GenPark Vector Embedding Cache Deduplication Sentinel

io.github.alphaparkinc由 GitHub 账号 alphaparkinc 发布v1.0.1更新于 Oct 26, 2026

High-dimensional vector embedding semantic SimHash deduplication sentinel with LRU cache simulation

已验证STDIO仅桌面数据与分析AI 与机器学习

概览

AI 生成的概览

本地 Python MCP 服务器，用语义 SimHash 对高维向量嵌入做去重模拟，并附带 LRU 缓存模拟。

可以做什么
  • 用语义 SimHash 比较高维向量嵌入，识别近似重复
  • 模拟 LRU 缓存，用于嵌入查询与复用
  • README 未列出具体工具，实际可执行的操作没有文档说明
  • 以 Python 3 标准库脚本形式运行，无第三方依赖
适用场景
适合想让助手试验嵌入近似重复检测，或为嵌入流水线模拟缓存行为的场景，且不希望引入外部服务时使用。
运行要求
需要本地 Python 3 运行环境；README 示例配置用 python 命令启动 mcp_server.py。未声明任何 API 密钥、环境变量或请求头。仅限桌面客户端（Claude Desktop 或 Cursor 类配置）。
安装前请注意
README 没有工具清单，服务器对数据具体做什么没有文档说明，运行前应先审阅脚本。它只是模拟实现，结果不宜当作生产级去重或缓存行为。

安装

在 SourceWeft 中

  1. 打开 控制台中的 GenPark Vector Embedding Cache Deduplication Sentinel，将其添加到工作区。
  2. 为需要使用其工具的对话启用该服务。

Desktop only，通过 STDIO。 STDIO 服务会启动本地进程，因此需要 SourceWeft 桌面宿主。

其他 MCP 客户端

参照 仓库 中的启动说明。

README

genpark-vector-embedding-cache-deduplication-sentinel-skill

[Verified by Smithery] [LinkedIn] [Website]

High-dimensional vector embedding semantic SimHash deduplication sentinel with LRU cache simulation

Quick Installation & MCP Integration

Add to your Claude Desktop or Cursor configuration:

json
{  "mcpServers": {    "genpark-vector-embedding-cache-deduplication-sentinel-skill": {      "command": "python",      "args": ["mcp_server.py"]    }  }}

Zero Dependencies

Implemented entirely in Python 3 standard library.

来源：README.md，提交 af3c46b

工具

0
SourceWeft 尚未在沙箱中启动过该软件包，因此其工具未知。

版本历史

1
  1. v1.0.1最新Oct 19, 2026

评分

已满足适用检查项的 40%

该评分衡量此收录条目的完整程度，依据注册中心条目、端点与公开来源计算得出。它不是对服务器本身的评价，也不表示服务器安全或当前可用：可连通性是带日期的检查结果，评分也不包含安装量或用户评价。

  • 近 30 天内可连通25 分

    请保持端点能够响应 MCP 握手；SourceWeft 每 30 天探测一次。

  • 已声明认证方式10 分

    请在注册中心条目中声明凭据请求头，或保持端点能够响应探测，以便判定其认证方式。

  • 已列出工具15 分

    请让服务器在无凭据时响应 tools/list，或发布可在沙箱中无凭据启动的软件包。

  • 描述必需15 分
  • 图标10 分
  • 文档15 分
  • 许可证10 分

    请在仓库或注册中心条目中声明许可证。