mcp-rag-local MCP Server

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

Der mcp-rag-local MCP Server ist als Memory Server konzipiert, der es KI-Assistenten ermöglicht, Textpassagen nach semantischer Bedeutung – und nicht nur nach Schlüsselwörtern – zu speichern und abzurufen. Mithilfe von Ollama zur Generierung von Text-Embeddings und ChromaDB zur Vektorspeicherung und Ähnlichkeitssuche ermöglicht er eine nahtlose Speicherung („Memorierung“) und das Abrufen relevanter Texte für eine bestimmte Anfrage. Das befähigt KI-basierte Workflows wie Wissensmanagement, kontextuelle Erinnerung und semantische Suche. Entwickler können mit dem Server interagieren, um einzelne Texte, mehrere Texte oder sogar Inhalte von PDF-Dateien zu speichern und später die kontextuell relevantesten Informationen abzurufen – das steigert Produktivität und Kontextbewusstsein in Anwendungen.

Liste der Prompts

• Im Repository oder in der Dokumentation werden keine expliziten Prompt-Vorlagen erwähnt.

Liste der Ressourcen

• Keine expliziten MCP-Ressourcen sind im Repository oder README dokumentiert.

Liste der Tools

• memorize_text
  Ermöglicht dem Server, eine einzelne Textpassage für zukünftiges semantisches Abrufen zu speichern.

• memorize_multiple_texts
  Erlaubt die Batch-Speicherung mehrerer Texte auf einmal und erleichtert so das Ingestieren von Wissen in großen Mengen.

• memorize_pdf_file
  Liest und extrahiert bis zu 20 Seiten gleichzeitig aus einer PDF-Datei, zerlegt den Inhalt und merkt ihn sich für semantisches Abrufen.

• retrieve_similar_texts
  Ruft die relevantesten gespeicherten Textpassagen anhand der Anfrage eines Nutzers mittels semantischer Ähnlichkeit ab.

(Toolnamen abgeleitet aus dokumentierten Nutzungsmustern; die exakten Namen können im Code variieren.)

Anwendungsfälle dieses MCP Servers

• Persönliche Wissensdatenbank
  Entwickler und Nutzer können eine persistente, durchsuchbare Wissensbasis aufbauen, indem sie Artikel, Notizen oder Forschungsarbeiten für semantisches Abrufen speichern.

• Dokumenten- und PDF-Zusammenfassung
  Durch das Memorieren ganzer PDFs können Nutzer später relevante Abschnitte oder Zusammenfassungen abfragen und so Recherche und Review beschleunigen.

• Konversationelles Gedächtnis für Chatbots
  Statte KI-Assistenten oder Chatbots mit einem langfristigen, kontextbewussten Gedächtnis aus, um im Verlauf kohärentere und relevantere Antworten zu liefern.

• Semantische Suchmaschine
  Implementiere eine semantische Suchfunktion in Anwendungen, sodass Nutzer relevante Informationen anhand der Bedeutung und nicht nur anhand von Schlüsselwörtern finden.

• Forschung und Datenexploration
  Speichere und durchsuche technische Dokumente, Code-Snippets oder wissenschaftliche Literatur für schnelles, bedeutungsbasiertes Abrufen beim Recherchieren oder Entwickeln.

Wie richtet man ihn ein

Windsurf

1. Voraussetzungen:
   • Installiere uv als Python-Paketmanager.
   • Stelle sicher, dass Docker installiert und aktiv ist.
2. Klonen und Installieren:
   • Repository klonen:
     git clone <repository-url>
cd mcp-rag-local
   • Abhängigkeiten mit uv installieren.
3. Dienste starten:
   • Mit docker-compose up ChromaDB und Ollama starten.
   • Embedding-Modell laden:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. MCP Server konfigurieren:
   • In deiner Windsurf-MCP-Server-Konfiguration hinzufügen (z. B. in mcpServers):

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

5. Speichern & Neustarten:
   • Konfiguration speichern und Windsurf neu starten.
6. Setup prüfen:
   • Prüfen, ob der Server läuft und erreichbar ist.

Claude

1. Befolge die Schritte 1–3 oben (Voraussetzungen, klonen/installieren, Dienste starten).
2. Füge Folgendes deiner Claude-MCP-Konfiguration hinzu:

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

3. Speichern und Claude neu starten.
4. Prüfen, ob der Server gelistet und aktiv ist.

Cursor

1. Führe die Schritte 1–3 (wie oben) aus.
2. In deiner Cursor-Konfiguration hinzufügen:

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

3. Speichern und Cursor neu starten.
4. Prüfen, ob der MCP Server läuft.

Cline

1. Wiederhole Schritte 1–3 (Voraussetzungen, klonen/installieren, Dienste starten).
2. In der Cline-Konfiguration hinzufügen:

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

3. Speichern, Cline neu starten und Setup prüfen.

API-Schlüssel absichern

• Verwende Umgebungsvariablen im env-Abschnitt deiner Konfiguration.
• Beispiel:

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

• Stelle sicher, dass sensible Schlüssel nicht hart codiert, sondern aus der Umgebung referenziert werden.

Wie nutzt man diesen MCP in Flows

Verwendung von MCP in FlowHunt

Um MCP-Server in deinen FlowHunt-Workflow zu integrieren, füge zunächst die MCP-Komponente zu deinem Flow hinzu und verbinde sie mit deinem KI-Agenten:

Klicke auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im Bereich System-MCP-Konfiguration trägst du die Details zu deinem MCP-Server in folgendem JSON-Format ein:

{
  "mcp-rag-local": {
    "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 nutzen. Denke daran, “mcp-rag-local” ggf. durch den tatsächlichen Namen deines MCP-Servers zu ersetzen und die URL mit deiner eigenen MCP-Server-URL anzugeben.

Übersicht

Unsere Meinung

Dieser MCP ist unkompliziert und klar auf semantisches Memory fokussiert, bietet aber keine erweiterten Features wie Prompt-Vorlagen, explizite Ressourcen oder Sampling/Roots-Support. Tooling und Einrichtung sind übersichtlich. Am besten für einfache RAG-/lokale Wissensworkflows geeignet.

MCP Score