文颜 MCP Server 是一个基于模型上下文协议（Model Context Protocol, MCP）的服务器组件，支持将 Markdown 格式的文章发布至微信公众号草稿箱，并使用与 文颜 相同的主题系统进行排版。
B206 intro.mp4
使用场景：
支持的主题效果预览：
- 列出并选择支持的文章主题
- 使用内置主题对 Markdown 内容排版
- 发布文章到微信公众号草稿箱
- 自动上传本地或网络图片
确保已安装 Node.js 环境：
git clone https://github.com/caol64/wenyan-mcp.git
cd wenyan-mcp
npm install
npx tsc -b && npm run copy-assets在你的 MCP 配置文件中加入以下内容：
{
"mcpServers": {
"wenyan-mcp": {
"name": "公众号助手",
"command": "node",
"args": [
"Your/path/to/wenyan-mcp/dist/index.js"
],
"env": {
"WECHAT_APP_ID": "your_app_id",
"WECHAT_APP_SECRET": "your_app_secret"
}
}
}
}说明：
WECHAT_APP_ID微信公众号平台的 App IDWECHAT_APP_SECRET微信平台的 App Secret
适合部署到服务器环境，或与本地 AI 工具链集成。
docker build -t wenyan-mcp .在你的 MCP 配置文件中加入以下内容：
{
"mcpServers": {
"wenyan-mcp": {
"name": "公众号助手",
"command": "docker",
"args": [
"run",
"--rm",
"-i",
"-v", "/your/host/image/path:/mnt/host-downloads",
"-e", "WECHAT_APP_ID=your_app_id",
"-e", "WECHAT_APP_SECRET=your_app_secret",
"-e", "HOST_IMAGE_PATH=/your/host/image/path",
"wenyan-mcp"
]
}
}
}说明：
-v挂载宿主机目录，使容器内部可以访问本地图片。与环境变量HOST_IMAGE_PATH保持一致。你的Markdown文章内的本地图片应该都放置在该目录中，docker会自动将它们映射到容器内。容器无法读取在该目录以外的图片。-e注入docker容器的环境变量：WECHAT_APP_ID微信公众号平台的 App IDWECHAT_APP_SECRET微信平台的 App SecretHOST_IMAGE_PATH宿主机图片目录
请务必将服务器 IP 加入公众号平台的 IP 白名单，以确保上传接口调用成功。 详细配置说明请参考：https://yuzhi.tech/docs/wenyan/upload
为了可以正确上传文章，需要在每一篇 Markdown 文章的开头添加一段frontmatter，提供title、cover两个字段：
---
title: 在本地跑一个大语言模型(2) - 给模型提供外部知识库
cover: /Users/lei/Downloads/result_image.jpg
----
title是文章标题，必填。 -
cover是文章封面，支持本地路径和网络图片：- 如果正文有至少一张图片，可省略，此时将使用其中一张作为封面；
- 如果正文无图片，则必须提供 cover。
-
支持图片路径：
- 本地路径（如：
/Users/lei/Downloads/result_image.jpg） - 网络路径（如：
https://example.com/image.jpg）
- 本地路径（如：
---
title: 在本地跑一个大语言模型(2) - 给模型提供外部知识库
description: Make your local large language models (LLMs) smarter! This guide shows how to use LangChain and RAG to let them retrieve data from external knowledge bases, improving answer accuracy.
cover: /Users/lei/Downloads/result_image.jpg
---
在[上一篇文章](https://babyno.top/posts/2024/02/running-a-large-language-model-locally/)中，我们展示了如何在本地运行大型语言模型。本篇将介绍如何让模型从外部知识库中检索定制数据，提升答题准确率，让它看起来更“智能”。
## 准备模型
访问 `Ollama` 的模型页面，搜索 `qwen`，我们使用支持中文语义的“[通义千问](https://ollama.com/library/qwen:7b)”模型进行实验。
如需更多功能扩展或反馈建议，欢迎提 issue。