Context Portal MCP服务器架构深度剖析Python/FastAPI如何构建高效RAG后端【免费下载链接】context-portalContext Portal (ConPort): A memory bank MCP server building a project-specific knowledge graph to supercharge AI assistants. Enables powerful Retrieval Augmented Generation (RAG) for context-aware development in your IDE.项目地址: https://gitcode.com/gh_mirrors/co/context-portalContext Portal (ConPort) 是一个基于Python/FastAPI构建的MCP服务器它通过构建项目特定的知识图谱来增强AI助手的能力实现了强大的检索增强生成RAG功能为IDE中的上下文感知开发提供支持。本文将深入剖析其架构设计与实现细节展示如何利用现代Python技术栈构建高效的RAG后端服务。架构概览从知识图谱到RAG的完整链路Context Portal的核心价值在于为AI助手提供项目级别的上下文理解能力。其架构设计围绕着知识图谱构建-语义检索-智能响应的RAG闭环展开主要包含四个关键层次图1Context Portal MCP服务器架构示意图展示了从数据采集到RAG响应的完整流程数据接入层通过工作区检测器自动识别项目结构支持多类型知识实体决策记录、系统模式、进度跟踪等的录入知识存储层结合关系型数据库与向量数据库实现结构化知识与语义向量的协同存储检索服务层提供全文搜索与向量相似性查询支持多维度过滤与组合检索API服务层基于FastAPI构建MCP协议兼容接口实现工具化调用与上下文管理这种分层架构既保证了数据存储的灵活性又实现了检索能力的高效性为AI助手提供了深度理解项目上下文的技术基础。核心技术栈解析FastAPI与向量数据库的完美结合Context Portal选择Python作为主要开发语言并采用FastAPI框架构建API服务这一技术选型为项目带来了显著优势FastAPI高性能异步API开发框架在src/context_portal_mcp/main.py中我们可以看到FastAPI的典型应用模式from fastapi import FastAPI # 初始化FastAPI应用 app FastAPI(titleConPort MCP Server Wrapper, versionCONPORT_VERSION) # 注册MCP工具端点 conport_mcp.tool( nameget_product_context, descriptionRetrieves the overall project goals, features, and architecture., annotationsToolAnnotations( titleGet Product Context, readOnlyHintTrue, ), ) async def tool_get_product_context( workspace_id: Annotated[str, Field( descriptionIdentifier for the workspace (e.g., absolute path) )] ) - Dict[str, Any]: # 实现逻辑...FastAPI的优势体现在三个方面类型提示驱动通过Pydantic模型实现请求参数的自动验证与文档生成异步性能基于Starlette的异步架构支持高并发请求处理MCP协议兼容灵活的路由设计与依赖注入系统完美适配MCP服务器需求ChromaDB轻量级嵌入式向量存储向量数据库是RAG系统的核心组件Context Portal选择了ChromaDB作为向量存储解决方案。在src/context_portal_mcp/db/vector_store_service.py中实现了完整的向量存储管理功能def get_chroma_client(workspace_id: str) - chromadb.PersistentClient: 获取或初始化指定工作区的ChromaDB客户端 if workspace_id not in _chroma_clients: vector_store_path _get_vector_store_path(workspace_id) client chromadb.PersistentClient( pathvector_store_path, settingsChromaSettings(allow_resetTrue, anonymized_telemetryFalse) ) _chroma_clients[workspace_id] client return _chroma_clients[workspace_id]ChromaDB的嵌入式部署模式特别适合Context Portal的使用场景零依赖部署无需独立服务直接嵌入应用进程按工作区隔离为每个项目创建独立的向量存储避免知识污染高效相似性搜索支持余弦相似度等多种距离度量满足RAG检索需求关键模块实现打造生产级RAG后端Context Portal的代码组织结构清晰核心功能模块化实现便于维护和扩展。以下是几个关键模块的实现细节工作区检测智能识别项目边界src/context_portal_mcp/core/workspace_detector.py实现了工作区自动检测功能能够智能识别项目根目录并初始化相应的知识存储def resolve_workspace_id(workspace_id: str) - str: 解析并验证工作区ID确保指向有效目录 # 实现逻辑...这一功能通过分析目录结构和特征文件自动确定项目边界为多项目并行处理提供了基础支持。向量存储服务语义检索的核心引擎向量存储服务模块实现了完整的向量管理功能包括向量存储路径管理客户端缓存与连接池向量的增删改查操作多条件组合查询其中query_vector_store函数实现了核心的相似性检索功能def query_vector_store( workspace_id: str, query_vector: List[float], top_k: int 5, filters: Optional[Dict[str, Any]] None, collection_name: str DEFAULT_COLLECTION_NAME ) - List[Dict[str, Any]]: 查询向量存储返回相似结果 # 实现逻辑...该函数支持通过元数据过滤、结果数量限制等参数精确控制检索过程为RAG提供高质量的上下文素材。MCP工具注册标准化AI交互接口在src/context_portal_mcp/main.py中通过FastMCP框架注册了一系列MCP工具如get_product_context获取产品上下文log_decision记录架构决策search_decisions_fts全文搜索决策记录log_progress跟踪开发进度这些工具遵循统一的接口规范使AI助手能够以标准化方式与Context Portal交互获取项目上下文信息。部署与扩展从开发到生产的最佳实践Context Portal提供了完整的部署支持包括Docker容器化和依赖管理Docker化部署项目根目录下的Dockerfile定义了完整的容器化构建流程确保环境一致性和部署便捷性。依赖管理项目使用requirements.txt和uv.lock管理依赖支持快速环境搭建# 克隆仓库 git clone https://gitcode.com/gh_mirrors/co/context-portal # 安装依赖 pip install -r requirements.txt # 启动服务 uvicorn src.context_portal_mcp.main:app --host 0.0.0.0 --port 8000结语重新定义AI辅助开发体验Context Portal通过巧妙结合FastAPI和向量数据库技术构建了一个高效的RAG后端服务为AI助手提供了深入理解项目上下文的能力。其架构设计既考虑了当前需求又为未来扩展预留了空间特别是在以下方面具有创新性工作区隔离为每个项目创建独立的知识图谱避免跨项目干扰多模态检索结合全文搜索与向量检索实现精准的上下文定位MCP协议兼容标准化的工具接口易于集成到各类AI助手随着AI辅助开发的普及Context Portal这样的上下文管理系统将成为提升开发效率的关键基础设施为开发者提供真正理解项目的智能助手。【免费下载链接】context-portalContext Portal (ConPort): A memory bank MCP server building a project-specific knowledge graph to supercharge AI assistants. Enables powerful Retrieval Augmented Generation (RAG) for context-aware development in your IDE.项目地址: https://gitcode.com/gh_mirrors/co/context-portal创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考