技能介绍

为什么需要它

构建一个能访问私有知识的 AI Agent 时，团队通常要自己写数据解析、分块、索引和检索的胶水代码。这套流程在每个项目里反复重写，而且工具接口不统一，Agent 很难以标准方式调用检索能力。MCP（Model Context Protocol）的出现让「索引与检索」可以被封装成标准工具，供支持 MCP 的客户端直接调用。这个技能就是围绕 LlamaIndex 的 MCP 服务器示例整理的，帮开发者把检索链路快速接进 Agent。

它如何工作

核心思路是把 LlamaIndex 的能力以 MCP 工具的形式暴露出去，主要包含以下环节：

文档解析：上游文档中的资源依赖 LlamaParse，负责把 PDF、表格等非结构化文件转成可索引的文本。
索引构建：依托 LlamaIndex OSS 的开源框架完成分块、向量嵌入与数据结构组织。
嵌入生成：示例中使用 llama-index-embeddings-huggingface 产出向量，也可以按需替换其他嵌入模型。
LLM 接入：示例同时覆盖 llama-index-llms-openai 与 llama-index-llms-ollama，即云端和本地运行的模型都能作为推理后端。
Agent 编排：通过 LlamaAgents 把上述能力组合成可运行的 Agent 工作流。

实际使用时，客户端通过 MCP 协议发现并调用这些工具，无需关心底层索引格式与检索算法的细节。

适用边界与注意点

LlamaParse 属于上游的付费/授权服务，使用前需要确认账号与额度，纯离线环境无法直接使用。
示例代码与文档均提取自上游仓库的 README（见 run-llama/llama_index 文档），具体接口签名以对应版本为准，升级 llama-index-core 后行为可能变化。
本技能聚焦于服务器与工具封装，不包含向量数据库的部署方案，存储层需要自行准备。