Half-Life MCP

Half-Life MCP

Нет прав для скачивания
CS HL инструменты 
Обзор Настройки Исходный код Обсуждение

Установка​

Следуйте этим шагам для установки проекта:

1. Клонирование репозитория

Код: 
git clone https://github.com/mrglaster/hl-mcp.git
cd hl-mcp

2. Настройка переменных окружения

Создайте файл .env, скопировав шаблон:

Код: 
cp .env.example .env

Отредактируйте .env, указав нужные значения:

Код: 
# Настройки Milvus
MILVUS_URI="/path/to/db-file"                 # Путь к локальному файлу базы Milvus
MILVUS_COLLECTION_NAME="valve"                # Имя коллекции Milvus
MILVUS_MAX_RESULTS=5                          # Количество возвращаемых результатов

# Конфигурация модели эмбеддингов
EMBEDDING_MODEL="path/to/embedding/model/dir"
# Можно использовать модель из Hugging Face, например:
# EMBEDDING_MODEL="sentence-transformers/distiluse-base-multilingual-cased-v2"

3. Установка зависимостей

Код: 
pip install -r requirements.txt

4. Интеграция с IDE

Проект работает как сервер MCP (Model Control Protocol).
Чтобы использовать его в IDE, настройте клиент MCP соответствующим образом.

Например, для Cline добавьте в cline_mcp_settings.json:

Код: 
{
  "mcpServers": {
    "hl-mcp": {
      "command": "python3",
      "args": ["/path/to/hl-mcp/server.py"],
      "timeout": 3600,
      "env": {},
      "transportType": "stdio"
    }
  }
}

Замените /path/to/hl-mcp/server.py на абсолютный путь к файлу server.py в вашем репозитории.

После настройки интеграция будет отображаться в IDE следующим образом:

513426374-d148b8d4-d3be-48b4-9532-8176575a72b5.png


Модели встраивания (Модели эмбеддингов)

Как вы, вероятно, заметили, каталог database/{version}/ содержит несколько файлов .db. Каждая из этих баз данных была сгенерирована с использованием различных текстовых эмбеддинг-моделей. Ниже приведён список поддерживаемых моделей, отсортированных по возрастанию вычислительной сложности и размера модели.

Файл базы данныхНазвание моделиСсылка на Hugging FaceРазмер эмбеддингаМакс. длина последовательностиОсобенности
hlr-distiluse-cv2-{version}.dbdistiluse-base-multilingual-cased-v2sentence-transformers/distiluse-base-multilingual-cased-v2512128Лёгкая и быстрая; подходит для базового многоязычного поиска
hlr-e5-large-{version}.dbmultilingual-e5-large-instructintfloat/multilingual-e5-large-instruct1024512Настроена под инструкции; высокая точность; поддерживает 100 языков
hlr-alibaba-gte-{version}.dbgte-multilingual-baseAlibaba-NLP/gte-multilingual-base7688192Поддерживает длинные контексты; плотные и разрежённые эмбеддинги; отличная межъязыковая работа
hlr-baai-bge-m3-{version}.dbBGE-M3BAAI/bge-m310248192Многофункциональная (dense, sparse, ColBERT); поддержка 100+ языков; передовая точность

Если вы хотите использовать embedding-модель, не входящую в данный список, вам потребуется сгенерировать новую базу знаний, используя выбранную модель в качестве эмбеддера.
Назад
Верх