mcp-local-rag Servidor MCP

¿Qué hace el servidor MCP “mcp-local-rag”?

El servidor MCP mcp-local-rag es un servidor de protocolo Model Context (MCP) para búsqueda web tipo Recuperación Aumentada de Generación (RAG) “primitivo” que se ejecuta localmente sin requerir APIs externas. Su función principal es conectar asistentes de IA con la web como fuente de datos, permitiendo que los modelos de lenguaje grande (LLMs) realicen búsquedas web, obtengan e integren resultados y extraigan contenido relevante, todo en un entorno local y respetuoso con la privacidad. El servidor orquesta el proceso enviando consultas de usuario a un motor de búsqueda (DuckDuckGo), obteniendo múltiples resultados, clasificándolos por similitud usando MediaPipe Text Embedder de Google y extrayendo contexto relevante de las páginas web. Esto permite que desarrolladores y clientes de IA accedan a información web actualizada, mejorando flujos de trabajo como investigación, creación de contenido y respuesta a preguntas sin depender de APIs web propietarias.

Lista de Prompts

No se mencionan plantillas de prompts específicas en el repositorio ni en la documentación.

Lista de Recursos

No se describen explícitamente “recursos” MCP en el contenido disponible del repositorio.

Lista de Herramientas

No se listan definiciones detalladas de herramientas directamente en los archivos o documentación disponibles.

Casos de uso de este servidor MCP

• Búsqueda web en tiempo real para LLMs: Permite que los asistentes de IA accedan a información web actual, haciendo que las respuestas sean más precisas y actualizadas para consultas de investigación o noticias.
• Resumir contenido: Permite que los LLMs obtengan páginas web y extraigan contexto relevante, apoyando la creación de resúmenes y verificación de hechos.
• Recuperación Aumentada de Generación: Soporta flujos de trabajo donde los LLMs requieren conocimiento externo de la web para mejorar sus respuestas, ideal para preguntas fuera de sus datos de entrenamiento.
• Productividad para desarrolladores: Útil en asistentes de codificación para buscar documentación, hilos de Stack Overflow o artículos técnicos recientes.
• Asistencia educativa: Puede ayudar a obtener recursos de aprendizaje actualizados o ejemplos para estudiantes y educadores.

Cómo configurarlo

A continuación se muestran las instrucciones generales para integrar el servidor MCP mcp-local-rag con varios clientes MCP. Adapta el JSON de configuración según las necesidades de tu cliente específico.

Windsurf

1. Asegúrate de tener instalado uv (para el método uvx) o Docker.
2. Localiza tu archivo de configuración del cliente MCP (ver aquí).
3. Añade el siguiente JSON al objeto mcpServers:

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

4. Guarda la configuración y reinicia Windsurf.
5. Verifica que el servidor MCP esté funcionando y accesible en tu cliente.

Claude

1. Instala uv o Docker según sea necesario.
2. Abre la configuración MCP de Claude Desktop.
3. Inserta lo siguiente en la configuración de tu servidor MCP:

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

4. Guarda y reinicia Claude Desktop.
5. Confirma que el servidor “mcp-local-rag” aparece en tus herramientas.

Cursor

1. Asegúrate de tener instalado Docker o uv.
2. Busca y abre el archivo de configuración del servidor MCP de Cursor.
3. Usa la configuración Docker para mayor aislamiento:

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

4. Guarda y reinicia Cursor.
5. Revisa el estado del servidor MCP en la interfaz de Cursor.

Cline

1. Instala Docker o uv según corresponda.
2. Accede a la configuración MCP de Cline (consulta su documentación).
3. Añade el fragmento JSON apropiado (ver ejemplo uvx o Docker arriba).
4. Guarda la configuración y reinicia Cline.
5. Asegúrate de que el servidor esté listado entre las integraciones MCP disponibles.

Protección de claves API

No se requieren claves de API externas para mcp-local-rag, pero si necesitas establecer variables de entorno (para Docker u otros propósitos), usa el objeto env en tu configuración:

{
  "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": {}
    }
  }
}

Cómo usar este MCP dentro de flujos

Uso de MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo FlowHunt, comienza agregando el componente MCP a tu flujo y conectándolo con tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración MCP del sistema, inserta los detalles de tu servidor MCP usando este formato JSON:

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

Una vez configurado, el agente de IA podrá usar este MCP como herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar “mcp-local-rag” por el nombre real de tu servidor MCP y reemplazar la URL por la de tu propio servidor MCP.

Resumen

En general, mcp-local-rag es un servidor MCP sencillo y respetuoso con la privacidad para búsqueda web, pero carece de detalle en la documentación sobre prompts/plantillas, recursos y herramientas. Es fácil de configurar y usar con los principales clientes, pero está mejor orientado a casos de uso RAG web simples.

Puntuación MCP