mcp-local-rag MCP Server

Hva gjør “mcp-local-rag” MCP Server?

mcp-local-rag MCP Server er en “primitiv” Retrieval-Augmented Generation (RAG)-lignende Model Context Protocol (MCP)-server for nettsøk som kjører lokalt uten behov for eksterne API-er. Hovedfunksjonen er å koble AI-assistenter til nettet som datakilde, slik at store språkmodeller (LLM-er) kan utføre nettsøk, hente og indeksere søkeresultater, og trekke ut relevant innhold – alt i et personvernvennlig, lokalt miljø. Serveren styrer prosessen ved å sende brukerforespørsler til en søkemotor (DuckDuckGo), hente flere resultater, rangere dem etter likhet ved hjelp av Googles MediaPipe Text Embedder og trekke ut relevant kontekst fra nettsider. Dette gjør at utviklere og AI-klienter kan få tilgang til oppdatert webinformasjon, som kan forbedre arbeidsflyter som forskning, innholdsproduksjon og spørsmål/svar uten å være avhengig av proprietære web-API-er.

Liste over Prompter

Ingen spesifikke prompt-maler er nevnt i depotet eller dokumentasjonen.

Klar til å vokse bedriften din?

Start din gratis prøveperiode i dag og se resultater i løpet av få dager.

Be om demo Logg inn

Liste over ressurser

Ingen eksplisitte MCP-“ressurser” er beskrevet i tilgjengelig depotinnhold.

Liste over verktøy

Ingen detaljerte verktøydefinisjoner er direkte listet i de tilgjengelige filene eller dokumentasjonen.

Bli med i vårt nyhetsbrev

Få de siste tipsene, trendene og tilbudene gratis.

E-postadresse

Abonner

Bruksområder for denne MCP-serveren

• Sanntid nettsøk for LLM-er: Gjør det mulig for AI-assistenter å få tilgang til oppdatert webinformasjon, noe som gjør svarene mer nøyaktige og aktuelle for forskning eller nyhetssøk.
• Innholdssammendrag: Lar LLM-er hente nettsider og trekke ut relevant kontekst, noe som støtter sammendrag og faktasjekk.
• Retrieval-Augmented Generation: Støtter arbeidsflyter der LLM-er trenger ekstern kunnskap fra nettet for å utvide sine svar – ideelt for å besvare spørsmål utover treningsdata.
• Utviklerproduktivitet: Nyttig i kodeassistenter for søk i dokumentasjon, Stack Overflow-tråder eller tekniske artikler.
• Utdanningshjelp: Kan hjelpe til med å hente inn nye læringsressurser eller eksempler for elever og lærere.

Hvordan sette det opp

Nedenfor er generelle oppsettinstruksjoner for integrering av mcp-local-rag MCP Server med ulike MCP-klienter. Tilpass konfigurasjons-JSON etter behov for din spesifikke klient.

Windsurf

1. Sørg for at du har uv (for uvx-metoden) eller Docker installert.
2. Finn MCP-klientens konfigurasjonsfil (se her ).
3. Legg til følgende JSON i mcpServers-objektet ditt:

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

4. Lagre konfigurasjonen og start Windsurf på nytt.
5. Bekreft at MCP-serveren kjører og er tilgjengelig i klienten din.

Claude

1. Installer uv eller Docker etter behov.
2. Åpne MCP-konfigurasjonen for Claude Desktop.
3. Sett inn følgende i MCP-serverinnstillingene dine:

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

4. Lagre og start Claude Desktop på nytt.
5. Bekreft at “mcp-local-rag” serveren vises i verktøyene dine.

Cursor

1. Sørg for at enten Docker eller uv er installert.
2. Finn og åpne MCP-serverkonfigurasjonsfilen for Cursor.
3. Bruk Docker-konfigurasjonen for bedre isolasjon:

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

4. Lagre og start Cursor på nytt.
5. Sjekk MCP-serverstatusen i Cursors brukergrensesnitt.

Cline

1. Installer Docker eller uv etter behov.
2. Gå til Clines MCP-serverkonfigurasjon (se dokumentasjonen).
3. Legg til riktig JSON-snutt (se uvx- eller Docker-eksempel over).
4. Lagre konfigurasjonen og start Cline på nytt.
5. Sørg for at serveren er listet blant tilgjengelige MCP-integrasjoner.

Sikring av API-nøkler

Ingen eksterne API-nøkler kreves for mcp-local-rag, men hvis du trenger å sette miljøvariabler (for Docker eller andre formål), bruk env-objektet i konfigurasjonen:

{
  "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": {}
    }
  }
}

Hvordan bruke denne MCP-en inne i flyter

Bruk av MCP i FlowHunt

For å integrere MCP-servere i FlowHunt-arbeidsflyten din, start med å legge til MCP-komponenten i flyten og koble den til AI-agenten din:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon, legg inn MCP-serverdetaljene dine i dette JSON-formatet:

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

Når det er konfigurert, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og egenskaper. Husk å endre “mcp-local-rag” til det faktiske navnet på din MCP-server og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Alt i alt er mcp-local-rag en enkel, personvernsvennlig MCP-server for nettsøk, men mangler detaljer i dokumentasjonen om prompt/maler, ressurser og verktøy. Den er enkel å sette opp og bruke med store klienter, men passer best for enkle web-RAG-bruksområder.

MCP-score