mcp-local-rag MCP Server

Hvad gør “mcp-local-rag” MCP Server?

mcp-local-rag MCP Server er en “primitiv” Retrieval-Augmented Generation (RAG)-lignende web-søgnings Model Context Protocol (MCP) server, der kører lokalt uden behov for eksterne API’er. Dens hovedfunktion er at forbinde AI-assistenter med internettet som datakilde, så store sprogmodeller (LLM’er) kan udføre web-søgninger, hente og indlejre søgeresultater samt udtrække relevant indhold—alt sammen i et privatlivsrespekterende, lokalt miljø. Serveren orkestrerer processen ved at sende brugerforespørgsler til en søgemaskine (DuckDuckGo), hente flere resultater, rangere dem ud fra lighed ved brug af Googles MediaPipe Text Embedder og udtrække relevant kontekst fra websider. Dette gør det muligt for udviklere og AI-klienter at få adgang til opdateret webinformation, hvilket kan forbedre arbejdsgange såsom forskning, indholdsskabelse og besvarelse af spørgsmål uden afhængighed af proprietære web-API’er.

Liste over Prompter

Der nævnes ingen specifikke promptskabeloner i arkivet eller dokumentationen.

Liste over Ressourcer

Der er ingen eksplicitte MCP “ressourcer” beskrevet i det tilgængelige arkivindhold.

Liste over Værktøjer

Der er ingen detaljerede værktøjsdefinitioner direkte opført i de tilgængelige filer eller dokumentation.

Anvendelsesmuligheder for denne MCP Server

• Realtids web-søgning til LLM’er: Gør det muligt for AI-assistenter at tilgå aktuel webinformation, hvilket gør output mere præcist og opdateret til forskning eller nyhedsbaserede forespørgsler.
• Indholdssummering: Giver LLM’er mulighed for at hente websider og udtrække relevant kontekst, hvilket understøtter summering og faktatjek.
• Retrieval-Augmented Generation: Understøtter arbejdsgange hvor LLM’er kræver ekstern viden fra internettet for at udvide deres svar, ideelt til at besvare spørgsmål ud over træningsdata.
• Udviklerproduktivitet: Nyttigt i kodeassistenter til søgning i dokumentation, Stack Overflow-tråde eller nyere tekniske artikler.
• Uddannelsesmæssig hjælp: Kan hjælpe med at indhente friske læringsressourcer eller eksempler til studerende og undervisere.

Sådan opsætter du den

Nedenfor er de generelle opsætningsinstruktioner til integration af mcp-local-rag MCP Server med forskellige MCP-klienter. Tilpas venligst konfigurations-JSON’en efter din specifikke klient.

Windsurf

1. Sørg for at du har uv (til uvx-metoden) eller Docker installeret.
2. Find din MCP-klientkonfigurationsfil (se her).
3. Tilføj følgende JSON til dit mcpServers-objekt:

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

4. Gem konfigurationen og genstart Windsurf.
5. Verificér at MCP-serveren kører og er tilgængelig i din klient.

Claude

1. Installer uv eller Docker efter behov.
2. Åbn MCP-konfigurationen for Claude Desktop.
3. Indsæt følgende i dine MCP-serverindstillinger:

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

4. Gem og genstart Claude Desktop.
5. Bekræft at “mcp-local-rag” serveren vises i dine værktøjer.

Cursor

1. Sørg for at enten Docker eller uv er installeret.
2. Find og åbn MCP-serverkonfigurationsfilen for Cursor.
3. Brug Docker-konfigurationen for forbedret isolation:

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

4. Gem og genstart Cursor.
5. Tjek MCP-serverstatus i Cursors UI.

Cline

1. Installer Docker eller uv efter behov.
2. Tilgå Clines MCP-serverkonfiguration (se dokumentationen).
3. Tilføj det relevante JSON-udsnit (se eksempler ovenfor med uvx eller Docker).
4. Gem konfigurationen og genstart Cline.
5. Sørg for at serveren vises blandt de tilgængelige MCP-integrationer.

Sikring af API-nøgler

Ingen eksterne API-nøgler er påkrævet for mcp-local-rag, men hvis du skal sætte miljøvariabler (til Docker eller andet), kan du bruge env-objektet i din konfiguration:

{
  "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": {}
    }
  }
}

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i din FlowHunt-arbejdsgang skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsæt dine MCP-serveroplysninger ved hjælp af dette JSON-format:

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

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og muligheder. Husk at ændre “mcp-local-rag” til det faktiske navn på din MCP-server og udskift URL’en med din egen MCP-server-URL.

Oversigt

Alt i alt er mcp-local-rag en ligetil, privatlivsrespekterende MCP-server til web-søgning, men mangler detaljer i dokumentationen omkring prompts/skabeloner, ressourcer og værktøjer. Den er nem at sætte op og bruge med de største klienter, men egner sig bedst til simple web-RAG-brugsscenarier.

MCP-score