mcp-rag-local MCP Server

Wat doet de “mcp-rag-local” MCP Server?

De mcp-rag-local MCP Server is ontworpen als een geheugenserver waarmee AI-assistenten tekstfragmenten kunnen opslaan en ophalen op basis van hun semantische betekenis, niet alleen op trefwoorden. Met gebruik van Ollama voor het genereren van tekstembeddings en ChromaDB voor vectoropslag en gelijkeniszoekopdrachten, maakt het naadloze opslag (“onthouden”) en het ophalen van relevante teksten voor een bepaalde vraag mogelijk. Dit ondersteunt AI-gedreven workflows zoals kennisbeheer, contextueel geheugen en semantisch zoeken. Ontwikkelaars kunnen communiceren met de server om individuele teksten, meerdere teksten, of zelfs de inhoud van PDF-bestanden op te slaan en later de meest contextueel relevante informatie op te halen, wat de productiviteit en contextueel bewustzijn in applicaties vergroot.

Lijst van Prompts

• Geen expliciete prompt-templates vermeld in de repository of documentatie.

Klaar om uw bedrijf te laten groeien?

Start vandaag uw gratis proefperiode en zie binnen enkele dagen resultaten.

Demo aanvragen Inloggen

Lijst van Resources

• Geen expliciete MCP-resources gedocumenteerd in de repository of README.

Lijst van Tools

• memorize_text
  Hiermee kan de server een enkel tekstfragment opslaan voor toekomstige semantische zoekopdrachten.

• memorize_multiple_texts
  Maakt batchopslag van meerdere teksten tegelijk mogelijk, wat bulkkennisinvoer vergemakkelijkt.

• memorize_pdf_file
  Leest en extraheert tot 20 pagina’s tegelijk uit een PDF-bestand, splitst de inhoud en slaat deze op voor semantische zoekopdrachten.

• retrieve_similar_texts
  Haalt de meest relevante opgeslagen tekstfragmenten op basis van een gebruikersvraag, met behulp van semantische gelijkenis.

(Toolnamen afgeleid uit gedocumenteerde gebruikspatronen; exacte namen kunnen in de code afwijken.)

Schrijf u in voor onze nieuwsbrief

Ontvang gratis de nieuwste tips, trends en aanbiedingen.

E-mailadres

Abonneren

Gebruiksscenario’s van deze MCP Server

• Persoonlijke Kennisbank
  Ontwikkelaars en gebruikers kunnen een blijvende, doorzoekbare kennisbank bouwen door artikelen, notities of onderzoeksartikelen op te slaan voor semantische terughaalbaarheid.

• Document- en PDF-samenvatting
  Door volledige PDF-documenten te onthouden, kunnen gebruikers later relevante secties of samenvattingen opvragen, wat onderzoek en beoordeling stroomlijnt.

• Conversatiegeheugen voor Chatbots
  Voorzie AI-assistenten of chatbots van langdurig, contextbewust geheugen om na verloop van tijd coherente en contextueel relevante antwoorden te bieden.

• Semantische Zoekmachine
  Implementeer een semantische zoekfunctie in applicaties, zodat gebruikers relevante informatie kunnen vinden op basis van betekenis, niet enkel op trefwoorden.

• Onderzoek en Data-exploratie
  Sla technische documenten, codefragmenten of wetenschappelijke literatuur op en raadpleeg deze snel op betekenis tijdens onderzoek of ontwikkeling.

Hoe stel je het in

Windsurf

1. Vereisten:
   • Installeer uv als je Python package manager.
   • Zorg dat Docker is geïnstalleerd en draait.
2. Kloon en Installeer:
   • Kloon de repository:
     git clone <repository-url>
cd mcp-rag-local
   • Installeer afhankelijkheden met uv.
3. Start Services:
   • Voer docker-compose up uit om ChromaDB en Ollama te starten.
   • Haal het embedding model op:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Configureer MCP Server:
   • Voeg toe aan je Windsurf MCP-serverconfiguratie (bijv. 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. Opslaan en Herstarten:
   • Sla je configuratie op en herstart Windsurf.
6. Controleer setup:
   • Controleer of de server draait en bereikbaar is.

Claude

1. Volg stappen 1–3 hierboven (vereisten, klonen/installeren, services starten).
2. Voeg het volgende toe aan je Claude MCP-configuratie:

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

3. Sla op en herstart Claude.
4. Controleer of de server wordt weergegeven en draait.

Cursor

1. Voltooi stappen 1–3 (zoals hierboven).
2. Voeg toe aan je Cursor-configuratie:

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

3. Sla op en herstart Cursor.
4. Controleer of de MCP-server operationeel is.

Cline

1. Herhaal stappen 1–3 (vereisten, klonen/installeren, services starten).
2. Voeg in de Cline-configuratie toe:

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

3. Opslaan, Cline herstarten en de setup controleren.

API-sleutels beveiligen

• Gebruik omgevingsvariabelen in het env-deel van je configuratie.
• Voorbeeld:

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

• Zorg dat gevoelige sleutels niet hard gecodeerd worden, maar worden opgehaald uit je omgeving.

Hoe gebruik je deze MCP binnen flows

MCP gebruiken in FlowHunt

Om MCP-servers in je FlowHunt-workflow te integreren, voeg je het MCP-component toe aan je flow en verbind je deze met je AI-agent:

Klik op het MCP-component om het configuratievenster te openen. Voeg in het systeem MCP-configuratiegedeelte je MCP-servergegevens in met dit JSON-formaat:

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

Na configuratie kan de AI-agent deze MCP nu als tool gebruiken met toegang tot al zijn functies en mogelijkheden. Vergeet niet “mcp-rag-local” te wijzigen naar de daadwerkelijke naam van jouw MCP-server en de URL te vervangen door je eigen MCP-server-URL.

Overzicht

Onze mening

Deze MCP is eenvoudig en goed gericht op semantisch geheugen, maar mist geavanceerde functies zoals prompt-templates, expliciete resources of sampling/roots-ondersteuning. Tooling en setup zijn duidelijk. Het beste voor simpele RAG/lokale kennisworkflows.

MCP Score