mcp-rag-local MCP-server

Hva gjør “mcp-rag-local” MCP-serveren?

mcp-rag-local MCP-serveren er utformet som en minneserver som lar AI-assistenter lagre og hente tekstutdrag basert på deres semantiske mening, ikke bare nøkkelord. Ved å bruke Ollama for å generere tekst-embedding og ChromaDB for vektorlagring og likhetssøk, muliggjør den sømløs lagring (“memorering”) og gjenfinning av relevante tekster for en gitt forespørsel. Dette gir kraft til AI-drevne arbeidsflyter som kunnskapsforvaltning, kontekstuelt minne og semantisk søk. Utviklere kan samhandle med serveren for å lagre enkelttekster, flere tekster eller til og med innholdet i PDF-filer, og senere hente den mest kontekstuelt relevante informasjonen – noe som øker produktivitet og kontekstuell bevissthet i applikasjoner.

Liste over prompt-maler

• Ingen eksplisitte prompt-maler er nevnt i repoet eller dokumentasjonen.

Liste over ressurser

• Ingen eksplisitte MCP-ressurser er dokumentert i repoet eller README.

Liste over verktøy

• memorize_text
  Lar serveren lagre et enkelt tekstutdrag for fremtidig semantisk gjenfinning.

• memorize_multiple_texts
  Muliggjør batchlagring av flere tekster samtidig, som forenkler masseinnhenting av kunnskap.

• memorize_pdf_file
  Leser og trekker ut opptil 20 sider av gangen fra en PDF-fil, deler opp innholdet og lagrer det for semantisk gjenfinning.

• retrieve_similar_texts
  Henter de mest relevante lagrede tekstutdragene basert på en brukers forespørsel, ved bruk av semantisk likhet.

(Verktøynavn utledet fra dokumentert bruk; eksakte navn kan variere i koden.)

Bruksområder for denne MCP-serveren

• Personlig kunnskapsbase
  Utviklere og brukere kan bygge en vedvarende, søkbar kunnskapsbase ved å lagre artikler, notater eller forskningsartikler for semantisk gjenfinning.

• Dokument- og PDF-sammendrag
  Ved å lagre hele PDF-dokumenter kan brukere senere søke opp og hente relevante seksjoner eller sammendrag, noe som forenkler forskning og gjennomgang.

• Samtaleminne for chatboter
  Forbedre AI-assistenter eller chatboter med langtidshukommelse og kontekstuelt minne for mer sammenhengende og relevante svar over tid.

• Semantisk søkemotor
  Implementer en semantisk søkefunksjon i applikasjoner, slik at brukere kan finne relevant informasjon basert på mening, ikke bare nøkkelord.

• Forskning og datautforskning
  Lagre og søk i tekniske dokumenter, kodeutdrag eller vitenskapelig litteratur for rask, meningsbasert gjenfinning under undersøkelse eller utvikling.

Slik setter du det opp

Windsurf

1. Forutsetninger:
   • Installer uv som din Python-pakkebehandler.
   • Sørg for at Docker er installert og kjører.
2. Klon og installer:
   • Klon repoet:
     git clone <repository-url>
cd mcp-rag-local
   • Installer avhengigheter med uv.
3. Start tjenester:
   • Kjør docker-compose up for å starte ChromaDB og Ollama.
   • Last ned embedding-modellen:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Konfigurer MCP-server:
   • Legg til i Windsurf MCP-serverkonfigurasjon (f.eks. i mcpServers):

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

5. Lagre og start på nytt:
   • Lagre konfigurasjonen og start Windsurf på nytt.
6. Verifiser oppsettet:
   • Bekreft at serveren kjører og er tilgjengelig.

Claude

1. Følg steg 1–3 over (forutsetninger, klon/installer, start tjenester).
2. Legg til følgende i Claude MCP-konfigurasjonen:

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

3. Lagre og start Claude på nytt.
4. Verifiser at serveren er oppført og kjører.

Cursor

1. Fullfør steg 1–3 (som over).
2. Legg til i Cursor-konfigurasjonen:

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

3. Lagre og start Cursor på nytt.
4. Sjekk at MCP-serveren er operativ.

Cline

1. Gjenta steg 1–3 (forutsetninger, klon/installer, start tjenester).
2. I Cline-konfigurasjonen, legg til:

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

3. Lagre, start Cline på nytt, og verifiser oppsettet.

Sikre API-nøkler

• Bruk miljøvariabler i env-seksjonen av konfigurasjonen din.
• Eksempel:

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

• Sørg for at sensitive nøkler ikke hardkodes, men refereres fra ditt miljø.

Slik bruker du denne MCP-en i flows

Bruke 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:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon setter du inn MCP-serverdetaljene dine med dette JSON-formatet:

{
  "mcp-rag-local": {
    "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-rag-local” til det faktiske navnet på MCP-serveren din og bytte ut URL-en med din egen MCP-server-URL.

Oversikt

Vår mening

Denne MCP-en er enkel og fokusert på semantisk minne, men mangler avanserte funksjoner som prompt-maler, eksplisitte ressurser eller sampling/roots-støtte. Verktøy og oppsett er tydelig. Best egnet for enkle RAG/lokale kunnskapsarbeidsflyter.

MCP-score