简悦 MCP 助手

[Kenshin]

将简悦的稍后读 simpread_config.json 接入 MCP 服务。

✨ 能做什么

通过此工具可以将你的 simpread_config.json （以及本地快照）接入到任意 LLMs，并内置了一些现成的工具方便 与你的稍后读对话。

📝 使用前提

1️⃣ 此项目是基于 MCP (Model Context Protocol) 开发的，所以需要实现在你系统中安装 Node.js 环境。

2️⃣ 因为需要获取你本地的 simpread_config.json 文件，因此需要安装并配置同步助手，而同步助手则高级账户功能，如有需要 请升级

3️⃣ 需要配置同步助手的 自动同步 与 本地快照 功能，如有需要 请看此教程

🏆 推荐客户端与 LLM 组合

在开发此工具期间，我试用了大部分支持 MCP 的客户端以及各种 LLM，目前效果最好的组合：

ChatWise + Doubao 1.5 pro 256k（火山引擎）

📥 下载

#7016 (comment)

🔌 配置

MCP 无法单独使用，需要跟支持 MCP 的客户端一起使用，配置中包含了 ChatWise 和 Cherry Studio

#7016 (comment)

⚙️ 功能

内置了四个工具（功能）

📖 帮助

simpread_mcp_help 这个工具的使用前提。

输入 简悦阅读助手帮助

📊 获取阅读简报

get_daily 关键词包括： 今日 昨日 本周 上周

直接输入 今日阅读回顾

🏷️ 检索任意标签

search_tag 并针对 Tag 的搜索，目前是模糊搜索，即：检索 新消费 会匹配 观察/新消费 等具有 新消费 关键字的标签。

输入 请检索标签 AI战争 的内容，并生成一份简报。

🔍 检索任意内容

search_content 针对 任意内容 的搜索，目前是模糊搜索，检索范围包括：标题 描述 标签 标注的备注 标注的文本内容 标注的标签

输入 请检索包含 英伟达 的内容，并生成一份简报。

⚡️ 环境变量配置

1️⃣ ## SEARCH_SNAPSHOT

调用 get_daily search_tag search_content 后得到的稍后读包含是否包含来自本地快照的内容，默认不包含本地快照。

当使用此功能后，因为检索结果包含了本地快照，所以在通过对 LLM 的提问时，会得到更精准的答案。（但同时也相应增加了 Tokens 的消耗）

使用前提：需要用户设置简悦的 本地快照功能

值形式：

SEARCH_SNAPSHOT=<state>

<state> 包含以下几种类型：

• none → 与不设置 SEARCH_SNAPSHOT 一致

• only → 当不存在标注时，才会包含本地快照（反之：当存在标注时，不包含本地快照同步）

• both → 无论是否存在标注，都会包含本地快照

更复杂的规则：

SEARCH_SNAPSHOT=<type:state>,<type:state>

type 的值包括：

• today 仅在检索范围是 今日 时生效。

• yestoday 仅在检索范围是 昨日 时生效。

• daily 仅在检索范围是 24小时 时生效。

• week 仅在检索范围是 本周 时生效。

• lastweek 仅在检索范围是 上周 时生效。

• tag 仅在检索范围是 标签 时生效。

• content 仅在检索范围是 任意内容 时生效。

例子：

• today:both 即：当 LLM 调用 get_daily 并且传入类型是 today，一个例子：你对 LLM 说 今日阅读回顾 时，将会包含每个稍后读的快照。

• today:only,yestoday:both 即：当 LLM 调用 get_daily 并且传入类型是 today 或 yestoday 对应的 state 规则，一个例子：你对 LLM 说 今日阅读回顾 时使用 only 规则， 当 昨日阅读回顾 时使用 both 规则。

• tag:only 即：当 LLM 调用 search_tag 并执行 only 规则，一个例子：你对 LLM 说 `请帮我检索标签为 '星巴克' 时使用 'only' 规则，当调用其他类型时，什么都不执行。

常用的规则：

today:both,yestoday:both,week:only 即： 今日或昨日阅读回顾 时使用 both 规则，本周阅读回顾 时使用 only 规则，其他情况下什么都不做。

2️⃣ ## PROMPT

定制 LLM 返回的内容，默认会让 LLM 根据你的提问进行回答，同时也内置了一个默认的回复模板。

PROMPT=default 使用后会得到下面固定格式的回复内容

如果你希望定制属于自己的内容，例如

PROMPT=请按照以下结构返回给我：（请将 <xxxxx> 替换为具体内容，比如将 <title> 替换为数据结构中的 title 依次类推，遇到 '<n>'后换行 ）<n><序号> <title><n>    - <url><n>    - **时间** <create><n>    - **标签** <tags><n>    - **内容概述** <来自 JSON 结构 desc 以及 annotations 的归纳总结，如果存在 `content` 请归纳总结 `content` 的内容，整理内容不少于 100 字，最多 200 字>

会得到下面的回复

与 RAG 方案的区别

我之前写过几篇使用 简悦 + RAG + LLM 的教程，此方案与 RAG 相比非常相似，都是让 LLM 获取你的稍后读，然后转换为自然语义。

此方式仍相当于：LLM 将自然语义（来自用户的提问） → 调用写好的检索稍后读的程序 → 得到检索结果 → 使用 LLM 将结果以自然语义的方式返回给用户。

缺点：相比 RAG 方案的话，并没有 RAG 方案灵活。

优点：在查询的颗粒度方面更精细，比如可以告诉用户 我今天阅读了什么，昨天阅读了什么 帮我检索标签 xxx 的内容 等。

📚 延伸阅读

点击 #RAG 查看更多 简悦 + RAG 方案，点击 #AI 查看更多 简悦 AI 相关内容。

[Kenshin]

下载

[GitHub] | [语雀]

下载并解压到 simpread-mcp-help 文件夹（建议使用此名字），并复制 index.js 的路径，结构后的结构如下：

simpread-mcp-help
├── index.js

[Kenshin]

配置

任意支持 MCP 的客户端，下面以 ChatWise 和 Cherry Studio 为例。

ChatWise

Cherry Studio

Cherry Studio 相比 ChatWise 有个优点，如果你没有安装 Node.js 环境的话，可以使用它自带的 bun 方案，如何安装请看 Cherry Studio 的教程

首选建议

MCP 也是需要一定的调教，所以我目前的感受是 ChatWise 是我使用过最好的工具，调教的非常不错。 👍