mcp-local-rag MCP-palvelin

Mitä “mcp-local-rag” MCP-palvelin tekee?

mcp-local-rag MCP-palvelin on “alkeellinen” Retrieval-Augmented Generation (RAG) -tyyppinen verkkohaku Model Context Protocol (MCP) -palvelin, joka toimii paikallisesti ilman ulkoisia API-rajapintoja. Sen päätehtävä on yhdistää tekoälyavustajat webiin tietolähteenä, mahdollistaen suurten kielimallien (LLM) verkkohakujen suorittamisen, hakutulosten haun ja upotuksen sekä olennaisen sisällön poiminnan – kaikki yksityisyyttä kunnioittavassa, paikallisessa ympäristössä. Palvelin ohjaa prosessia lähettämällä käyttäjän kyselyt hakukoneelle (DuckDuckGo), hakee useita tuloksia, järjestää ne samankaltaisuuden perusteella käyttäen Googlen MediaPipe Text Embedderiä ja poimii olennaista kontekstia verkkosivuilta. Tämä mahdollistaa kehittäjien ja tekoälyasiakkaiden pääsyn ajantasaiseen verkkotietoon, mikä voi parantaa esimerkiksi tutkimusta, sisällöntuotantoa ja kysymys-vastaus -työnkulkuja ilman riippuvuutta suljetuista web-API:ista.

Kehotepohjat

Repositoriossa tai dokumentaatiossa ei mainita erityisiä kehotepohjia.

Resurssit

Saatavilla olevassa repositoriossa ei kuvata erillisiä MCP-“resursseja”.

Työkalut

Yksityiskohtaisia työkalumäärittelyjä ei ole suoraan listattu tiedostoissa tai dokumentaatiossa.

Käyttötapaukset

• LLM-mallien reaaliaikainen verkkohaku: Mahdollistaa tekoälyavustajille ajankohtaisen verkkotiedon hyödyntämisen, jolloin vastaukset ovat tarkempia ja ajantasaisempia esimerkiksi tutkimus- tai uutiskyselyissä.
• Sisällön tiivistäminen: LLM-mallit voivat hakea verkkosivuja ja poimia olennaista kontekstia tiivistämisen ja faktantarkistuksen tueksi.
• Retrieval-Augmented Generation: Tukee työnkulkuja, joissa LLM-malli tarvitsee ulkoista tietoa vastauksiensa täydentämiseksi – erityisesti kysymyksiin, jotka ylittävät koulutusdatan sisällön.
• Kehittäjien tuottavuus: Hyödyllinen koodiavustajissa esimerkiksi dokumentaation, Stack Overflow -keskustelujen tai tuoreiden teknisten artikkeleiden hakuun.
• Koulutuksen tuki: Auttaa opiskelijoita ja opettajia löytämään uusia oppimateriaaleja tai esimerkkejä.

Käyttöönotto-ohjeet

Alla on yleiset ohjeet mcp-local-rag MCP-palvelimen liittämiseksi eri MCP-asiakasohjelmiin. Mukauta JSON-konfiguraatiota oman asiakkaasi tarpeisiin.

Windsurf

1. Varmista, että uv (uvx-menetelmälle) tai Docker on asennettu.
2. Etsi asiakasohjelman MCP-konfiguraatiotiedosto (katso täältä).
3. Lisää seuraava JSON mcpServers-objektiin:

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

4. Tallenna asetukset ja käynnistä Windsurf uudelleen.
5. Varmista, että MCP-palvelin toimii ja on asiakkaan käytettävissä.

Claude

1. Asenna uv tai Docker tarpeen mukaan.
2. Avaa Claude Desktopin MCP-asetukset.
3. Lisää seuraava MCP-palvelinasetuksiin:

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

4. Tallenna ja käynnistä Claude Desktop uudelleen.
5. Varmista, että “mcp-local-rag” näkyy työkalujen listassa.

Cursor

1. Varmista, että joko Docker tai uv on asennettu.
2. Etsi ja avaa Cursorin MCP-palvelinasetustiedosto.
3. Käytä Docker-konfiguraatiota eristämisen parantamiseksi:

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

4. Tallenna ja käynnistä Cursor uudelleen.
5. Tarkista MCP-palvelimen tila Cursorin käyttöliittymästä.

Cline

1. Asenna Docker tai uv tarpeen mukaan.
2. Avaa Cline-ohjelman MCP-palvelinasetukset (katso dokumentaatio).
3. Lisää sopiva JSON-pätkä (katso yllä uvx- tai Docker-esimerkki).
4. Tallenna ja käynnistä Cline uudelleen.
5. Varmista, että palvelin näkyy MCP-integraatioiden listalla.

API-avainten turvallinen käyttö

mcp-local-rag ei vaadi ulkoisia API-avaimia, mutta jos tarvitset ympäristömuuttujia (esim. Dockerin kanssa), käytä env-objektia konfiguraatiossa:

{
  "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": {}
    }
  }
}

MCP:n käyttö FlowHunt-työnkuluissa

MCP:n käyttö FlowHuntissa

Lisätäksesi MCP-palvelimen työnkulkuusi FlowHuntissa aloita lisäämällä MCP-komponentti työnkulkuun ja yhdistä se tekoälyagenttiin:

Klikkaa MCP-komponenttia avataksesi asetuspaneelin. Lisää järjestelmän MCP-konfiguraatioon MCP-palvelimen tiedot tällä JSON-muodolla:

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

Kun asetukset on tallennettu, tekoälyagentti voi käyttää tätä MCP:tä työkaluna kaikkine toimintoineen. Muista vaihtaa “mcp-local-rag” MCP-palvelimesi oikeaan nimeen ja korvaa URL omalla MCP-palvelimen osoitteellasi.

Yhteenveto

Kaikkiaan mcp-local-rag on suoraviivainen, yksityisyyttä kunnioittava MCP-palvelin verkkohakuun, mutta sen kehotepohjiin, resursseihin ja työkaluihin liittyvä dokumentaatio on niukkaa. Palvelin on helppo ottaa käyttöön ja sopii parhaiten yksinkertaisiin RAG-verkkohakutapauksiin.

MCP-pisteytys