mcp-rag-local Servidor MCP

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

El servidor MCP mcp-rag-local está diseñado como un servidor de memoria que permite a los asistentes de IA almacenar y recuperar fragmentos de texto según su significado semántico, no solo por palabras clave. Aprovechando Ollama para la generación de embeddings de texto y ChromaDB para el almacenamiento vectorial y búsqueda de similitud, permite el almacenamiento sin fisuras (“memorización”) y la recuperación de textos relevantes para una consulta dada. Esto potencia flujos impulsados por IA como la gestión del conocimiento, recuperación contextual y búsqueda semántica. Los desarrolladores pueden interactuar con el servidor para almacenar textos individuales, múltiples textos o incluso contenidos de archivos PDF, y posteriormente recuperar la información más relevante contextual, mejorando la productividad y la conciencia contextual en las aplicaciones.

Lista de Prompts

• No se mencionan plantillas de prompt explícitas en el repositorio ni en la documentación.

Lista de Recursos

• No se documentan recursos MCP explícitos en el repositorio ni en el README.

Lista de Herramientas

• memorize_text
  Permite al servidor almacenar un único fragmento de texto para recuperación semántica futura.

• memorize_multiple_texts
  Permite el almacenamiento por lotes de varios textos a la vez, facilitando la ingestión masiva de conocimiento.

• memorize_pdf_file
  Lee y extrae hasta 20 páginas a la vez de un archivo PDF, fragmenta el contenido y lo memoriza para su recuperación semántica.

• retrieve_similar_texts
  Recupera los fragmentos de texto almacenados más relevantes según la consulta del usuario, usando similitud semántica.

(Nombres de herramientas inferidos de los patrones de uso documentados; los nombres exactos pueden variar en el código.)

Casos de Uso de este Servidor MCP

• Base de Conocimientos Personal
  Desarrolladores y usuarios pueden construir una base de conocimientos persistente y consultable memorizando artículos, notas o trabajos de investigación para recuperación semántica.

• Resumen de Documentos y PDF
  Al memorizar documentos PDF completos, los usuarios pueden posteriormente consultar y recuperar secciones relevantes o resúmenes, agilizando la investigación y revisión.

• Memoria Conversacional para Chatbots
  Mejora asistentes de IA o chatbots con memoria a largo plazo y consciente del contexto para dar respuestas más coherentes y relevantes con el tiempo.

• Motor de Búsqueda Semántica
  Implementa una funcionalidad de búsqueda semántica en aplicaciones, permitiendo a los usuarios encontrar información relevante por significado, no solo palabras clave.

• Investigación y Exploración de Datos
  Almacena y consulta documentos técnicos, fragmentos de código o literatura científica para una recuperación rápida basada en significado durante la investigación o el desarrollo.

Cómo configurarlo

Windsurf

1. Requisitos previos:
   • Instala uv como gestor de paquetes de Python.
   • Asegúrate de que Docker esté instalado y en ejecución.
2. Clonar e Instalar:
   • Clona el repositorio:
     git clone <repository-url>
cd mcp-rag-local
   • Instala las dependencias usando uv.
3. Iniciar Servicios:
   • Ejecuta docker-compose up para iniciar ChromaDB y Ollama.
   • Descarga el modelo de embeddings:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Configurar el Servidor MCP:
   • Añade a tu configuración del servidor MCP de Windsurf (por ejemplo, en mcpServers):

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

5. Guardar y Reiniciar:
   • Guarda tu configuración y reinicia Windsurf.
6. Verificar Configuración:
   • Confirma que el servidor está en ejecución y accesible.

Claude

1. Sigue los pasos 1–3 anteriores (requisitos previos, clonar/instalar, iniciar servicios).
2. Añade lo siguiente a tu configuración MCP de Claude:

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

3. Guarda y reinicia Claude.
4. Verifica que el servidor esté listado y en ejecución.

Cursor

1. Completa los pasos 1–3 (como arriba).
2. Añade a tu configuración de Cursor:

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

3. Guarda y reinicia Cursor.
4. Verifica que el servidor MCP esté operativo.

Cline

1. Repite los pasos 1–3 (requisitos previos, clonar/instalar, iniciar servicios).
2. En la configuración de Cline, añade:

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

3. Guarda, reinicia Cline y verifica la configuración.

Asegurando las claves API

• Utiliza variables de entorno en la sección env de tu configuración.
• Ejemplo:

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

• Asegúrate de que las claves sensibles no estén codificadas directamente sino referenciadas desde tu entorno.

Cómo usar este MCP dentro de los flujos

Uso de MCP en FlowHunt

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

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

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

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

Resumen

Nuestra opinión

Este MCP es sencillo y está bien enfocado en la memoria semántica, pero carece de características avanzadas como plantillas de prompt, recursos explícitos o soporte de muestreo/raíces. La configuración y herramientas son claras. Ideal para flujos de trabajo simples de RAG/conocimiento local.

Puntuación MCP