mcp-rag-local MCP Server

Hvad gør “mcp-rag-local” MCP Server?

mcp-rag-local MCP Server er designet som en hukommelsesserver, der gør det muligt for AI-assistenter at lagre og hente tekstafsnit baseret på deres semantiske betydning – ikke kun nøgleord. Ved at bruge Ollama til at generere tekst-embeddings og ChromaDB til vektorlager og lighedssøgning, muliggør den problemfri lagring (“memorisering”) og hentning af relevante tekster for en given forespørgsel. Dette styrker AI-drevne workflows såsom videnshåndtering, kontekstuel genkaldelse og semantisk søgning. Udviklere kan interagere med serveren for at lagre enkelte tekster, flere tekster eller endda indholdet af PDF-filer og senere hente den mest kontekstuelle relevante information, hvilket øger produktivitet og kontekstbevidsthed i applikationer.

Liste over Prompts

• Ingen eksplicitte promptskabeloner er nævnt i repository eller dokumentation.

Liste over Ressourcer

• Ingen eksplicitte MCP-ressourcer er dokumenteret i repository eller README.

Liste over Værktøjer

• memorize_text
  Giver serveren mulighed for at lagre et enkelt tekstafsnit til fremtidig semantisk hentning.

• memorize_multiple_texts
  Muliggør batch-lagring af flere tekster på én gang og letter bulk-vidensindtagelse.

• memorize_pdf_file
  Læser og udtrækker op til 20 sider ad gangen fra en PDF-fil, opdeler indholdet og memorerer det til semantisk hentning.

• retrieve_similar_texts
  Henter de mest relevante lagrede tekstafsnit baseret på en brugers forespørgsel ved hjælp af semantisk lighed.

(Værktøjsnavne udledt fra dokumenteret brugsmønster; eksakte navne kan variere i koden.)

Anvendelsestilfælde for denne MCP Server

• Personlig vidensbase
  Udviklere og brugere kan bygge en vedvarende, søgbar vidensbase ved at memorere artikler, noter eller forskningsartikler til semantisk genkaldelse.

• Dokument- og PDF-opsummering
  Ved at memorere hele PDF-dokumenter kan brugere senere forespørge og hente relevante sektioner eller opsummeringer, hvilket effektiviserer forskning og gennemgang.

• Samtalehukommelse til chatbots
  Giv AI-assistenter eller chatbots langtidshukommelse og kontekstforståelse for at levere mere sammenhængende og relevante svar over tid.

• Semantisk søgemaskine
  Implementér en semantisk søgefunktion i applikationer, så brugere kan finde relevant information baseret på betydning – ikke kun nøgleord.

• Forskning og dataudforskning
  Lagring og forespørgsel på tekniske dokumenter, kodeeksempler eller videnskabelig litteratur for hurtig, betydningsbaseret hentning under undersøgelse eller udvikling.

Sådan sætter du det op

Windsurf

1. Forudsætninger:
   • Installer uv som din Python-pakkemanager.
   • Sørg for, at Docker er installeret og kører.
2. Klon og installer:
   • Klon repository’et:
     git clone <repository-url>
cd mcp-rag-local
   • Installer afhængigheder med uv.
3. Start tjenester:
   • Kør docker-compose up for at starte ChromaDB og Ollama.
   • Hent embedding-modellen:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Konfigurer MCP-server:
   • Tilføj til din Windsurf MCP-serverkonfiguration (f.eks. i mcpServers):

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

5. Gem og genstart:
   • Gem din konfiguration og genstart Windsurf.
6. Verificer opsætning:
   • Bekræft, at serveren kører og er tilgængelig.

Claude

1. Følg trin 1–3 ovenfor (forudsætninger, klon/installér, start tjenester).
2. Tilføj følgende til din Claude MCP-konfiguration:

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

3. Gem og genstart Claude.
4. Verificer, at serveren er opført og kører.

Cursor

1. Udfør trin 1–3 (som ovenfor).
2. Tilføj til din Cursor-konfiguration:

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

3. Gem og genstart Cursor.
4. Kontroller, at MCP-serveren er operationel.

Cline

1. Gentag trin 1–3 (forudsætninger, klon/installér, start tjenester).
2. Tilføj i Cline-konfigurationen:

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

3. Gem, genstart Cline, og verificer opsætningen.

Sikring af API-nøgler

• Brug miljøvariabler i env-sektionen af din konfiguration.
• Eksempel:

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

• Sørg for, at følsomme nøgler ikke hardkodes, men refereres fra dit miljø.

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-workflow 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 indsætter du dine MCP-serverdetaljer med følgende JSON-format:

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

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

Overblik

Vores vurdering

Denne MCP er ligetil og velafgrænset omkring semantisk hukommelse, men mangler avancerede funktioner som promptskabeloner, eksplicitte ressourcer eller sampling/roots-support. Værktøjer og opsætning er klare. Bedst til simple RAG-/lokale vidensworkflows.

MCP-score