feedmcp：为LLM注入离线文档能力的MCP服务器

feedmcp是一个基于Model Context Protocol (MCP)的服务器，通过本地SQLite和高级RAG管道，让大语言模型能够高效利用离线文档资源，无需依赖外部向量数据库。其核心优势包括部署简单、隐私安全、成本低廉且完全离线可用，为个人开发者和小型团队提供了为LLM赋能私有知识库的理想方案。

大语言模型（LLM）的能力边界往往受限于训练数据的时效性和覆盖范围。当开发者需要让AI助手理解私有代码库、内部文档或最新技术资料时，传统方案要么依赖昂贵的微调，要么需要搭建复杂的向量数据库基础设施，门槛较高。Model Context Protocol (MCP)作为Anthropic推出的开放标准，为LLM与外部数据源之间建立了统一通信协议，而feedmcp正是基于这一协议的轻量级、完全本地化解决方案。

feedmcp的核心设计理念是无需外部向量数据库，所有操作都在本地SQLite中完成。与许多依赖Pinecone、Weaviate等云服务的RAG方案不同，它将嵌入、检索和上下文管理全部内置于单个SQLite文件中，带来部署简单、隐私安全、成本低廉且完全离线可用的显著优势。

feedmcp通过以下关键机制实现高效文档检索：

1. 上下文块头（CCH）：为每个文档块动态添加Markdown层级结构和描述符，避免断章取义；
2. 相关片段提取（RSE）：合并源文件中连续的相关匹配为连贯语义文档；
3. 负载截断保护：自动限制超大文本长度，提示使用read_doc工具分页读取；
4. 代理查询支持：指导LLM采用HyDE和动态查询重构优化检索效果。

feedmcp采用Go语言开发，基于LangChainGo实现智能分块，支持嵌套标题和大小对长Markdown文件的语义分割。提供多种传输方式：stdio（适用于Claude Desktop或CLI代理）、streamable HTTP、SSE；原生支持.zstd压缩格式（与feedai项目兼容），可直接读取大规模压缩离线文档存档。

应用场景：例如开发团队维护数十万行内部代码文档时，可通过feedmcp将文档 ingest 到本地SQLite，在支持MCP的客户端中查询，返回连贯的相关代码片段、文件路径、函数签名等信息。 隐私安全：纯本地架构确保敏感文档永不离开本地机器，无需向第三方向量数据库发送嵌入向量，适合处理机密代码、医疗记录或法律文档等场景。

feedmcp代表了RAG技术向轻量化和本地化演进的重要方向，证明高级检索能力无需复杂基础设施，通过精巧算法和SQLite灵活性可实现生产级文档增强效果。对于希望为LLM赋能私有知识库的个人开发者和小型团队，它是理想起点（安装简单、成本零、隐私可控）。随着MCP生态成熟，这类工具将成为LLM应用开发的标配组件。