mcp-rag-local MCP Server

Cosa fa il server MCP “mcp-rag-local”?

Il server MCP mcp-rag-local è progettato come un server di memoria che consente agli assistenti AI di memorizzare e recuperare passaggi di testo in base al loro significato semantico, non solo tramite parole chiave. Sfruttando Ollama per la generazione di embeddings di testo e ChromaDB per l’archiviazione e la ricerca per similarità vettoriale, permette l’archiviazione (“memorizzazione”) e il recupero fluido dei testi rilevanti per una determinata query. Questo abilita workflow guidati dall’AI come la gestione della conoscenza, il richiamo contestuale e la ricerca semantica. Gli sviluppatori possono interagire con il server per archiviare testi singoli, multipli o anche contenuti di file PDF, e successivamente recuperare le informazioni più contestualmente rilevanti, migliorando produttività e consapevolezza contestuale nelle applicazioni.

Elenco dei Prompt

• Nessun template di prompt esplicito è menzionato nel repository o nella documentazione.

Elenco delle Risorse

• Nessuna risorsa MCP esplicita è documentata nel repository o nel README.

Elenco degli Strumenti

• memorize_text
  Permette al server di memorizzare un singolo passaggio di testo per un futuro recupero semantico.

• memorize_multiple_texts
  Consente l’archiviazione in batch di più testi contemporaneamente, facilitando l’importazione di conoscenza in massa.

• memorize_pdf_file
  Legge ed estrae fino a 20 pagine per volta da un file PDF, suddivide il contenuto e lo memorizza per il recupero semantico.

• retrieve_similar_texts
  Recupera i passaggi di testo più rilevanti memorizzati in base a una query dell’utente, utilizzando la similarità semantica.

(Nomi degli strumenti dedotti dai pattern d’uso documentati; i nomi esatti potrebbero variare nel codice.)

Casi d’Uso di questo Server MCP

• Base di Conoscenza Personale
  Sviluppatori e utenti possono costruire una base di conoscenza persistente e ricercabile memorizzando articoli, note o pubblicazioni per un richiamo semantico.

• Sintesi di Documenti e PDF
  Memorizzando interi documenti PDF, gli utenti possono successivamente effettuare query e recuperare sezioni o sintesi rilevanti, semplificando ricerca e revisione.

• Memoria Conversazionale per Chatbot
  Migliora assistenti AI o chatbot con una memoria a lungo termine e consapevole del contesto per risposte più coerenti e pertinenti nel tempo.

• Motore di Ricerca Semantico
  Implementa una funzione di ricerca semantica nelle applicazioni, permettendo agli utenti di trovare informazioni rilevanti in base al significato e non solo alle parole chiave.

• Ricerca ed Esplorazione Dati
  Archivia e interroga documenti tecnici, frammenti di codice o letteratura scientifica per un recupero rapido e basato sul significato durante investigazioni o sviluppo.

Come configurarlo

Windsurf

1. Prerequisiti:
   • Installa uv come gestore di pacchetti Python.
   • Verifica che Docker sia installato e in esecuzione.
2. Clona e Installa:
   • Clona il repository:
     git clone <repository-url>
cd mcp-rag-local
   • Installa le dipendenze usando uv.
3. Avvia i Servizi:
   • Esegui docker-compose up per avviare ChromaDB e Ollama.
   • Scarica il modello di embedding:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Configura il Server MCP:
   • Aggiungi alla configurazione MCP di Windsurf (es. in mcpServers):

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

5. Salva e Riavvia:
   • Salva la configurazione e riavvia Windsurf.
6. Verifica la Configurazione:
   • Conferma che il server sia avviato e accessibile.

Claude

1. Segui i passaggi 1–3 sopra (prerequisiti, clona/installa, avvia i servizi).
2. Aggiungi quanto segue alla configurazione MCP di 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. Salva e riavvia Claude.
4. Verifica che il server sia elencato e attivo.

Cursor

1. Completa i passaggi 1–3 (come sopra).
2. Aggiungi alla configurazione di 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. Salva e riavvia Cursor.
4. Controlla che il server MCP sia operativo.

Cline

1. Ripeti i passaggi 1–3 (prerequisiti, clona/installa, avvia i servizi).
2. Nella configurazione di Cline, aggiungi:

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

3. Salva, riavvia Cline e verifica la configurazione.

Protezione delle Chiavi API

• Usa le variabili d’ambiente nella sezione env della tua configurazione.
• Esempio:

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

• Assicurati che le chiavi sensibili non siano salvate in chiaro ma referenziate dall’ambiente.

Come usare questo MCP nei flow

Utilizzo del MCP in FlowHunt

Per integrare i server MCP nel tuo workflow FlowHunt, inizia aggiungendo il componente MCP al tuo flow e collegandolo al tuo agente AI:

Clicca sul componente MCP per aprire il pannello di configurazione. Nella sezione di configurazione MCP di sistema, inserisci i dettagli del tuo server MCP usando questo formato JSON:

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

Una volta configurato, l’agente AI potrà utilizzare questo MCP come strumento con accesso a tutte le sue funzioni e capacità. Ricorda di cambiare “mcp-rag-local” con il nome effettivo del tuo server MCP e sostituire la URL con quella del tuo MCP.

Panoramica

La nostra opinione

Questo MCP è semplice e ben focalizzato sulla memoria semantica, ma manca di funzionalità avanzate come template di prompt, risorse esplicite o supporto sampling/roots. Strumenti e configurazione sono chiari. Ideale per workflow RAG/knowledge locali semplici.

MCP Score