projectwise_server by deckiokmal - MCP Server

ProjectWise – MCP Server

ProjectWise MCP Server adalah implementasi Model‑Context Protocol (MCP) berbasis Server‑Sent Events (SSE) yang berfokus pada otomasi proses pre‑sales & project delivery di lingkungan enterprise. Berkas ini menjelaskan hanya komponen mcp_server/.

Bahasa dokumen: Indonesia

Fitur Utama

Tool (nama MCP)	Deskripsi Singkat
`add_product_knowledge`	Menambahkan seluruh file PDF di `data/product_standard/` ke vector store sebagai product knowledge.
`add_kak_tor_knowledge`	Mengonversi PDF KAK/TOR menjadi markdown lalu mengindeksnya ke RAG.
`add_kak_tor_md_knowledge`	Mengindeks langsung berkas markdown KAK/TOR (tanpa konversi PDF).
`build_instruction_context`	Menggabungkan prompt template dengan konteks KAK/TOR terpilih untuk LLM reasoning.
`rag_retrieval`	Pencarian similarity + filter metadata di vectorstore dan mengembalikan teks yang relevan dengan citation.
`reset_vectordb`	Menghapus seluruh isi vectorstore dan membuat tabel kosong baru.
`update_chunk_metadata`	Memperbarui metadata chunk (mis. `project`, `tahun`).
`get_vectorstore_stats`	Statistik dokumen, token, dan embeddings saat ini.
`rebuild_all_embeddings`	Menghitung ulang embeddings untuk semua chunk (setelah ganti model).
`list_metadata_values`	Menampilkan nilai unik suatu field metadata.
`retrieve_product_context`	Mengambil konteks produk tertentu via RAG (untuk proposal).
`extract_document_text`	Mengekstrak teks dari `.pdf`, `.docx`, atau `.md` ke markdown.
`generate_proposal_docx`	Merender proposal Word `.docx` berdasarkan context & template.
`build_summary_tender_payload`	Menggabungkan prompt instruction (template .txt) dengan satu file Markdown KAK/TOR, lalu mengembalikan dict {"instruction":…, "context":…}.

Seluruh tools dideklarasikan dengan dekorator @mcp.tool di server.py dan secara otomatis diekspor melalui SSE endpoint.

Arsitektur Singkat

flowchart TD
    client[Client - CLI/UI ]
    server[FastMCP Server]
    tools[Tools Layer<br/> - Fungsi MCP: RAG, DocX, dsb.]
    vector[RAG Vector Store LanceDB]
    templates[Template Storage - Docx, Markdown ]

    client -- "HTTP Post" --> server
    server -- "SSE Streaming JSON" --> client
    server --> tools
    tools --> vector
    tools --> templates

Persyaratan

Python 3.11+
Paket Python (lihat pyproject.toml):
- docling, langchain, lancedb, openai, dll.
- Lihat dependency lengkap di bagian Dependencies.
LanceDB (embedded, otomatis dibuat).
Kunci API OpenAI OPENAI_API_KEY (atau endpoint lain bila menggunakan ollama_host).

Instalasi Cepat

git clone https://github.com/deckiokmal/MCP_SERVER-Agentic-RAG.git
cd projectwise_server

# buat virtualenv & aktifkan
uv venv
source .venv/bin/activate  # Windows: .venv\\Scripts\\activate

# instal dependensi
uv run

# salin contoh .env & edit
cp .env.example .env
nano .env   # isi OPENAI_API_KEY, OLLAMA_HOST, dsb.

Konfigurasi (`settings.py`)

Variabel utama (dibaca via Pydantic Settings):

Nama	Default	Keterangan
`OPENAI_API_KEY`	-	Kunci API OpenAI.
`OLLAMA_HOST`	`http://localhost:11434`	Host LLM self‑hosted (opsional).
`COLLECTION_NAME`	`projectwise_knowledge`	Nama tabel vectorstore.
`CHUNK_SIZE`	`200` token	Panjang chunk RAG.
`RETRIEVER_SEARCH_K`	`5`	Jumlah top-k hasil retrieval.

Lihat file mcp_server/settings.py untuk daftar lengkap.

Menjalankan Server

python main.py
# atau
python -m mcp_server.server

Secara bawaan server berjalan di http://localhost:5000 dengan SSE transport. Setiap tool dapat dipanggil via protokol MCP; contoh payload:

{
  "tool": "rag_retrieval",
  "args": {
    "query": "ringkasan solusi DWDM",
    "metadata_filter": { "project": "DWDM-2025" }
  }
}

Struktur Direktori (Server)

mcp_server/
├── logs/
├── data/
│   ├── kak_tor/            # PDF sumber KAK/TOR
│   ├── kak_tor_md/         # Markdown hasil konversi
│   ├── product_standard/   # PDF atau MD knowledge produk
│   ├── templates/          # .docx template proposal
│   └── proposal_generated/ # Output proposal
├── prompts/                # Prompt template untuk LLM
├── tools/
│   ├── rag_tools.py
│   └── docx_tools.py
├── utils/
│   ├── rag_pipeline.py
│   └── docx_generator.py
├── settings.py
└── server.py

Dependencies

docling>=2.40.0
docxtpl>=0.20.0
lancedb>=0.24.0
langchain>=0.3.26
langchain-community>=0.3.27
langchain-openai>=0.3.27
mcp[cli]>=1.10.1
openai>=1.93.0
pyarrow>=14.0.0

Lisensi

Proyek ini menggunakan lisensi MIT. Lihat berkas LICENSE untuk detail.

Kontribusi

Fork repositori & buat feature branch.
Jalankan pre-commit untuk formatting & linting.
Buat pull request dengan deskripsi jelas.

Please collab !