mcp-local-rag MCP-Server

Was macht der “mcp-local-rag” MCP-Server?

Der mcp-local-rag MCP-Server ist ein „primitiver“ Retrieval-Augmented Generation (RAG)-ähnlicher Websuche-Model Context Protocol (MCP) Server, der lokal läuft und keine externen APIs benötigt. Seine Hauptfunktion ist es, KI-Assistenten mit dem Web als Datenquelle zu verbinden, sodass Large Language Models (LLMs) Websuchen ausführen, Suchergebnisse abrufen und einbetten sowie relevante Inhalte extrahieren können – alles in einer datenschutzfreundlichen, lokalen Umgebung. Der Server übernimmt dabei den Prozess, indem er Benutzeranfragen an eine Suchmaschine (DuckDuckGo) weiterleitet, mehrere Ergebnisse abruft, sie anhand von Ähnlichkeit mit dem MediaPipe Text Embedder von Google bewertet und relevanten Kontext von Webseiten extrahiert. Das ermöglicht Entwickler:innen und KI-Clients den Zugriff auf aktuelle Webinformationen, wodurch Workflows wie Recherche, Content-Erstellung und Beantwortung von Fragen ohne proprietäre Web-APIs verbessert werden.

Liste der Prompts

Im Repository oder in der Dokumentation sind keine spezifischen Prompt-Templates erwähnt.

Bereit, Ihr Geschäft zu erweitern?

Starten Sie heute Ihre kostenlose Testversion und sehen Sie innerhalb weniger Tage Ergebnisse.

Demo anfragen Anmelden

Liste der Ressourcen

Im verfügbaren Repository-Inhalt werden keine expliziten MCP-“Ressourcen” beschrieben.

Liste der Tools

In den verfügbaren Dateien oder der Dokumentation sind keine detaillierten Tool-Definitionen direkt aufgeführt.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.

E-Mail-Adresse

Abonnieren

Anwendungsfälle dieses MCP-Servers

• Echtzeit-Websuche für LLMs: Ermöglicht KI-Assistenten den Zugriff auf aktuelle Webinformationen, um Ausgaben bei Recherche- oder Nachrichtenanfragen genauer und aktueller zu machen.
• Inhaltszusammenfassung: LLMs können Webseiten abrufen und relevanten Kontext extrahieren, um Zusammenfassungen und Faktenprüfungen zu unterstützen.
• Retrieval-Augmented Generation: Unterstützt Workflows, in denen LLMs externes Wissen aus dem Web benötigen, um ihre Antworten zu ergänzen – ideal für Fragen außerhalb des Trainingsdatensatzes.
• Entwicklerproduktivität: Hilfreich in Coding-Assistenten, um Dokumentationen, Stack Overflow-Threads oder aktuelle technische Artikel zu durchsuchen.
• Bildungsunterstützung: Kann helfen, neue Lernressourcen oder Beispiele für Schüler:innen und Lehrkräfte zu finden.

So richten Sie es ein

Nachfolgend finden Sie allgemeine Anleitungen zur Integration des mcp-local-rag MCP-Servers mit verschiedenen MCP-Clients. Passen Sie das JSON bitte für Ihren jeweiligen Client an.

Windsurf

1. Stellen Sie sicher, dass uv (für die uvx-Methode) oder Docker installiert ist.
2. Suchen Sie Ihre MCP-Client-Konfigurationsdatei (siehe hier ).
3. Fügen Sie folgendes JSON zu Ihrem mcpServers-Objekt hinzu:

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

4. Speichern Sie die Konfiguration und starten Sie Windsurf neu.
5. Prüfen Sie, ob der MCP-Server in Ihrem Client läuft und erreichbar ist.

Claude

1. Installieren Sie bei Bedarf uv oder Docker.
2. Öffnen Sie die MCP-Konfiguration von Claude Desktop.
3. Fügen Sie Folgendes in die MCP-Server-Einstellungen ein:

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

4. Speichern und starten Sie Claude Desktop neu.
5. Prüfen Sie, dass der „mcp-local-rag“-Server unter Ihren Tools erscheint.

Cursor

1. Stellen Sie sicher, dass Docker oder uv installiert ist.
2. Öffnen Sie die MCP-Server-Konfigurationsdatei für Cursor.
3. Nutzen Sie die Docker-Konfiguration für bessere Isolierung:

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

4. Speichern Sie und starten Sie Cursor neu.
5. Prüfen Sie den MCP-Server-Status im Cursor-UI.

Cline

1. Installieren Sie bei Bedarf Docker oder uv.
2. Öffnen Sie die MCP-Server-Konfiguration von Cline (siehe Dokumentation).
3. Fügen Sie den passenden JSON-Schnipsel hinzu (siehe oben, uvx oder Docker Beispiel).
4. Speichern und starten Sie Cline neu.
5. Prüfen Sie, ob der Server unter den verfügbaren MCP-Integrationen gelistet ist.

API-Schlüssel absichern

Für mcp-local-rag sind keine externen API-Schlüssel nötig. Falls Sie aber Umgebungsvariablen setzen möchten (z. B. für Docker), nutzen Sie das env-Objekt in Ihrer 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": {}
    }
  }
}

So nutzen Sie diesen MCP in Flows

MCP in FlowHunt verwenden

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Unter „System MCP-Konfiguration“ fügen Sie Ihre MCP-Server-Daten in folgendem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle Funktionen und Fähigkeiten verwenden. Denken Sie daran, “mcp-local-rag” ggf. durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL entsprechend anzupassen.

Übersicht

Insgesamt ist mcp-local-rag ein unkomplizierter, datenschutzfreundlicher MCP-Server für Websuche, dem jedoch detaillierte Dokumentation zu Prompts/Templates, Ressourcen und Tools fehlt. Die Einrichtung und Nutzung mit großen Clients ist einfach, am besten geeignet ist er für einfache Web-RAG-Anwendungsfälle.

MCP-Score