Serveur MCP mcp-local-rag

À quoi sert le serveur MCP “mcp-local-rag” ?

Le Serveur MCP mcp-local-rag est un serveur Model Context Protocol (MCP) de recherche web de type Retrieval-Augmented Generation (RAG) « primitif » qui fonctionne localement sans nécessiter d’API externes. Sa fonction principale est de connecter les assistants IA au web comme source de données, permettant aux modèles de langage (LLM) d’effectuer des recherches web, de récupérer et d’intégrer les résultats, et d’extraire le contenu pertinent — le tout dans un environnement local et respectueux de la vie privée. Le serveur orchestre le processus en soumettant les requêtes utilisateur à un moteur de recherche (DuckDuckGo), récupère plusieurs résultats, les classe par similarité en utilisant l’outil MediaPipe Text Embedder de Google, et extrait le contexte utile des pages web. Cela permet aux développeurs et clients IA d’accéder à des informations actualisées du web, ce qui peut enrichir des workflows de recherche, création de contenu ou questions-réponses sans dépendre d’APIs propriétaires.

Liste des prompts

Aucun modèle de prompt spécifique n’est mentionné dans le dépôt ou la documentation.

Liste des ressources

Aucune « ressource » MCP explicite n’est décrite dans le contenu du dépôt disponible.

Liste des outils

Aucune définition détaillée d’outil n’est directement listée dans les fichiers ou la documentation.

Cas d’utilisation de ce serveur MCP

• Recherche web en temps réel pour LLMs : Permet aux assistants IA d’accéder à l’information actuelle du web, rendant les réponses plus précises et actualisées pour la recherche ou les requêtes d’actualité.
• Synthèse de contenu : Autorise les LLMs à extraire et résumer le contexte pertinent de pages web, utile pour la synthèse et la vérification de faits.
• Retrieval-Augmented Generation : Supporte les workflows où les LLMs requièrent une connaissance externe pour compléter leurs réponses, idéal pour répondre à des questions hors de leur corpus d’entraînement.
• Productivité des développeurs : Utile dans les assistants de codage pour rechercher de la documentation, des fils Stack Overflow ou des articles techniques récents.
• Assistance pédagogique : Peut aider à récupérer des ressources ou exemples récents pour les étudiants et enseignants.

Comment l’installer

Vous trouverez ci-dessous les instructions générales pour intégrer le serveur MCP mcp-local-rag avec différents clients MCP. Adaptez le JSON de configuration selon le client utilisé.

Windsurf

1. Assurez-vous d’avoir uv (pour la méthode uvx) ou Docker installé.
2. Localisez le fichier de configuration de votre client MCP (voir ici).
3. Ajoutez le JSON suivant à l’objet mcpServers :

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

4. Sauvegardez la configuration et redémarrez Windsurf.
5. Vérifiez que le serveur MCP fonctionne et est accessible dans votre client.

Claude

1. Installez uv ou Docker si besoin.
2. Ouvrez la configuration MCP de Claude Desktop.
3. Ajoutez ceci dans vos paramètres de serveur MCP :

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

4. Sauvegardez et redémarrez Claude Desktop.
5. Vérifiez que le serveur “mcp-local-rag” apparaît dans vos outils.

Cursor

1. Assurez-vous que Docker ou uv est installé.
2. Ouvrez le fichier de configuration du serveur MCP pour Cursor.
3. Utilisez la configuration Docker pour une meilleure isolation :

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

4. Sauvegardez et redémarrez Cursor.
5. Vérifiez le statut du serveur MCP dans l’interface de Cursor.

Cline

1. Installez Docker ou uv selon le besoin.
2. Accédez à la configuration du serveur MCP de Cline (voir sa documentation).
3. Ajoutez le bloc JSON adapté (exemple uvx ou Docker ci-dessus).
4. Sauvegardez la configuration et redémarrez Cline.
5. Vérifiez que le serveur apparaît parmi les intégrations MCP disponibles.

Sécurisation des variables d’environnement/API Keys

Aucune clé API externe n’est requise pour mcp-local-rag, mais si vous devez définir des variables d’environnement (pour Docker ou autre), utilisez l’objet env dans votre configuration :

{
  "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": {}
    }
  }
}

Comment utiliser ce MCP dans des flux

Utiliser MCP avec FlowHunt

Pour intégrer des serveurs MCP à votre flux FlowHunt, commencez par ajouter le composant MCP à votre flow et connectez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section de configuration système MCP, insérez les détails de votre serveur MCP au format JSON suivant :

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

Une fois configuré, l’agent IA pourra utiliser ce MCP comme outil avec accès à toutes ses fonctions et capacités. Pensez à remplacer “mcp-local-rag” par le nom réel de votre serveur MCP et l’URL par celle de votre serveur.

Aperçu

Dans l’ensemble, mcp-local-rag est un serveur MCP de recherche web simple et respectueux de la vie privée, mais la documentation manque de détails sur les prompts, ressources et outils. Facile à installer et utiliser avec les principaux clients, il est surtout adapté à des usages web RAG simples.

Score MCP