「mcp-rag-local」MCPサーバーは何をするのか？

mcp-rag-local MCPサーバーは、AIアシスタントが単なるキーワードだけでなく意味に基づいてテキストパッセージを保存・検索できるように設計されたメモリサーバーです。Ollamaによるテキスト埋め込み生成とChromaDBによるベクトル保存・類似検索を活用し、クエリに対してシームレスに関連テキストを「記憶」し、検索できます。これにより、知識管理、文脈的リコール、セマンティックサーチなどのAI活用ワークフローが実現します。開発者はこのサーバーを介して個別テキスト、複数テキスト、あるいはPDFファイルの内容さえ保存し、後に文脈的に最も関連性の高い情報を取り出すことができ、アプリケーションでの生産性と文脈認識を向上させます。

プロンプト一覧

• リポジトリやドキュメントには明示的なプロンプトテンプレートはありません。

リソース一覧

• リポジトリやREADMEに明示的なMCPリソースの記述はありません。

ツール一覧

• memorize_text
  一つのテキストパッセージをセマンティック検索対応で保存します。

• memorize_multiple_texts
  複数のテキストを一括で保存でき、大量の知識インジェストに便利です。

• memorize_pdf_file
  PDFファイルから最大20ページずつ読み取り、内容を分割してセマンティック検索に利用できるよう記憶します。

• retrieve_similar_texts
  ユーザーのクエリに基づき、意味的に最も関連する保存済みテキストを検索して返します。

(ツール名は使用例から推定。コード上の名称とは異なる場合があります)

このMCPサーバーのユースケース

• パーソナルナレッジベース
  開発者やユーザーは記事・ノート・論文等を記憶させ、意味で検索できる持続的なナレッジベースを構築できます。

• ドキュメント・PDF要約
  PDFドキュメント全体を記憶し、後から関連部分や要約をクエリで抽出可能。リサーチやレビューの効率化に役立ちます。

• チャットボットの会話メモリ
  AIアシスタントやチャットボットに長期・文脈認識型のメモリを与え、より一貫性のある自然な応答を実現します。

• セマンティック検索エンジン
  アプリに意味ベースの検索機能を実装し、キーワードではなく「意味」で情報を探せます。

• リサーチ・データ探索
  技術文書、コードスニペット、学術論文等を保存し、調査・開発時に意味ベースで素早く検索できます。

セットアップ方法

Windsurf

1. 前提条件:
   • Pythonパッケージマネージャとしてuvをインストール
   • Dockerをインストールし稼働状態にする
2. クローンとインストール:
   • リポジトリをクローン:
     git clone <repository-url>
cd mcp-rag-local
   • uvで依存関係をインストール
3. サービス起動:
   • docker-compose upでChromaDBとOllamaを起動
   • 埋め込みモデル取得:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. MCPサーバー設定:
   • WindsurfのMCPサーバー設定（例: mcpServers）に以下を追加

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

5. 保存と再起動:
   • 設定を保存し、Windsurfを再起動
6. セットアップ確認:
   • サーバーが稼働しアクセスできるかを確認

Claude

1. 上記1～3（前提条件、クローン/インストール、サービス起動）を実施
2. ClaudeのMCP設定に以下を追加

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

3. 保存しClaudeを再起動
4. サーバーがリストに表示され稼働しているか確認

Cursor

1. 上記1～3を実施
2. Cursorの設定ファイルに以下を追加

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

3. 保存しCursorを再起動
4. MCPサーバーが稼働しているか確認

Cline

1. 上記1～3を実施
2. Clineの設定に以下を追加

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

3. 保存・Cline再起動し、セットアップを確認

APIキーのセキュリティ

• 設定ファイルのenvセクションで環境変数を利用
• 例:

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

• 機密キーはハードコーディングせず、必ず環境変数経由で参照してください

フロー内でのMCP利用方法

FlowHuntでのMCP利用

FlowHuntのワークフローにMCPサーバーを統合するには、まずフローにMCPコンポーネントを追加し、それをAIエージェントと接続します。

MCPコンポーネントをクリックして設定パネルを開き、システムMCP設定欄に次のようなJSON形式でサーバー情報を記述します。

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

設定が完了すれば、AIエージェントはこのMCPの全機能へアクセスできるようになります。
“mcp-rag-local"を実際のMCPサーバー名に、URLもご自身のMCPサーバーURLに書き換えてください。

概要

総評

このMCPはセマンティックメモリに特化しシンプルで明快です。一方でプロンプトテンプレートや明示的リソース、サンプリング/roots対応など高度な機能は未対応。ツールとセットアップは分かりやすく、RAGやローカル知識ワークフローに最適です。

MCPスコア