graphRAG+fastapi+mcp+cline调用本地知识库辅助编程

背景

使用deepseek编程时，发现有时没达到我们想要的效果。特别是我们使用一些特定的框架进行开发时，已经积累了很多有用的经验，但是互联网上的大模型没有办法学习到你私有的这些经验，导致使用AI赋值编程时不是很“精准”。

解决方案

使用fastapi将本地graphRAG的查询能力封装成一个web api，再包装成mcp server，供cline调用，这样就可以使用本地的知识库来辅助编程，AI编程就能使用个人私有的智慧了。自己沉淀的知识越多，编程也会也精准。

将graphRAG的检索能力封装出api

1、下载其源码后，拷贝到根目录下
https://github.com/noworneverev/graphrag-api

2、修改requirements.txt
requirements.txt里修改，将graphrag~=1.1.0修改为graphrag~=1.2.0
修改后的内容

graphrag~=1.2.0
fastapi~=0.112.0
uvicorn~=0.30.5
pydantic-settings~=2.4.0

3、setting.yml修改

GRAPHRAG_LLM_TYPE: openai_chat # openai_chat or azure_openai_chat
GRAPHRAG_LLM_MODEL: deepseek-v3
OPENAI_API_KEY: sk-XXX #改成你自己的
GRAPHRAG_LLM_API_BASE: https://dashscope.aliyuncs.com/compatible-mode/v1
GRAPHRAG_EMBEDDING_MODEL: text-embedding-v3
GRAPHRAG_EMBEDDING_API_BASE: https://dashscope.aliyuncs.com/compatible-mode/v1
GRAPHRAG_CLAIM_EXTRACTION_ENABLED: False
INPUT_DIR: "./ragtest/output"
COMMUNITY_LEVEL: 2
RESPONSE_TYPE: "single paragraph" # free form text describing the response type and format, can be anything, e.g. prioritized list, single paragraph, multiple paragraphs, multiple-page report

4、执行安装依赖包
pip install -r requirements.txt

5、运行
打开api.py右键运行

访问 http://127.0.0.1:8000/docs 进行测试

下面的cline在使用的过程中，这个fastapi要一直保持运行，不要关。

将api包装成mcp server

如果将一个api封装为一个mcp server,看早前的材料《从0到1创建一个mcp server》

cline调用此mcp server

如何配置，看早前的材料。

{
  "mcpServers": { 
    "fastadmin": {
      "command": "uv",
      "args": [
        "--directory",
        "C:\\12pycharm_code\\FA_graphrag_api\\graphragapi",
        "run",
        "server.py"
      ],
      "disabled": false,
      "alwaysAllow": []
    }
  }
}