mcp-rag-local Serveur MCP

Que fait le serveur MCP “mcp-rag-local” ?

Le serveur MCP mcp-rag-local est conçu comme un serveur de mémoire permettant aux assistants IA de stocker et de retrouver des passages de texte selon leur signification sémantique, et non uniquement par mots-clés. S’appuyant sur Ollama pour la génération des embeddings de texte et sur ChromaDB pour le stockage vectoriel et la recherche de similarité, il permet un stockage (“mémorisation”) fluide et la récupération de textes pertinents pour une requête donnée. Cela permet des workflows IA tels que la gestion des connaissances, le rappel contextuel et la recherche sémantique. Les développeurs peuvent interagir avec le serveur pour stocker des textes individuels, plusieurs textes ou même le contenu de fichiers PDF, et retrouver ensuite les informations les plus contextuellement pertinentes, améliorant ainsi la productivité et la conscience contextuelle dans les applications.

Liste des prompts

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

Liste des ressources

• Aucune ressource MCP explicite n’est documentée dans le dépôt ou le README.

Liste des outils

• memorize_text
  Permet au serveur de stocker un passage de texte pour une récupération sémantique ultérieure.

• memorize_multiple_texts
  Permet le stockage en lot de plusieurs textes à la fois, facilitant l’ingestion massive de connaissances.

• memorize_pdf_file
  Lit et extrait jusqu’à 20 pages à la fois d’un fichier PDF, segmente le contenu et le mémorise pour une récupération sémantique.

• retrieve_similar_texts
  Récupère les passages de texte les plus pertinents stockés selon la requête utilisateur, via la similarité sémantique.

(Noms des outils déduits des usages documentés ; les noms exacts peuvent différer dans le code.)

Cas d’utilisation de ce serveur MCP

• Base de connaissances personnelle
  Développeurs et utilisateurs peuvent constituer une base de connaissances persistante et interrogeable en mémorisant articles, notes ou papiers de recherche pour un rappel sémantique.

• Synthèse de documents et PDF
  En mémorisant des documents PDF entiers, l’utilisateur pourra ensuite interroger et extraire des sections ou résumés pertinents, facilitant la recherche et la relecture.

• Mémoire conversationnelle pour chatbots
  Renforcez assistants IA ou chatbots avec une mémoire à long terme et contextuelle afin de fournir des réponses plus cohérentes et pertinentes sur la durée.

• Moteur de recherche sémantique
  Implémentez une fonctionnalité de recherche sémantique dans vos applications, permettant de trouver des informations par la signification et non par mots-clés.

• Exploration de données et recherche
  Stockez et interrogez des documents techniques, extraits de code ou articles scientifiques pour une récupération rapide fondée sur le sens lors d’investigations ou développement.

Comment l’installer

Windsurf

1. Prérequis :
   • Installez uv comme gestionnaire de paquets Python.
   • Vérifiez que Docker est installé et lancé.
2. Clonage et installation :
   • Clonez le dépôt :
     git clone <repository-url>
cd mcp-rag-local
   • Installez les dépendances avec uv.
3. Démarrage des services :
   • Lancez docker-compose up pour démarrer ChromaDB et Ollama.
   • Téléchargez le modèle d’embedding :
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Configurer le serveur MCP :
   • Ajoutez à votre configuration MCP Windsurf (par exemple, dans mcpServers) :

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

5. Sauvegarder et redémarrer :
   • Sauvegardez la configuration et redémarrez Windsurf.
6. Vérifier l’installation :
   • Vérifiez que le serveur fonctionne et est accessible.

Claude

1. Suivez les étapes 1–3 ci-dessus (prérequis, clonage/installation, démarrage services).
2. Ajoutez ce qui suit à la configuration 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. Sauvegardez et redémarrez Claude.
4. Vérifiez que le serveur est listé et fonctionne.

Cursor

1. Effectuez les étapes 1–3 (comme ci-dessus).
2. Ajoutez à votre configuration 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. Sauvegardez et redémarrez Cursor.
4. Vérifiez que le serveur MCP est opérationnel.

Cline

1. Répétez les étapes 1–3 (prérequis, clonage/installation, démarrage services).
2. Dans la configuration Cline, ajoutez :

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

3. Sauvegardez, redémarrez Cline et vérifiez l’installation.

Sécurisation des clés API

• Utilisez des variables d’environnement dans la section env de votre configuration.
• Exemple :

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

• Assurez-vous que les clés sensibles ne sont pas codées en dur mais référencées via votre environnement.

Comment utiliser ce MCP dans les flux

Utiliser le MCP dans FlowHunt

Pour intégrer les serveurs MCP dans votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et reliez-le à votre agent IA :

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

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

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

Vue d’ensemble

Notre avis

Ce MCP est simple, bien ciblé sur la mémoire sémantique, mais sans fonctionnalités avancées comme les modèles de prompts, ressources explicites ou sampling/roots. Les outils et l’installation sont clairs. Idéal pour des workflows RAG/knowledge locaux et simples.

Score MCP