خادم MCP المحلي mcp-rag-local

ماذا يفعل خادم MCP “mcp-rag-local”؟

تم تصميم خادم mcp-rag-local MCP كخادم ذاكرة يسمح لمساعدي الذكاء الاصطناعي بتخزين واسترجاع المقاطع النصية بناءً على معناها الدلالي، وليس فقط الكلمات المفتاحية. بالاستفادة من Ollama لإنشاء تضمينات النصوص وChromaDB لتخزين المتجهات والبحث عن التشابه، يتيح تخزين (“حفظ”) واسترجاع سلس للنصوص ذات الصلة باستعلام معين. هذا يمكّن سير العمل المدفوع بالذكاء الاصطناعي مثل إدارة المعرفة، الاستدعاء السياقي، والبحث الدلالي. يمكن للمطورين التفاعل مع الخادم لتخزين نصوص فردية أو متعددة أو حتى محتوى ملفات PDF، ثم استرجاع المعلومات الأكثر صلة بالسياق، مما يعزز الإنتاجية والوعي السياقي في التطبيقات.

قائمة العبارات (Prompts)

• لا توجد قوالب عبارات صريحة 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 موثقة صراحة في المستودع أو ملف README.

قائمة الأدوات

• memorize_text
  يسمح للخادم بتخزين مقطع نصي واحد لاسترجاعه الدلالي مستقبلاً.

• memorize_multiple_texts
  يمكّن التخزين الدفعي لعدة نصوص دفعة واحدة، لتسهيل إدخال المعرفة بالجملة.

• memorize_pdf_file
  يقرأ ويستخرج حتى 20 صفحة في كل مرة من ملف PDF، ويقسم المحتوى ويحفظه للاسترجاع الدلالي.

• retrieve_similar_texts
  يسترجع أكثر المقاطع النصية المخزنة ملاءمة بناءً على استعلام المستخدم باستخدام التشابه الدلالي.

(أسماء الأدوات مستخلصة من أنماط الاستخدام الموثقة؛ قد تختلف الأسماء الفعلية في الشيفرة.)

انضم إلى نشرتنا الإخبارية

احصل على أحدث النصائح والاتجاهات والعروض مجانًا.

عنوان البريد الإلكتروني

اشترك

حالات استخدام هذا الخادم MCP

• قاعدة معرفة شخصية
  يمكن للمطورين والمستخدمين بناء قاعدة معرفة دائمة وقابلة للبحث بحفظ المقالات أو الملاحظات أو الأبحاث لاسترجاعها دلالياً.

• تلخيص المستندات وملفات PDF
  بحفظ مستندات PDF كاملة، يمكن للمستخدمين لاحقاً الاستعلام واسترجاع أقسام أو ملخصات ذات صلة، مما يسهل البحث والمراجعة.

• ذاكرة محادثة للشات بوتات
  عزز مساعدي الذكاء الاصطناعي أو الشات بوتات بذاكرة طويلة المدى وواعية للسياق لتقديم ردود أكثر ترابطاً وملاءمة.

• محرك بحث دلالي
  نفّذ ميزة البحث الدلالي في التطبيقات، لتمكين المستخدمين من إيجاد المعلومات وفقاً للمعنى وليس فقط الكلمات.

• استكشاف الأبحاث والبيانات
  خزّن واستعلم عن مستندات تقنية أو شيفرات أو أدبيات علمية لاسترجاع سريع وقائم على المعنى أثناء التحقيق أو التطوير.

كيفية الإعداد

Windsurf

1. المتطلبات:
   • ثبّت uv كمدير حزم بايثون.
   • تأكد من تثبيت Docker وتشغيله.
2. الاستنساخ والتثبيت:
   • استنسخ المستودع:
     git clone <repository-url>
cd mcp-rag-local
   • ثبّت التبعيات باستخدام uv.
3. بدء الخدمات:
   • شغل docker-compose up لبدء ChromaDB وOllama.
   • اسحب نموذج التضمين:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. تهيئة خادم MCP:
   • أضف إلى إعدادات خادم MCP في Windsurf (مثلاً في mcpServers):

     "mcp-rag-local": {
       "command": "uv",
       "args": [
         "--directory",
         "path\\to\\mcp-rag-local",
         "run",
         "main.py"
       ],
       "env": {
         "CHROMADB_PORT": "8321",
         "OLLAMA_PORT": "11434"
       }
     }
     

5. الحفظ وإعادة التشغيل:
   • احفظ إعداداتك وأعد تشغيل Windsurf.
6. التحقق:
   • تأكد أن الخادم يعمل ويمكن الوصول إليه.

Claude

1. اتبع الخطوات 1–3 أعلاه (المتطلبات، الاستنساخ/التثبيت، بدء الخدمات).
2. أضف التالي إلى إعدادات MCP في Claude:

   "mcpServers": {
     "mcp-rag-local": {
       "command": "uv",
       "args": [
         "--directory",
         "path\\to\\mcp-rag-local",
         "run",
         "main.py"
       ],
       "env": {
         "CHROMADB_PORT": "8321",
         "OLLAMA_PORT": "11434"
       }
     }
   }
   

3. احفظ وأعد تشغيل Claude.
4. تحقق أن الخادم مدرج ويعمل.

Cursor

1. أكمل الخطوات 1–3 (كما سبق).
2. أضف إلى إعدادات Cursor:

   "mcpServers": {
     "mcp-rag-local": {
       "command": "uv",
       "args": [
         "--directory",
         "path\\to\\mcp-rag-local",
         "run",
         "main.py"
       ],
       "env": {
         "CHROMADB_PORT": "8321",
         "OLLAMA_PORT": "11434"
       }
     }
   }
   

3. احفظ وأعد تشغيل Cursor.
4. تحقق أن خادم MCP يعمل.

Cline

1. كرر الخطوات 1–3 (المتطلبات، الاستنساخ/التثبيت، بدء الخدمات).
2. في إعدادات Cline، أضف:

   "mcpServers": {
     "mcp-rag-local": {
       "command": "uv",
       "args": [
         "--directory",
         "path\\to\\mcp-rag-local",
         "run",
         "main.py"
       ],
       "env": {
         "CHROMADB_PORT": "8321",
         "OLLAMA_PORT": "11434"
       }
     }
   }
   

3. احفظ، أعد تشغيل Cline، وتحقق من الإعداد.

تأمين مفاتيح API

• استخدم متغيرات البيئة في قسم env من الإعدادات.
• مثال:

  "env": {
    "CHROMADB_PORT": "8321",
    "OLLAMA_PORT": "11434",
    "MY_API_KEY": "${MY_API_KEY}"
  }
  

• تأكد أن المفاتيح الحساسة غير مضمنة مباشرة بل تتم الإشارة إليها من البيئة.

كيفية استخدام هذا MCP داخل التدفقات

استخدام MCP في FlowHunt

لدمج خوادم MCP في سير عمل FlowHunt، ابدأ بإضافة مكون MCP إلى التدفق وربطه بوكيل الذكاء الاصطناعي:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات MCP للنظام، أدخل تفاصيل خادم MCP الخاص بك بهذا الشكل:

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

بعد الإعداد، يصبح لدى وكيل الذكاء الاصطناعي إمكانية استخدام هذا MCP كأداة مع جميع وظائفه وقدراته. تذكر تغيير “mcp-rag-local” إلى اسم خادم MCP الفعلي الخاص بك واستبدال الرابط بالرابط الصحيح.

نظرة عامة

رأينا

هذا MCP مباشر ومركّز جيداً على الذاكرة الدلالية، لكنه يفتقر لميزات متقدمة مثل قوالب العبارات أو الموارد الصريحة أو دعم الجذور/العينات. الأدوات والإعداد واضحة. الأنسب لسير عمل RAG/المعرفة المحلي البسيط.

تقييم MCP