mcp-rag-local MCP-palvelin

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

mcp-rag-local MCP-palvelin on suunniteltu muistipalvelimeksi, jonka avulla tekoälyavustajat voivat tallentaa ja hakea tekstikatkelmia niiden semanttisen merkityksen, ei pelkkien avainsanojen perusteella. Hyödyntämällä Ollamaa tekstin upotusten (embeddings) luomiseen ja ChromaDB:tä vektorien tallennukseen ja samankaltaisuushakuihin, se mahdollistaa saumattoman tallennuksen (“muistamisen”) ja asiaankuuluvien tekstien haun annetun kyselyn perusteella. Tämä mahdollistaa tekoälypohjaiset työnkulut, kuten tiedonhallinnan, kontekstuaalisen palautuksen ja semanttisen haun. Kehittäjät voivat olla vuorovaikutuksessa palvelimen kanssa tallentaakseen yksittäisiä tekstejä, useita tekstejä tai jopa PDF-tiedostojen sisältöä sekä hakeakseen myöhemmin kontekstuaalisesti relevanttia tietoa, parantaen sovellusten tuottavuutta ja tietoisuutta kontekstista.

Prompt-listaus

• Yksittäisiä prompt-pohjia ei ole mainittu repositoriossa tai dokumentaatiossa.

Resurssilistaus

• Repositoriossa tai README:ssä ei ole dokumentoitu MCP-resursseja.

Työkalulistaus

• memorize_text
  Antaa palvelimelle mahdollisuuden tallentaa yksittäisen tekstikatkelman tulevaa semanttista hakua varten.

• memorize_multiple_texts
  Mahdollistaa useiden tekstien erätallennuksen, helpottaen suuren tietomäärän syöttöä.

• memorize_pdf_file
  Lukee ja purkaa PDF-tiedostosta enintään 20 sivua kerrallaan, pilkkoo sisällön ja tallentaa sen semanttista hakua varten.

• retrieve_similar_texts
  Hakee käyttäjän kyselyn perusteella tallennetuista tekstikatkelmista semanttisesti relevantimmat.

(Työkalujen nimet päätelty dokumentoiduista käyttötavoista; tarkat nimet voivat vaihdella koodissa.)

Tämän MCP-palvelimen käyttötapaukset

• Henkilökohtainen tietopohja
  Kehittäjät ja käyttäjät voivat rakentaa pysyvän, haettavan tietopohjan muistamalla artikkeleita, muistiinpanoja tai tutkimuspapereita semanttista palautusta varten.

• Dokumenttien ja PDF-tiedostojen tiivistäminen
  Tallentamalla kokonaisia PDF-dokumentteja käyttäjät voivat myöhemmin hakea relevantteja osioita tai tiivistelmiä, mikä nopeuttaa tutkimusta ja läpikäyntiä.

• Keskustelumuisti chatboteille
  Paranna tekoälyavustajien tai chatbotien pitkäaikaista, kontekstuaalista muistia saadaksesi johdonmukaisempia ja relevantimpia vastauksia ajan kuluessa.

• Semanttinen hakukone
  Toteuta sovelluksiin semanttinen hakutoiminto, jonka avulla käyttäjät löytävät tietoa merkityksen, ei vain avainsanojen, perusteella.

• Tutkimus ja datan tutkinta
  Tallenna ja hae teknisiä dokumentteja, koodiesimerkkejä tai tieteellistä kirjallisuutta nopeaan, merkityspohjaiseen hakuun tutkimuksen tai kehityksen aikana.

Kuinka asentaa

Windsurf

1. Esivaatimukset:
   • Asenna uv Python-pakettien hallintaan.
   • Varmista, että Docker on asennettu ja käynnissä.
2. Kloonaa ja asenna:
   • Kloonaa repositorio:
     git clone <repository-url>
cd mcp-rag-local
   • Asenna riippuvuudet uv:llä.
3. Käynnistä palvelut:
   • Suorita docker-compose up käynnistääksesi ChromaDB:n ja Ollaman.
   • Hae embedding-malli:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Määritä MCP-palvelin:
   • Lisää Windsurf MCP-palvelimen määritykseen (esim. mcpServers):

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

5. Tallenna ja käynnistä uudelleen:
   • Tallenna määrityksesi ja käynnistä Windsurf uudelleen.
6. Varmista asennus:
   • Varmista, että palvelin on käynnissä ja saavutettavissa.

Claude

1. Seuraa vaiheita 1–3 yllä (esivaatimukset, kloonaus/asennus, palveluiden käynnistys).
2. Lisää seuraava Claude MCP -määritykseen:

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

3. Tallenna ja käynnistä Claude uudelleen.
4. Varmista, että palvelin näkyy ja on käynnissä.

Cursor

1. Suorita vaiheet 1–3 (kuten yllä).
2. Lisää Cursorin määritykseen:

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

3. Tallenna ja käynnistä Cursor uudelleen.
4. Tarkista, että MCP-palvelin toimii.

Cline

1. Toista vaiheet 1–3 (esivaatimukset, kloonaus/asennus, palveluiden käynnistys).
2. Lisää Clinen määritykseen:

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

3. Tallenna, käynnistä Cline uudelleen ja varmista asennus.

API-avainten turvaaminen

• Käytä ympäristömuuttujia määrityksesi env-osiossa.
• Esimerkki:

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

• Varmista, ettei arkaluonteisia avaimia kovakoodata, vaan viitataan ympäristöstä.

Kuinka käyttää tätä MCP:tä työnkuluissa

MCP:n käyttö FlowHuntissa

Lisätäksesi MCP-palvelimen FlowHunt-työnkulkuun, lisää ensin MCP-komponentti työnkulkuun ja yhdistä se tekoälyagenttiin:

Napsauta MCP-komponenttia avataksesi määrityspaneelin. Järjestelmän MCP-määrityksissä lisää MCP-palvelimesi tiedot tämän JSON-muodon mukaisesti:

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

Kun määritys on valmis, tekoälyagentti voi käyttää tätä MCP:tä työkaluna kaikkine toimintoineen ja ominaisuuksineen. Muista vaihtaa “mcp-rag-local” MCP-palvelimesi todelliseen nimeen ja korvata URL omalla MCP-palvelimen osoitteellasi.

Yhteenveto

Mielipiteemme

Tämä MCP on selkeä ja keskittynyt semanttiseen muistiin, mutta puuttuu edistyneet ominaisuudet kuten prompt-pohjat, eksplisiittiset resurssit tai näytteenotto/roots-tuki. Työkalut ja käyttöönotto ovat selkeitä. Paras yksinkertaisiin RAG-/paikallisen tiedon työnkulkuihin.

MCP-pisteet