mcp-local-rag MCP Server

K čemu slouží server “mcp-local-rag” MCP?

mcp-local-rag MCP Server je „primitivní“ webový Model Context Protocol (MCP) server typu Retrieval-Augmented Generation (RAG), který běží lokálně bez nutnosti externích API. Jeho hlavní funkcí je propojit AI asistenty s webem jako zdrojem dat, což umožňuje velkým jazykovým modelům (LLM) provádět webové vyhledávání, získávat a vkládat výsledky a extrahovat relevantní obsah – to vše v prostředí šetřícím soukromí. Server orchestruje proces tím, že předává uživatelské dotazy vyhledávači (DuckDuckGo), získává více výsledků, řadí je podle podobnosti pomocí MediaPipe Text Embedder od Googlu a extrahuje relevantní kontext z webových stránek. To umožňuje vývojářům a AI klientům přistupovat k aktuálním informacím z webu, což může zlepšit pracovní postupy jako je výzkum, tvorba obsahu či odpovídání na dotazy bez závislosti na proprietárních webových API.

Seznam promptů

V repozitáři nebo dokumentaci nejsou uvedeny žádné konkrétní šablony promptů.

Seznam zdrojů

V dostupném obsahu repozitáře nejsou popsány žádné explicitní MCP „zdroje“.

Seznam nástrojů

V dostupných souborech ani dokumentaci nejsou přímo uvedeny žádné detailní definice nástrojů.

Příklady využití tohoto MCP serveru

• Aktuální webové vyhledávání pro LLM: Umožňuje AI asistentům přístup k aktuálním informacím na webu, což zvyšuje přesnost i aktuálnost výstupů například u výzkumných nebo zpravodajských dotazů.
• Sumarizace obsahu: Umožňuje LLM získat webové stránky a extrahovat relevantní kontext, což podporuje sumarizaci a ověření faktů.
• Retrieval-Augmented Generation: Podporuje workflow, kde LLM potřebují externí znalosti z webu pro doplnění svých odpovědí – ideální pro dotazy přesahující jejich tréninková data.
• Produktivita vývojáře: Užitečný v kódovacích asistentech pro vyhledávání v dokumentaci, vláknech Stack Overflow či v aktuálních technických článcích.
• Vzdělávací pomocník: Pomáhá získat nové studijní materiály nebo příklady pro studenty i pedagogy.

Jak server nastavit

Níže naleznete obecný návod pro integraci mcp-local-rag MCP serveru s různými MCP klienty. Přizpůsobte si JSON konfiguraci podle potřeb vašeho konkrétního klienta.

Windsurf

1. Ujistěte se, že máte nainstalovaný uv (pro metodu uvx) nebo Docker.
2. Vyhledejte svůj konfigurační soubor MCP klienta (viz zde).
3. Do objektu mcpServers přidejte následující JSON:

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

4. Uložte konfiguraci a restartujte Windsurf.
5. Ověřte, že MCP server běží a je přístupný ve vašem klientovi.

Claude

1. Nainstalujte uv nebo případně Docker.
2. Otevřete MCP konfiguraci pro Claude Desktop.
3. Vložte do nastavení MCP serveru toto:

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

4. Uložte a restartujte Claude Desktop.
5. Ověřte, že se server “mcp-local-rag” objevil mezi nástroji.

Cursor

1. Ujistěte se, že máte nainstalovaný buď Docker, nebo uv.
2. Najděte a otevřete konfigurační soubor MCP serveru pro Cursor.
3. Pro lepší izolaci použijte Docker konfiguraci:

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

4. Uložte a restartujte Cursor.
5. Zkontrolujte stav MCP serveru v rozhraní Cursoru.

Cline

1. Nainstalujte Docker nebo uv podle potřeby.
2. Otevřete MCP konfiguraci v Cline (viz dokumentace).
3. Přidejte odpovídající JSON úryvek (viz výše uvx nebo Docker příklad).
4. Uložte konfiguraci a restartujte Cline.
5. Ujistěte se, že je server mezi dostupnými MCP integracemi.

Zabezpečení API klíčů

Pro mcp-local-rag nejsou potřeba žádné externí API klíče, ale pokud potřebujete nastavit proměnné prostředí (pro Docker nebo jiné účely), použijte objekt env ve vaší konfiguraci:

{
  "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": {}
    }
  }
}

Jak MCP používat uvnitř flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt začněte přidáním MCP komponenty do flow a propojením s vaším AI agentem:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. Do sekce systémové konfigurace MCP vložte detaily vašeho MCP serveru v tomto JSON formátu:

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

Jakmile je vše nastaveno, AI agent může tento MCP využívat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “mcp-local-rag” na skutečný název vašeho MCP serveru a URL na adresu vašeho MCP serveru.

Přehled

Celkově je mcp-local-rag přímočarý, na soukromí zaměřený MCP server pro webové vyhledávání, ale postrádá detailnější dokumentaci promptů, šablon, zdrojů i nástrojů. Snadno se nastavuje a používá s hlavními klienty, nejlépe se však hodí pro jednoduché webové RAG případy užití.

MCP skóre