運用 WinSurf 自動化建構 LightRAG 的 MCP 伺服器，輕鬆擴充 AI 知識庫

[Aiko]

在現今的 AI 應用中，許多開發者與使用者發現，部分輔助工具在處理特定任務時，可能出現效能下降或無法滿足需求的情況。例如，有使用者反映 Cursor 在處理簡單程式碼時偶爾會出錯。因此，尋找更穩定、更強大的替代方案成為當務之急。本文將介紹如何利用創新的開發工具 WinSurf，為先進的檢索增強生成（RAG）系統 LightRAG 打造專屬的 MCP 伺服器（MCP Server），進而將外部知識庫無縫整合至 Claude 桌面版及 AutoGen 智能體框架中。

為何選擇 LightRAG 作為知識庫核心？

LightRAG 並非傳統的 RAG 框架。它是一個基於圖結構的先進檢索增強生成系統，具備以下突出優勢：

• 知識圖譜整合：透過建構知識圖譜，優化文本索引與檢索過程。
• 向量與結構融合：結合向量相似性與結構化關係，提升資訊的連貫性與深度。
• 增量更新：支援知識庫的增量更新，有效降低重複計算的成本。
• 複雜情境優勢：在處理複雜資訊檢索與跨文件推理方面，表現顯著優於傳統 RAG。

平時我們使用 Claude 桌面版或 AutoGen 等智能體框架時，常需要分析特定技術文件或在指定文檔範圍內進行精準檢索。若每次都手動上傳或複製貼上大量文檔，不僅效率低落，也相當不便。將 LightRAG 打造成一個可供外部應用呼叫的服務，特別是透過標準化的 MCP 伺服器接口，便能完美解決這個痛點，讓 AI 工具輕鬆存取我們自訂的知識庫。

WinSurf：自動化 MCP 伺服器開發的利器

傳統上，為一個系統（如 LightRAG）開發伺服器接口（例如 MCP 伺服器）需要編寫不少程式碼。然而，藉助 WinSurf 這款強大的 AI 開發輔助工具，整個過程可以被高度自動化。我們只需提供清晰的指令和相關上下文，WinSurf 就能為我們生成、甚至調試所需的伺服器代碼。

實戰教學：從零開始建構 LightRAG MCP 伺服器

接下來，我們將詳細演示如何使用 WinSurf，將 LightRAG 封裝成一個功能完整的 MCP 伺服器。

#### 第一步：安裝 LightRAG 並建構本地知識庫

在開始之前，請確保您已從 WinSurf 官網下載並安裝好 WinSurf。

1. 設定環境與安裝 LightRAG：

   • 首先，在 WinSurf 或您的本機終端機中設定好專案路徑。

   動作	建議指令 (以 Linux/macOS 為例)	說明
   建立並進入專案目錄	mkdir my_LightRAG_project && cd my_LightRAG_project	建立一個新的資料夾來存放專案檔案
   建立虛擬環境	python3 -m venv venv	建立獨立的 Python 執行環境
   啟用虛擬環境	source venv/bin/activate	啟用此獨立環境
   下載 LightRAG 原始碼	git clone <LightRAG_Repo_URL>	從 Git 倉庫複製 LightRAG 程式碼
   進入 LightRAG 目錄	cd LightRAG	切換到 LightRAG 的程式碼目錄
   安裝 LightRAG	pip install -e .	安裝 LightRAG 及其所有必要的依賴套件
   返回專案根目錄	cd ..	回到專案的上一層目錄

2. 準備 LightRAG 設定腳本：

   • 建立一個 Python 檔案（例如 setup_LightRAG.py）。
   • 貼入以下範例程式碼（請根據您的需求調整）：

   import os
   from LightRAG import LiTrack, VectorStoreConfig # 假設導入方式如此，請依實際 LightRAG 版本調整
   
   # 設定工作目錄
   work_dir = "./my_LightRAG_storage" # 指定 LightRAG 存放索引等數據的目錄
   os.makedirs(work_dir, exist_ok=True)
   
   # 初始化 LightRAG (使用 GPT-4o mini)
   # 注意：若使用 OpenAI 模型，需設定環境變數 OPENAI_API_KEY
   # export OPENAI_API_KEY='YOUR_API_KEY' (Linux/macOS)
   # set OPENAI_API_KEY=YOUR_API_KEY (Windows)
   litrack = LiTrack(
       work_dir=work_dir,
       vector_store_config=VectorStoreConfig(), # 使用預設向量儲存設定
       llm_config={"model": "gpt-4o-mini"} # 指定使用 GPT-4o mini
       # 若使用 Ollama，可參考以下設定 (需先運行 Ollama 並下載模型)
       # llm_config={"model": "ollama/phi3:mini", "api_base": "http://localhost:11434/v1"},
       # embedding_config={"model": "ollama/bge-m3", "api_base": "http://localhost:11434/v1"}
   )
   
   # 載入文件建構知識庫
   # 將您的文件 (例如 llama3_report.pdf) 放到專案目錄下
   document_path = "./llama3_report.pdf" # 替換成您的文件路徑
   litrack.add_documents([document_path])
   
   print("知識庫建構完成。")
   
   # 測試檢索 (可選) - LightRAG 支援多種檢索模式
   query = "請說明 Llama 3 的數據質量控制流程"
   # response_naive = litrack.search(query, mode="naive")
   # response_local = litrack.search(query, mode="local")
   # response_global = litrack.search(query, mode="global")
   response_hybrid = litrack.search(query, mode="hybrid") # 混合模式通常效果較佳
   
   print("混合模式檢索結果：")
   print(response_hybrid)
   

3. 放置知識庫文件：將您想要建立知識庫的文件（例如，關於 Llama 3 的技術報告 PDF）放置到專案的根目錄下。

4. 執行腳本：若使用 OpenAI 模型，請先設定您的 API Key。然後在已啟用虛擬環境的終端機中執行 python setup_LightRAG.py。這會初始化 LightRAG 並將您的文件處理成可供檢索的知識庫。

#### 第二步：利用 WinSurf 自動生成 MCP 伺服器

1. 準備提示詞文件 (Markdown)：

   • 在 WinSurf 中，建立一個 Markdown 文件（例如 task_create_mcp.md）。
   • 將詳細的指令寫入此文件。這份文件是引導 WinSurf 為我們工作的關鍵。內容應包含：
     • 任務描述：明確告知 WinSurf 要為 LightRAG 建構一個 MCP 伺服器，該伺服器需能接收任意查詢文本，並使用 LightRAG 的不同檢索模式（Naive, Local, Global, Hybrid）進行搜索。
     • 專案路徑：提供您剛才建立的 LightRAG 專案的完整絕對路徑（可使用 pwd 命令查看）。
     • 環境設定：指示 WinSurf 需要先進入專案路徑，並啟用之前建立的 Python 虛擬環境 (venv)。同時提醒需要設定 OpenAI API Key（如果適用）。
     • 參考程式碼：貼上您剛才編寫並成功運行的 setup_LightRAG.py 的內容。
     • 預期互動/輸出：可以貼上一段執行 setup_LightRAG.py 後終端機顯示的完整日誌和輸出範例，幫助 WinSurf 理解初始化和檢索過程。
     • MCP 伺服器規範：引用或提供 MCP 伺服器 的相關技術文件或規範鏈接，讓 WinSurf 知道要生成符合標準的接口。

2. 執行 WinSurf 命令：

   • 在 WinSurf 的輸入框中，輸入指令：execute @task_create_mcp.md (將 task_create_mcp.md 替換成您建立的 Markdown 文件名)。
   • 點擊發送。WinSurf 會開始分析您的提示詞文件，理解需求，並自動編寫 MCP 伺服器 的 Python 程式碼。
   • 過程中，WinSurf 可能會要求執行某些命令（如安裝依賴、運行腳本），請仔細確認並允許。如果遇到錯誤，WinSurf 通常會嘗試自動修復。
   • 這個過程可能需要幾分鐘，WinSurf 會不斷迭代、修正程式碼，直到成功建立並運行 MCP 伺服器。

#### 第三步：整合 MCP 伺服器至 Claude 桌面版

1. 編輯 Claude 設定檔：
   • 打開 Claude 桌面版的設定 (Settings) → 開發者 (Developer) → 編輯設定檔 (Edit Configuration File)。
   • 找到與 MCP 伺服器 相關的設定區塊。
   • 將 WinSurf 生成的 MCP 伺服器的相關資訊（通常是伺服器運行的地址和端口，以及可能需要的認證資訊）填入設定檔中。確保設定檔中指向的專案路徑是正確的。如果您使用 OpenAI，也需在此處配置 API Key。
2. 重新啟動 Claude：儲存設定檔並重新啟動 Claude 桌面版。
3. 測試：在 Claude 桌面版中，您應該能看到新增的 LightRAG MCP 伺服器選項。嘗試發送一個查詢（例如：“使用 LightRAG 的 NaiveSearch 模式搜索數據質量控制流程，並用中文回答”），Claude 會呼叫您本地運行的 MCP 伺服器，從您的 LightRAG 知識庫中檢索資訊並回答。

#### 第四步：整合 MCP 伺服器至 AutoGen 智能體框架

1. 安裝依賴：確保您的 Python 環境中已安裝 AutoGen 以及與 MCP 伺服器 溝通所需的庫。可能需要執行類似 pip install pyautogen autogen-mcp-client（具體套件名稱可能不同）的命令。

2. 編寫 AutoGen 腳本：

   • 建立一個新的 Python 腳本。
   • 在腳本中導入 AutoGen 和 MCP 伺服器 客戶端相關的庫。
   • 設定環境變數（如 OpenAI API Key）。
   • 配置 AutoGen Agent，使其知道如何與您的 LightRAG MCP 伺服器 溝通（通常是透過指定伺服器地址和使用的工具/函數名稱）。
   • 定義任務，例如要求 Agent 使用指定的 LightRAG 檢索工具（透過 MCP 伺服器）來查詢您的知識庫。
   • 以下為概念性範例程式碼：

   import autogen
   from autogen.agentchat.contrib.mcp import MCPClient, register_mcp_tools # 假設有此類庫
   
   # 設定 API Key
   config_list = autogen.config_list_from_json(
       "OAI_CONFIG_LIST",
       filter_dict={"model": ["gpt-4o-mini"]},
   )
   openai_api_key = config_list[0].get("api_key") # 或直接設定 os.environ["OPENAI_API_KEY"]
   
   # 設定 MCP 伺服器地址
   mcp_server_address = "http://localhost:8000" # WinSurf 告知的伺服器地址
   
   # 初始化 MCP 客戶端並註冊工具
   mcp_client = MCPClient(base_url=mcp_server_address)
   available_tools = mcp_client.list_tools() # 獲取伺服器提供的工具列表
   # 假設工具名類似 'LightRAG_naive_search', 'LightRAG_hybrid_search'
   
   # 創建 AutoGen Agent
   llm_config = {"config_list": config_list, "cache_seed": 42}
   user_proxy = autogen.UserProxyAgent(
      name="UserProxy",
      system_message="使用者代理。",
      code_execution_config={"work_dir": "coding"},
      human_input_mode="TERMINATE"
   )
   assistant = autogen.AssistantAgent(
       name="Assistant",
       llm_config=llm_config,
       system_message="你可以調用 LightRAG MCP 工具來查詢知識庫。"
   )
   
   # 將 MCP 工具註冊給 Assistant Agent
   register_mcp_tools(assistant, mcp_client, tool_names=['LightRAG_hybrid_search']) # 註冊你想用的工具
   
   # 定義任務
   task = "使用 LightRAG 的 Hybrid Search 工具搜索 Llama 3 的數據質量控制流程，並用中文總結。"
   
   # 開始對話
   user_proxy.initiate_chat(
       assistant,
       message=task
   )
   

3. 執行腳本：運行此 Python 腳本。AutoGen Agent 將會透過 MCP 伺服器 與您的 LightRAG 知識庫 互動，完成指定的查詢任務。

結論：賦予 AI 工具無限知識潛能

透過 WinSurf 自動化建構 LightRAG 的 MCP 伺服器，我們成功地將本地或特定的知識庫無縫接入了像 Claude 桌面版和 AutoGen 這樣的強大 AI 工具中。這意味著：

• 無需編碼即可擴展：即使不編寫一行伺服器代碼，也能為 AI 工具添加外部知識庫能力。
• 提升 AI 應用深度：讓 AI 能夠基於特定領域的專業知識進行回答和推理。
• 標準化接口：建立的 MCP 伺服器 可被任何支援該標準的客戶端（不僅限於 Claude 或 AutoGen）調用。
• 效率提升：避免了重複上傳文檔或在不同工具間切換的麻煩。

WinSurf 的出現極大地簡化了這類整合工作的複雜性，讓開發者和進階使用者能更專注於應用本身，而非底層的接口開發。這項技術為個人化和企業級 AI 應用開啟了更廣闊的可能性，讓 AI 真正成為我們強大的知識助手。

---

免責聲明：本文所述的具體指令、程式碼和庫名稱可能隨 WinSurf、LightRAG、Claude、AutoGen 等工具的版本更新而變化，請以官方文件為準。

[Aiko]

想要深入了解如何運用先進的 AI 技術提升您的業務效能嗎？Tenten AI 是專業的 AI 解決方案提供商，我們的團隊具備豐富的 LightRAG、WinSurf 等尖端 AI 技術整合經驗。無論是建構企業知識庫、優化檢索系統，還是客製化 AI 應用開發，我們都能為您提供最適切的解決方案。

立即預約免費諮詢會議，讓我們協助您實現 AI 轉型之路！