通常在开发需要结合特定领域知识的AI应用时，面临文档处理、知识库搭建和与AI模型集成等繁琐工作，需要一个开箱即用、标准化的解决方案来加速开发流程。
建议在部署前，确保Docker环境已正确安装。由于依赖Docker，对服务器资源（尤其是内存）有一定要求，处理海量文档时需注意硬件配置。初次使用时，建议从少量文档开始，熟悉整个数据导入和查询流程。
核心特点
核心区别在于严格遵循MCP协议，实现了AI模型与数据源的标准化对接，避免了私有API带来的锁定风险；同时，通过Docker提供了一键部署的完整RAG解决方案，集成了从文档解析到向量检索的全流程，降低了集成复杂度。
注意事项
不适合需要极低延迟（毫秒级）响应的实时对话场景，或对服务器本地资源（如GPU）有强依赖的复杂模型推理任务。
常见问题
支持哪些文件格式？
支持PDF、Word、Markdown、TXT等多种常见文档格式。
必须使用Docker吗？
是的，项目设计为通过Docker Compose一键部署，这是最推荐的方式。