Graphlit MCP 服务器集成

“Graphlit” MCP 服务器的作用

Graphlit MCP（模型上下文协议）服务器作为 MCP 客户端与 Graphlit 平台之间的桥梁，实现与多种外部数据源和服务的无缝集成。其主要功能是聚合、索引并使来自 Slack、Discord、网站、Google Drive、邮件、Jira、Linear 和 GitHub 等平台的多样化内容可被搜索，转化为统一、支持 RAG（检索增强生成）的知识库。服务器支持文档、网页、音频和视频的采集——可自动抽取或转录内容以高效检索。内置网页爬取、搜索等工具，Graphlit MCP 服务器让 AI 助手和开发者可以与大规模知识库交互与管理，支持如文档搜索、自动抽取、多源聚合等高级工作流，并可在主流开发环境中使用。

Prompts 模板列表

在可用文档或仓库文件中未列出明确的 prompt 模板。

资源列表

在可用文档或仓库文件中未详细列出明确的资源。

工具列表

• 内容查询：在已采集的知识库中搜索和获取内容。
• 集合查询：针对特定数据或文档集合进行查询。
• Feed 查询：检索并搜索集成到 Graphlit 的各类 Feed。
• 对话记录查询：跨平台访问和搜索对话记录。
• 检索相关来源：查找与查询或上下文相关的来源。
• 检索相似图片：查找与给定图片视觉上相似的图片。
• 图片视觉描述：生成图片的文字描述。
• LLM 对话交互：发起或续接基于 LLM 的 RAG 对话工作流。
• 从文本抽取结构化 JSON：将非结构化文本数据转为结构化 JSON 格式。
• 以音频形式发布（ElevenLabs Audio）：用 ElevenLabs 将内容转为音频。
• 以图片形式发布（OpenAI Image Generation）：用 OpenAI 根据提示生成图片。
• 文件、网页、消息、帖子、邮件、工单、文本、记忆（短期）：采集这些类型的内容至 Graphlit。
• 网页爬取：自动执行网页爬取以采集网络数据。
• 数据连接器：支持以下集成采集：
  • Microsoft Outlook 邮箱
  • Google 邮件
  • Notion
  • Reddit
  • Linear
  • Jira
  • GitHub 工单
  • Google Drive
  • OneDrive
  • SharePoint
  • Dropbox
  • Box
  • GitHub
  • Slack
  • Microsoft Teams
  • Discord
  • Twitter/X
  • 播客（RSS）

MCP 服务器的应用场景

• 企业知识管理：将各平台的内部文档、沟通和资源聚合到统一、可搜索的知识库中，便于检索与 RAG 工作流。
• 自动化内容采集与搜索：自动采集文档、网页、邮件等，让其可即时被 AI 助手或开发者搜索和访问。
• 多源检索增强生成（RAG）：让 LLM 能够利用来自多样数据源的最新、丰富信息，提高 AI 生成内容的准确性与相关性。
• 跨平台数据集成：无缝连接并同步如 Slack、Jira、GitHub、Google Drive 等工具的数据，助力项目与产品的整体管理。
• 内容发布与转换：将采集内容转为其他格式（音频、图片）或抽取结构化数据，便于进一步处理或发布。

如何设置

Windsurf

1. 确保系统已安装 Node.js。
2. 定位或创建您的 Windsurf 配置文件。
3. 在 mcpServers 区段添加 Graphlit MCP 服务器条目：

   {
     "mcpServers": {
       "graphlit": {
         "command": "npx",
         "args": ["@graphlit/graphlit-mcp-server@latest"]
       }
     }
   }
   

4. 保存配置文件并重启 Windsurf。
5. 验证 Graphlit MCP 服务器已运行且可访问。

API 密钥安全

使用环境变量存储 API 密钥：

{
  "mcpServers": {
    "graphlit": {
      "command": "npx",
      "args": ["@graphlit/graphlit-mcp-server@latest"],
      "env": {
        "GRAPHLIT_API_KEY": "your-api-key"
      },
      "inputs": {
        "projectId": "your-project-id"
      }
    }
  }
}

Claude

1. 若尚未安装，请先安装 Node.js。
2. 打开 Claude 的配置文件。
3. 按如下方式添加 Graphlit MCP 服务器条目：

   {
     "mcpServers": {
       "graphlit": {
         "command": "npx",
         "args": ["@graphlit/graphlit-mcp-server@latest"]
       }
     }
   }
   

4. 保存并重启 Claude。
5. 确认该服务器已出现在已连接的 MCP 服务器列表中。

Cursor

1. 确保已安装 Node.js。
2. 编辑 Cursor 配置文件。
3. 插入如下 MCP 服务器配置：

   {
     "mcpServers": {
       "graphlit": {
         "command": "npx",
         "args": ["@graphlit/graphlit-mcp-server@latest"]
       }
     }
   }
   

4. 保存并重启 Cursor。
5. 检查 Graphlit MCP 是否在可用工具中显示。

Cline

1. 确认系统已安装 Node.js。
2. 访问您的 Cline 配置文件。
3. 按以下方式添加 Graphlit MCP 服务器：

   {
     "mcpServers": {
       "graphlit": {
         "command": "npx",
         "args": ["@graphlit/graphlit-mcp-server@latest"]
       }
     }
   }
   

4. 保存并重启 Cline。
5. 验证 MCP 服务器集成是否成功。

注意：如上例所示，务必通过环境变量方式保护如 API 密钥等敏感信息。

如何在流程中使用 MCP

在 FlowHunt 中使用 MCP

要将 MCP 服务器集成到 FlowHunt 工作流中，首先需在流程中添加 MCP 组件并将其连接到您的 AI 智能体：

点击 MCP 组件以打开配置面板。在系统 MCP 配置区，使用如下 JSON 格式填写您的 MCP 服务器信息：

{
  "graphlit": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

配置完成后，AI 智能体即可将该 MCP 作为工具使用，访问其全部功能。请记得将 “graphlit” 修改为您的实际 MCP 服务器名称，并将 URL 替换为您自己的 MCP 服务器地址。

概览

Roots 支持：文档未明确说明。

我们的观点

Graphlit MCP 服务器在工具功能和集成指南方面表现稳健，但缺乏关于 prompt 模板和 MCP 资源的详细文档。其拥有 LICENSE、活跃开发和良好的 GitHub 参与度，是知识管理和 RAG 场景的优秀选择，但资源和 prompt 文档的缺失可能限制某些场景的即开即用性。

MCP 评分