工作原理
一条完整链路：本地文件 → 向量索引 → MCP Server → AI Agent。
整体架构
数据留在本机，协议连接 AI
数据始终留在本机，只有标准协议在 Agent 与知识库之间流动。
本地文件
文档 · 图片 · 设计图
→
解析切片
提取文本与元数据
→
向量索引库
Embedding 本地存储
→
MCP Server
标准工具接口
→
AI Agent
按需检索与引用
关键步骤
四个关键步骤
1
导入解析
选择文件或整个目录导入，软件自动识别格式，提取正文文本、图片信息与设计稿图层结构，并记录来源、时间等元数据，形成统一的知识条目。
2
切片向量化
长内容按语义边界切分为知识切片，交由向量化模型生成 Embedding 向量，写入本地索引库。此后每一次检索，都是向量空间中的相似度计算。
3
MCP 服务
启动内置 MCP Server 后，知识库以标准 MCP 工具的形式被发现与调用：列目录、语义检索、读摘要、取原文，Agent 像查询数据库一样查询你的知识。
4
渐进式披露
Agent 首先获得轻量的目录与摘要（L0/L1），仅在确认需要时才拉取具体切片原文（L2）。上下文始终精简，token 消耗与隐私暴露都可控。
披露分级
渐进式披露：L0 → L1 → L2
信息分级提供，Agent 的上下文永远保持精简。
L0
目录清单
知识库结构、文档清单与标签总览，几百 token 即可建立全局认知。
L1
摘要速览
单篇文档的摘要与关键信息，帮助 Agent 判断是否值得深入。
L2
原文切片
命中的具体切片与出处，只在真正需要时进入上下文。
MCP 工具
Agent 如何调用知识库
MCP Server 将知识库能力封装为四个标准工具，Agent 按需调用即可完成从“概览”到“精读”的完整过程。
kb.list列出知识库目录与标签（L0）kb.search语义 + 关键词混合检索，返回命中切片与出处kb.summarize获取指定文档的摘要与要点（L1）kb.read按出处读取原文切片（L2）
{
"mcpServers": {
"huotu-kb": {
"command": "huotu-kb",
"args": ["mcp", "serve"]
}
}
}