“mcp-rag-local” MCP 서버는 어떤 일을 하나요?

mcp-rag-local MCP 서버는 AI 어시스턴트가 키워드에만 의존하지 않고, 텍스트의 의미(시맨틱)에 따라 텍스트 단락을 저장하고 검색할 수 있도록 설계된 메모리 서버입니다. Ollama로 텍스트 임베딩을 생성하고, ChromaDB로 벡터 저장 및 유사도 검색을 수행함으로써, 자연스러운 저장(“기억”)과 쿼리별로 관련 텍스트를 빠르게 찾을 수 있습니다. 이를 통해 지식 관리, 맥락 기억, 시맨틱 검색 등 AI 기반 워크플로우를 지원합니다. 개발자는 단일 텍스트, 여러 텍스트, 또는 PDF 파일의 내용을 서버에 저장하고, 나중에 가장 맥락에 맞는 정보를 검색할 수 있어, 앱에서 생산성과 맥락 인식이 크게 향상됩니다.

프롬프트 목록

• 저장소나 문서에 명시된 프롬프트 템플릿이 없습니다.

리소스 목록

• 저장소나 README에 명시된 MCP 리소스가 없습니다.

도구 목록

• memorize_text
  서버에 단일 텍스트 단락을 저장하여, 나중에 시맨틱 검색이 가능하게 합니다.

• memorize_multiple_texts
  여러 텍스트를 한 번에 일괄 저장할 수 있어 대량 지식 인제스트에 유용합니다.

• memorize_pdf_file
  PDF 파일에서 최대 20페이지씩 읽어와 내용을 청크 단위로 분할, 시맨틱 검색을 위해 기억합니다.

• retrieve_similar_texts
  사용자의 쿼리에 대해 의미 기반 유사도를 활용해, 가장 적합한 저장 텍스트 단락을 찾아 반환합니다.

(도구 이름은 문서 내 사용 패턴을 근거로 추정했으며, 코드 내 실제 명칭은 다를 수 있습니다.)

MCP 서버 활용 예시

• 개인 지식베이스 구축
  개발자나 사용자가 기사, 노트, 논문 등을 저장해 시맨틱 기반으로 검색할 수 있는 영속적 지식베이스를 구축할 수 있습니다.

• 문서 및 PDF 요약
  PDF 문서를 통째로 기억시켜두고, 나중에 관련 부분이나 요약을 쿼리로 빠르게 찾아볼 수 있어 연구·검토가 효율적입니다.

• 챗봇 대화 메모리 강화
  AI 어시스턴트나 챗봇에 장기적이고 맥락을 인식하는 기억을 부여해, 일관되고 적합한 응답을 할 수 있습니다.

• 시맨틱 검색 엔진
  키워드가 아니라 의미로 정보를 찾는 시맨틱 검색 기능을 앱에 구현할 수 있습니다.

• 연구 및 데이터 탐색
  기술 문서, 코드 스니펫, 과학 논문 등을 의미 기반으로 저장·검색해, 개발·탐구 과정에서 신속한 정보 접근이 가능합니다.

설치 방법

Windsurf

1. 사전 준비:
   • Python 패키지 매니저 uv를 설치하세요.
   • Docker가 설치되어 실행 중인지 확인하세요.
2. 클론 및 설치:
   • 저장소를 클론하세요:
     git clone <repository-url>
cd mcp-rag-local
   • uv로 의존성을 설치하세요.
3. 서비스 시작:
   • docker-compose up으로 ChromaDB와 Ollama를 실행하세요.
   • 임베딩 모델 다운로드:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. MCP 서버 설정:
   • Windsurf MCP 서버 설정(예: mcpServers)에 다음을 추가하세요:

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

5. 저장 및 재시작:
   • 설정을 저장하고 Windsurf를 재시작하세요.
6. 설정 확인:
   • 서버가 정상 실행 중인지 확인합니다.

Claude

1. 위 1~3단계(사전 준비, 클론/설치, 서비스 시작)를 완료하세요.
2. Claude MCP 설정에 다음을 추가하세요:

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

3. 저장 후 Claude를 재시작하세요.
4. 서버가 목록에 표시되고 실행 중인지 확인하세요.

Cursor

1. 위 1~3단계(사전 준비, 클론/설치, 서비스 시작)를 완료하세요.
2. Cursor 설정에 다음을 추가하세요:

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

3. 저장 후 Cursor를 재시작하세요.
4. MCP 서버가 정상 동작하는지 확인하세요.

Cline

1. 위 1~3단계(사전 준비, 클론/설치, 서비스 시작)를 완료하세요.
2. Cline 설정에 다음을 추가하세요:

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

3. 저장, Cline을 재시작 후 설정을 확인하세요.

API 키 보안 설정

• 설정의 env 섹션에 환경 변수를 사용하세요.
• 예시:

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

• 민감한 키는 하드코딩하지 말고, 반드시 환경 변수로 참조하세요.

이 MCP를 플로우에서 사용하는 방법

FlowHunt에서 MCP 사용하기

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

MCP 컴포넌트를 클릭하여 설정 패널을 엽니다. 시스템 MCP 설정 섹션에 아래와 같이 MCP 서버 정보를 JSON 형식으로 입력하세요:

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

설정이 완료되면, AI 에이전트가 해당 MCP의 모든 기능에 접근할 수 있습니다. “mcp-rag-local” 부분은 실제 MCP 서버 이름으로, URL은 본인의 MCP 서버 주소로 변경하세요.

개요

총평

이 MCP는 시맨틱 메모리에 집중되어 있으며, 프롬프트 템플릿, 명시적 리소스, 샘플링/루트 지원과 같은 고급 기능은 부족합니다. 도구와 설치 방법은 명확합니다. 단순 RAG/로컬 지식 워크플로우에 가장 적합합니다.

MCP 점수