还在为低效编程头疼？AI 编程工具正改变开发节奏。我用 RAGflow搭建了个人专属知识库，通过MCP实现AI编程工具和个人专属知识库链接，半天就打造出专属 AI 编程助手，轻松告别繁琐检索，效率飙升，这就给大家分享秘诀。

在本篇文章中，将讨论以下几个问题：

• 如何部署RAGflow服务，并开启MCP服务
• 开发RAGFlow知识库检索MCP服务
• 安装AI编程助手(continue)，接入RAGFlow MCP服务
• RAGflow+MCP效果评测

1. 部署RAGflow，开启MCP服务

1.1 前提条件

硬件配置要求
• CPU >= 4 核
• RAM >= 16 GB
• Disk >= 50 GB
软件配置要求

# 安装uvx
pip install uvx  
# 查看uvx版本
uvx --versio
# 输出: uvx 0.7.21 (77c771c7f 2025-07-14)

# 安装docker desktop，参考https://docs.docker.com/desktop/，根据系统差异选择
# 查看docker desktop版本
docker --version
# 输出: Docker version 28.1.1, build 4eba377

1.2 部署RAGFlow

启动服务器

# 克隆仓库
git clone https://github.com/infiniflow/ragflow.git

# 进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器
cd ragflow/docker

# Use CPU for embedding and DeepDoc tasks:
docker compose -f docker-compose.yml up -d
# To use GPU to accelerate embedding and DeepDoc tasks:
# docker compose -f docker-compose-gpu.yml up -d

# 服务器启动成功后再次确认服务器状态
docker logs -f ragflow-server

出现以下界面提示说明服务器启动成功：

添加模型

这里选择的是硅基流动平台的模型，可从网址https://cloud.siliconflow.cn注册、获取API Key，也可以从魔塔社区、阿里云百炼等平台获取。

创建知识库

1.3 获取RAGFlow的BASE-URL和API Key

分别点击下图中的步骤1~步骤3， 获取RAGFlow的BASE-URL（对应步骤3中的API服务器）和API Key，为开启MCP Server作准备

1.4 开启MCP服务

代码默认MCP server是不生效的，需要进行配置。 要启用它，先找到docker/docker-compose.yml文件，取消注释services.ragflow.command部分。其中的- --mcp-host-api-key=ragflow-xxxxx，即前文获取的API Key

# 先关闭已启动的服务
docker compose down 

# 重启修改配置后的服务
docker compose -f docker-compose.yml up -d

2. 开发RAGFlow知识库检索MCP服务

2.1 开发RAGFlow知识库检索MCP服务

创建 RAGFlow MCP Server 项目

uvx create-mcp-server --path ragflow-mcp-server-continue --name ragflow-mcp-server-continue --version 0.1.0 --description "RAGFlow MCP Server Continue" --no-claudeapp

cd ragflow-mcp-server-continue
uv sync --dev --all-extras
uv add ragflow-sdk

开发的MCP Server功能

• list_datasets
  • 列出所有数据集
  • 返回数据集的 ID 和名称
• create_chat
  • 创建一个新的聊天助手
  • 输入:
    • name: 聊天助手的名称
    • dataset_id: 数据集的 ID
  • 返回创建的聊天助手的 ID、名称和会话 ID
• chat
  • 与聊天助手进行对话
  • 输入：
    • session_id: 聊天助手的会话 ID
    • question: 提问内容
  • 返回聊天助手的回答
• retrieve
  • 检索相关信息
  • 输入：
    • dataset_ids: 数据集的 ID
    • question: 提问内容
  • 返回从知识库检索到的内容
    
    源码链接：https://github.com/AITech-Team/ragflow-mcp-server-continue

构建 & 发布
同步依赖并更新锁定文件

uv sync

构建软件包分发文件

uv build

发布软件包到 PyPI

uv publish

发布软件包到PyPI注意事项
• 注册账号 https://pypi.org/
• 添加2FA与身份验证应用程序

import pyotp
key = 'SC5GNDMEV2FPHHLZQW7IZ6UCFXFBNBVI' # 二维下方的一串字符串密钥
totp = pyotp.TOTP(key)
print(totp.now()) # 输出内容输入到下方的验证申请

• 生成API Token，输入对应的用户名和密码

• 软件包发布成功

关于如何上传python包到pypi，推荐阅读
1.pypi 上传python包
2.python项目模块打包本地发布并上传到到PyPI官网(最清楚，最详细)

3. 安装AI编程助手(continue)，接入RAGFlow MCP服务

关于AI编程助手的更多介绍，可前往阅读前期文章程序员必备的 14 款 AI 编程助手，有几个你还没用过？

3.1 VS Code安装AI编程助手(continue)

点击VS Code中的Extensions, 在搜索框中输入continue，并点击右侧的install(图中是系统已经安装了，显示为uninstall)。

3.2 continue配置MCP server yaml文件

按图中显示的步骤顺序添加RAGFlow MCP服务

配置文件内容如下：

name: RAGFlow MCP Server Continue
version: 0.1.0
schema: v1
mcpServers:
  - name: RAGFlow MCP Server Continue
    command: uvx
    args:
      - ragflow-mcp-server-continue@0.3.3 #@0.3.3对应软件包的版本号
      - --api-key
      - ragflow-UzODQ0YjcwNjY5YjExZjA4YjY5OTYxOW
      - --base-url
      - http://127.0.0.1:9380
    connectionTimeout: 800000 # 避免网路延迟对软件包加载影响

添加完配置后，当看到continue的MCP选项下的MCP服务状态显示为绿色、功能显示与开发的一致，说明MCP Server已经加载成功。

距离成功配置MCP Server还差最后一步了，点击Tools选项，打开Built-In按钮

同时，打开提供的MCP服务，根据自身需求选择对应的服务功能

接下来，可以在continue对话窗口愉快的进行知识问题、代码编写啦！注意哦，这里的模型上下文可以直接从刚刚搭建的知识库获取。

4. RAGflow+MCP效果评测

4.1根据知识库检索内容，生成代码

提示词内容

# 你是一位研发专家，需要根据用户的文字描述用C语言编写代码模块，代码应满足以下要求：
 - 对于行业相关的知识，优先从知识库中获取，并将获取的内容作为模型上下文使用
 - 不需要写main()函数模块
 - 代码尽量采用位运算
 - 编写过程要符合代码编写规范，包括代码编写风格、常用的函数库调用
 - 编写的c代码文件放在test_continue目录下

## 用户需求如下：
 - 功能：通过I2C协议访问芯片温度寄存器地址，读取原始寄存器数据，按照芯片要求的格式解析将数据转换为十进制。
 - 输入：从知识库中获取EMC1413规格书，根据手册中的7.2章节获取三组温度寄存器中读取温度的整数位和小数位，生成温度信息。
 - 输出：EMC1413获取温度接口函数。参考附件中以下函数定义：  int emc1413_get_data(u8 bus, u8 slave

代码生成如下：

具体的回答效果，建议各位老板在自己的知识库下尝试。

多唠叨一句，continue只有在Agent模式下才能提供MCP服务，还需要模型支持Agent调用，示例中使用的是Google Gemini 2.0 Flash，API Key申请链接 https://aistudio.google.com/app/apikey

以上是通过本地知识库提升AI编程工具continue检索效率的全流程，希望为广大研发人员提供便利。

推荐阅读
程序员必备的 14 款 AI 编程助手，有几个你还没用过？

GPT-5 震撼发布：要点速览

用两天搭出GitHub智能搜索工具：从构思到实现