mcp-local-rag خادم MCP

ماذا يفعل خادم “mcp-local-rag” MCP؟

يعد mcp-local-rag خادم بروتوكول سياق النماذج (MCP) للبحث في الويب بطريقة “بدائية” تشبه الجيل المعزز بالاسترجاع (RAG) ويعمل محلياً دون الحاجة إلى واجهات برمجة تطبيقات خارجية. وظيفته الأساسية هي ربط المساعدين الذكيين بالويب كمصدر للبيانات، مما يمكّن نماذج اللغة الضخمة (LLMs) من تنفيذ عمليات بحث في الويب، وجلب نتائج البحث وتضمينها، واستخلاص السياق المناسب—وكل ذلك ضمن بيئة محلية تحترم الخصوصية. يدير الخادم العملية عبر إرسال استفسارات المستخدم إلى محرك بحث (DuckDuckGo)، وجلب نتائج متعددة، وترتيبها حسب التشابه باستخدام MediaPipe Text Embedder من Google، واستخلاص السياق المناسب من صفحات الويب. هذا يمكّن المطورين وعملاء الذكاء الاصطناعي من الوصول إلى معلومات ويب حديثة لتعزيز سير العمل مثل البحث أو إنشاء المحتوى أو الإجابة عن الأسئلة دون الاعتماد على واجهات برمجة تطبيقات ويب خاصة.

قائمة القوالب

لا توجد قوالب طلبات محددة مذكورة في المستودع أو التوثيق.

هل أنت مستعد لتنمية عملك؟

ابدأ تجربتك المجانية اليوم وشاهد النتائج في غضون أيام.

طلب عرض توضيحي تسجيل الدخول

قائمة الموارد

لا توجد موارد “MCP” صريحة موصوفة في محتوى المستودع المتاح.

قائمة الأدوات

لا توجد تعريفات أدوات مفصلة مدرجة مباشرة في الملفات أو التوثيق المتاح.

انضم إلى نشرتنا الإخبارية

احصل على أحدث النصائح والاتجاهات والعروض مجانًا.

عنوان البريد الإلكتروني

اشترك

حالات استخدام هذا الخادم MCP

• البحث الفوري في الويب لنماذج LLMs: يمكّن المساعدين الذكيين من الوصول إلى معلومات حديثة في الويب، مما يجعل النتائج أدق وحديثة لأغراض البحث أو الأخبار.
• تلخيص المحتوى: يسمح لنماذج LLMs بجلب صفحات الويب واستخلاص السياق المناسب، لدعم التلخيص والتحقق من الحقائق.
• الجيل المعزز بالاسترجاع: يدعم سير العمل التي تتطلب من نماذج LLMs معرفة خارجية من الويب لتعزيز إجاباتها، وهو مثالي للإجابة عن الأسئلة خارج بيانات التدريب.
• زيادة إنتاجية المطورين: مفيد لمساعدي البرمجة في البحث في التوثيق، أو مواضيع Stack Overflow، أو مقالات تقنية حديثة.
• المساعدة التعليمية: يمكن أن يساعد في جلب موارد تعليمية حديثة أو أمثلة للطلاب والمعلمين.

كيفية إعداده

فيما يلي تعليمات الإعداد العامة لدمج mcp-local-rag مع عملاء MCP المختلفين. يرجى تكييف تكوين JSON حسب حاجتك وعميلك.

Windsurf

1. تأكد من تثبيت uv (لطريقة uvx) أو Docker.
2. حدد موقع ملف إعدادات عميل MCP الخاص بك (انظر هنا ).
3. أضف JSON التالي إلى كائن mcpServers:

   {
     "mcpServers": {
       "mcp-local-rag": {
         "command": "uvx",
         "args": [
           "--python=3.10",
           "--from",
           "git+https://github.com/nkapila6/mcp-local-rag",
           "mcp-local-rag"
         ]
       }
     }
   }
   

4. احفظ الإعدادات وأعد تشغيل Windsurf.
5. تحقق من تشغيل الخادم وإمكانية الوصول إليه من عميلك.

Claude

1. ثبت uv أو Docker حسب الحاجة.
2. افتح إعدادات MCP في Claude Desktop.
3. أدخل التالي في إعدادات خادم MCP:

   {
     "mcpServers": {
       "mcp-local-rag": {
         "command": "uvx",
         "args": [
           "--python=3.10",
           "--from",
           "git+https://github.com/nkapila6/mcp-local-rag",
           "mcp-local-rag"
         ]
       }
     }
   }
   

4. احفظ وأعد تشغيل Claude Desktop.
5. تأكد من ظهور خادم “mcp-local-rag” في الأدوات.

Cursor

1. تأكد من تثبيت Docker أو uv.
2. ابحث وافتح ملف إعدادات خادم MCP لـ Cursor.
3. استخدم إعداد Docker لعزل أفضل:

   {
     "mcpServers": {
       "mcp-local-rag": {
         "command": "docker",
         "args": [
           "run",
           "--rm",
           "-i",
           "--init",
           "-e",
           "DOCKER_CONTAINER=true",
           "ghcr.io/nkapila6/mcp-local-rag:latest"
         ]
       }
     }
   }
   

4. احفظ وأعد تشغيل Cursor.
5. تحقق من حالة الخادم في واجهة Cursor.

Cline

1. ثبت Docker أو uv حسب الحاجة.
2. ادخل إلى إعدادات خادم MCP في Cline (راجع التوثيق الخاص به).
3. أضف مقطع JSON المناسب (انظر أعلاه مثال uvx أو Docker).
4. احفظ الإعدادات وأعد تشغيل Cline.
5. تأكد من وجود الخادم ضمن تكاملات MCP المتاحة.

تأمين مفاتيح API

لا يتطلب mcp-local-rag أي مفاتيح API خارجية، ولكن إذا كنت بحاجة لتعيين متغيرات بيئة (لـ Docker أو غيره)، استخدم كائن env في الإعدادات:

{
  "mcpServers": {
    "mcp-local-rag": {
      "command": "docker",
      "args": [
        "run",
        "--rm",
        "-i",
        "--init",
        "-e",
        "DOCKER_CONTAINER=true",
        "ghcr.io/nkapila6/mcp-local-rag:latest"
      ],
      "env": {
        "EXAMPLE_ENV_VAR": "value"
      },
      "inputs": {}
    }
  }
}

كيفية استخدام هذا الخادم MCP داخل التدفقات

استخدام MCP في FlowHunt

لدمج خوادم MCP ضمن سير عمل FlowHunt، ابدأ بإضافة مكون MCP إلى التدفق وربطه بعامل الذكاء الاصطناعي الخاص بك:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات MCP للنظام، أدخل تفاصيل الخادم الخاص بك باستخدام هذا التنسيق:

{
  "mcp-local-rag": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

بعد الإعداد، سيتمكن عامل الذكاء الاصطناعي من استخدام هذا MCP كأداة مع جميع وظائفه وقدراته. تذكر تغيير “mcp-local-rag” إلى اسم خادم MCP الخاص بك واستبدال الرابط بعنوان خادمك.

نظرة عامة

بشكل عام، mcp-local-rag هو خادم MCP بسيط يحترم الخصوصية للبحث في الويب، لكنه يفتقر للتفصيل في توثيق القوالب/النماذج والموارد والأدوات. سهل الإعداد والاستخدام مع العملاء الرئيسيين، ويناسب حالات الاستخدام البسيطة للجيل المعزز بالاسترجاع في الويب.

تقييم MCP