mcp-rag-local MCP Server

Co dělá MCP Server “mcp-rag-local”?

mcp-rag-local MCP Server je navržen jako paměťový server, který umožňuje AI asistentům ukládat a vyhledávat textové pasáže na základě jejich sémantického významu, nejen klíčových slov. Díky využití Ollama pro generování embeddingů a ChromaDB pro ukládání vektorů a hledání podobnosti umožňuje plynulé ukládání („zapamatování“) a vyhledávání relevantních textů pro konkrétní dotaz. To umožňuje workflow poháněné AI, jako je správa znalostí, kontextové vybavování a sémantické vyhledávání. Vývojáři mohou se serverem pracovat k ukládání jednotlivých textů, více textů nebo obsahu PDF souborů a později získat nejrelevantnější informace podle kontextu, což zvyšuje produktivitu a kontextovou orientaci v aplikacích.

Seznam promptů

• V repozitáři ani v dokumentaci nejsou zmíněny žádné explicitní šablony promptů.

Seznam zdrojů

• V repozitáři ani README nejsou zdokumentovány žádné explicitní MCP zdroje.

Seznam nástrojů

• memorize_text
  Umožňuje serveru uložit jednotlivou textovou pasáž pro budoucí sémantické vyhledání.

• memorize_multiple_texts
  Umožňuje hromadné uložení více textů najednou pro rychlé nahrání znalostí.

• memorize_pdf_file
  Načte a extrahuje až 20 stránek z PDF souboru, rozdělí je na části a uloží pro sémantické vyhledání.

• retrieve_similar_texts
  Na základě dotazu uživatele vyhledá nejrelevantnější uložené texty pomocí sémantické podobnosti.

(Názvy nástrojů jsou odvozeny z dokumentovaných příkladů použití; přesná jména se mohou v kódu lišit.)

Příklady použití tohoto MCP serveru

• Osobní znalostní báze
  Vývojáři a uživatelé si mohou vytvořit trvalou znalostní bázi s možností vyhledávání zapamatováním článků, poznámek nebo vědeckých prací pro pozdější sémantické vybavení.

• Sumarizace dokumentů a PDF
  Uložením celých PDF dokumentů lze později vyhledat konkrétní části nebo shrnutí a zjednodušit tak výzkum a přehled.

• Konverzační paměť pro chatbota
  Rozšiřte AI asistenty nebo chatboty o dlouhodobou kontextovou paměť, která umožňuje konzistentnější a smysluplnější odpovědi v čase.

• Sémantický vyhledávač
  Přidejte do aplikací možnost sémantického vyhledávání, kde uživatelé najdou relevantní informace podle významu, nikoliv jen klíčových slov.

• Výzkum a průzkum dat
  Ukládejte a dotazujte technické dokumenty, úryvky kódu nebo vědeckou literaturu pro rychlé, významově orientované vyhledávání během vývoje či zkoumání.

Jak to nastavit

Windsurf

1. Předpoklady:
   • Nainstalujte uv jako správce Python balíčků.
   • Ujistěte se, že Docker je nainstalován a běží.
2. Klonování a instalace:
   • Naklonujte repozitář:
     git clone <repository-url>
cd mcp-rag-local
   • Nainstalujte závislosti pomocí uv.
3. Spuštění služeb:
   • Spusťte docker-compose up pro nastartování ChromaDB a Ollamy.
   • Stáhněte embedding model:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Konfigurace MCP serveru:
   • Přidejte do konfigurace Windsurf MCP serveru (např. do mcpServers):

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

5. Uložení a restart:
   • Uložte konfiguraci a restartujte Windsurf.
6. Ověření nastavení:
   • Ověřte, že server běží a je dostupný.

Claude

1. Proveďte kroky 1–3 výše (předpoklady, klonování/instalace, spuštění služeb).
2. Do konfigurace Claude MCP přidejte:

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

3. Uložte a restartujte Claude.
4. Ověřte, že je server v seznamu a běží.

Cursor

1. Proveďte kroky 1–3 (stejně jako výše).
2. Přidejte do konfigurace 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. Uložte a restartujte Cursor.
4. Ověřte, že MCP server je funkční.

Cline

1. Zopakujte kroky 1–3 (předpoklady, klonování/instalace, spuštění služeb).
2. Do konfigurace Cline přidejte:

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

3. Uložte, restartujte Cline a ověřte nastavení.

Zabezpečení API klíčů

• Používejte proměnné prostředí v sekci env vaší konfigurace.
• Příklad:

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

• Ujistěte se, že citlivé klíče nejsou pevně zapsané v kódu, ale načítají se z prostředí.

Jak tento MCP používat ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do svého workflow ve FlowHunt přidejte komponentu MCP do svého flow a propojte ji s AI agentem:

Klikněte na MCP komponentu pro otevření panelu konfigurace. Do sekce systémové konfigurace MCP vložte údaje o svém MCP serveru v tomto formátu JSON:

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

Po nakonfigurování je AI agent schopen tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “mcp-rag-local” na skutečný název vašeho MCP serveru a nahradit URL adresou vašeho MCP serveru.

Přehled

Náš názor

Tento MCP je přímočarý a zaměřený na sémantickou paměť, ale chybí pokročilejší funkce jako šablony promptů, explicitní zdroje nebo podpora sampling/roots. Nástroje i nastavení jsou přehledné. Nejlepší pro jednoduché RAG/lokální znalostní workflow.

MCP skóre