mcp-local-rag MCP 서버

“mcp-local-rag” MCP 서버란 무엇을 하나요?

mcp-local-rag MCP 서버는 외부 API 없이 로컬에서 동작하는 “원시” 형태의 검색 증강 생성(RAG) 웹 검색 Model Context Protocol(MCP) 서버입니다. 이 서버의 주요 목적은 AI 어시스턴트를 위한 데이터 소스로 웹을 연결하여, 대형 언어 모델(LLM)이 웹 검색을 실행하고, 검색 결과를 임베딩하며, 관련 콘텐츠를 추출할 수 있게 하는 것입니다. 모든 과정은 개인정보를 보호하는 로컬 환경에서 이루어집니다. 이 서버는 사용자의 쿼리를 검색 엔진(DuckDuckGo)에 제출하고, 여러 결과를 가져와 Google MediaPipe Text Embedder로 유사도 기반 랭킹을 진행한 뒤, 웹 페이지에서 관련 컨텍스트를 추출합니다. 이를 통해 개발자와 AI 클라이언트는 최신 웹 정보를 활용할 수 있어 연구, 콘텐츠 제작, 질의응답 등 다양한 워크플로우를 외부 웹 API에 의존하지 않고 강화할 수 있습니다.

프롬프트 목록

저장소나 문서에 특정 프롬프트 템플릿이 언급되어 있지 않습니다.

리소스 목록

사용 가능한 저장소 내용에 명시된 MCP “리소스"는 없습니다.

도구 목록

사용 가능 파일이나 문서에 직접적으로 나열된 상세 도구 정의가 없습니다.

MCP 서버의 활용 사례

• LLM을 위한 실시간 웹 검색: AI 어시스턴트가 최신 웹 정보를 접근하여 연구 또는 뉴스 기반 쿼리에 대해 더 정확하고 최신의 결과를 제공합니다.
• 콘텐츠 요약: LLM이 웹 페이지를 가져와 관련 컨텍스트를 추출해 요약 및 사실 확인을 지원합니다.
• 검색 증강 생성: LLM이 응답을 강화하기 위해 외부 지식이 필요한 워크플로우에 적합하며, 훈련 데이터 외의 질문에도 답변할 수 있습니다.
• 개발자 생산성: 코드 어시스턴트에서 문서, Stack Overflow, 최신 기술 글 검색 등에 유용합니다.
• 교육 보조: 학생 및 교육자를 위해 새로운 학습 자료나 예시를 쉽게 불러올 수 있습니다.

설치 방법

아래는 mcp-local-rag MCP 서버를 다양한 MCP 클라이언트와 통합하기 위한 일반적인 설치 안내입니다. 각 클라이언트에 맞게 JSON 구성을 조정하세요.

Windsurf

1. uv (uvx 방식) 또는 Docker가 설치되어 있는지 확인하세요.
2. MCP 클라이언트 구성 파일의 위치를 확인하세요(여기 참고).
3. 아래 JSON을 mcpServers 오브젝트에 추가하세요:

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

4. 구성 파일을 저장하고 Windsurf를 재시작하세요.
5. MCP 서버가 정상적으로 실행 및 접속 가능한지 클라이언트에서 확인합니다.

Claude

1. uv 또는 Docker를 필요에 따라 설치하세요.
2. Claude Desktop의 MCP 구성 창을 엽니다.
3. MCP 서버 설정에 다음을 추가하세요:

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

4. 저장 후 Claude Desktop을 재시작하세요.
5. “mcp-local-rag” 서버가 도구 목록에 나타나는지 확인하세요.

Cursor

1. Docker 또는 uv가 설치되어 있는지 확인하세요.
2. Cursor용 MCP 서버 구성 파일을 찾아 엽니다.
3. 격리 강화를 위해 Docker 구성을 사용하세요:

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

4. 저장 후 Cursor를 재시작하세요.
5. Cursor UI 내에서 MCP 서버 상태를 확인하세요.

Cline

1. 필요에 따라 Docker 또는 uv를 설치하세요.
2. Cline의 MCP 서버 설정에 접근하세요(문서 참고).
3. 위의 uvx 또는 Docker 예시 중 적합한 JSON을 추가하세요.
4. 설정을 저장하고 Cline을 재시작하세요.
5. 사용 가능한 MCP 통합 목록에 서버가 나타나는지 확인하세요.

API 키 보안

mcp-local-rag는 외부 API 키가 필요하지 않습니다. 그러나 Docker 등에서 환경 변수를 설정해야 할 경우, 구성 내 env 오브젝트를 사용하세요:

{
  "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": {}
    }
  }
}

플로우 내에서 MCP 사용법

FlowHunt에서 MCP 사용하기

FlowHunt 워크플로우에 MCP 서버를 통합하려면, MCP 컴포넌트를 플로우에 추가하고 AI 에이전트와 연결하세요:

MCP 컴포넌트를 클릭하여 구성 패널을 엽니다. 시스템 MCP 구성 섹션에 아래와 같은 JSON 형식으로 MCP 서버 정보를 입력하세요:

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

구성을 완료하면 AI 에이전트가 해당 MCP의 모든 기능과 역량을 도구로서 사용할 수 있습니다. “mcp-local-rag” 부분은 실제 MCP 서버 이름으로, URL은 본인의 MCP 서버 주소로 변경하세요.

개요

전반적으로 mcp-local-rag는 간단하고 개인정보를 존중하는 웹 검색 MCP 서버로, 프롬프트/템플릿, 리소스, 도구 명세 문서가 다소 부족합니다. 주요 클라이언트와 손쉽게 연동 가능하며, 단순 웹 RAG 용도에 적합합니다.

MCP 점수