FastMCP Godot Documentation RAG

项目简介

FastMCP Godot Documentation RAG 是一个基于检索增强生成（RAG）的命令行助手，用来查询和解读 Godot 引擎的官方文档。项目使用 Hugging Face 语义向量模型和 FAISS 构建向量数据库，再通过 FastMCP 注册工具，结合 DeepSeek Chat API 返回结构化回答。

核心流程

1. 文档预处理
   • rst_to_markdown.py 批量将官方 .rst 文档转换为结构化 Markdown，保留信号、表格和章节信息。
   • markdown_split.py 识别 Markdown 中的章节、表格、代码等内容类型，将其切分成适合 RAG 的 JSON 片段。
2. 向量化与索引构建
   • embedding.py 读取 godot_docs/chunks.json，使用 sentence-transformers/all-miniLM-L6-v2 生成文本嵌入，并将结果写入本地 FAISS 索引与元数据文件。
3. 检索与回答
   • rag_fastmcp.py 加载本地向量库与元数据，注册 search_godot_docs 和 rag_answer 两个 FastMCP 工具，实现文档检索与结合 DeepSeek API 的问答。

目录结构

• godot_docs/：存放转换后的 Markdown、切分 JSON、FAISS 索引等数据资产。
• classes/：原始 .rst 文档集合，可作为数据转换输入。
• rst_to_markdown.py：批量 rst→md 转换脚本。
• markdown_split.py：Markdown 智能切分脚本。
• embedding.py：向量化与索引构建脚本。
• rag_fastmcp.py：加载索引并提供 FastMCP 工具与命令行入口。

运行概览

1. 准备数据：将 Godot .rst 文档放入 classes/，执行 rst_to_markdown.py 输出到 godot_docs/md_new/。
2. 切分文档：运行 markdown_split.py 生成结构化的 godot_docs/chunks.json。
3. 构建索引：执行 embedding.py 产生 godot_docs/faiss_db/index.faiss 和 metadata.pkl。
4. 启动助手：配置 DEEPSEEK_API_KEY（或在代码中内置的演示密钥），运行 rag_fastmcp.py 打开命令行助手。

完成以上步骤后，即可通过 FastMCP 接口或命令行与本地 Godot 文档知识库进行交互式问答。