O que faz o servidor MCP “mcp-local-rag”?

O mcp-local-rag MCP Server é um servidor de protocolo Model Context (MCP) de busca web do tipo “Geração Aumentada por Recuperação (RAG) primitiva”, que roda localmente sem exigir APIs externas. Sua principal função é conectar assistentes de IA à web como fonte de dados, permitindo que grandes modelos de linguagem (LLMs) realizem buscas, processem e extraiam resultados e extraiam conteúdos relevantes – tudo em um ambiente local e que respeita a privacidade. O servidor orquestra o processo, enviando consultas do usuário para um motor de busca (DuckDuckGo), buscando múltiplos resultados, classificando-os por similaridade usando o MediaPipe Text Embedder do Google e extraindo o contexto relevante das páginas. Isso permite que desenvolvedores e clientes de IA acessem informações atualizadas da web, aprimorando fluxos de trabalho como pesquisa, criação de conteúdo e respostas a perguntas, sem depender de APIs proprietárias.

Lista de Prompts

Não há templates de prompt específicos mencionados no repositório ou na documentação.

Lista de Recursos

Não há “recursos” MCP explícitos descritos no conteúdo disponível do repositório.

Lista de Ferramentas

Não há definições detalhadas de ferramentas listadas diretamente nos arquivos ou na documentação.

Casos de uso deste MCP Server

• Busca Web em Tempo Real para LLMs: Permite que assistentes de IA acessem informações atuais da web, tornando as respostas mais precisas e atualizadas para pesquisas ou consultas baseadas em notícias.
• Sumarização de Conteúdo: Permite que LLMs busquem páginas web e extraiam contexto relevante, facilitando sumarização e checagem de fatos.
• Geração Aumentada por Recuperação: Suporta fluxos onde LLMs precisam de conhecimento externo da web para enriquecer suas respostas, ideal para perguntas além dos dados de treinamento.
• Produtividade para Desenvolvedores: Útil em assistentes de programação para busca em documentação, tópicos do Stack Overflow ou artigos técnicos recentes.
• Assistência Educacional: Pode ajudar a trazer recursos ou exemplos de aprendizado atualizados para estudantes e educadores.

Como configurar

Abaixo estão as instruções gerais de configuração para integrar o mcp-local-rag MCP Server com diferentes clientes MCP. Adapte o JSON conforme necessário para o seu cliente.

Windsurf

1. Certifique-se de ter o uv (para o método uvx) ou Docker instalado.
2. Localize o arquivo de configuração do MCP client (veja aqui).
3. Adicione o seguinte JSON ao objeto mcpServers:

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

4. Salve a configuração e reinicie o Windsurf.
5. Verifique se o servidor MCP está ativo e acessível no seu cliente.

Claude

1. Instale o uv ou Docker conforme necessário.
2. Abra a configuração MCP do Claude Desktop.
3. Insira o seguinte nas configurações do seu servidor MCP:

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

4. Salve e reinicie o Claude Desktop.
5. Confirme que o servidor “mcp-local-rag” aparece nas suas ferramentas.

Cursor

1. Certifique-se de que o Docker ou uv esteja instalado.
2. Encontre e abra o arquivo de configuração do servidor MCP para o Cursor.
3. Use a configuração Docker para maior isolamento:

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

4. Salve e reinicie o Cursor.
5. Verifique o status do servidor MCP na interface do Cursor.

Cline

1. Instale o Docker ou uv conforme necessário.
2. Acesse a configuração MCP do Cline (consulte a documentação).
3. Adicione o snippet JSON apropriado (veja acima exemplo uvx ou Docker).
4. Salve a configuração e reinicie o Cline.
5. Certifique-se de que o servidor está listado entre as integrações MCP disponíveis.

Segurança de variáveis de ambiente

Não são necessárias chaves de API externas para o mcp-local-rag, mas se precisar definir variáveis de ambiente (para Docker ou outros usos), use o objeto env na sua configuração:

{
  "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": {}
    }
  }
}

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP ao seu fluxo no FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração do sistema MCP, insira os dados do seu servidor MCP usando este formato JSON:

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

Depois de configurado, o agente de IA poderá usar este MCP como ferramenta com acesso a todas as suas funções e capacidades. Lembre-se de alterar “mcp-local-rag” para o nome real do seu servidor MCP e substituir a URL pela do seu servidor MCP.

Visão Geral

No geral, o mcp-local-rag é um servidor MCP para busca web direto e que respeita a privacidade, mas carece de detalhes sobre prompts/templates, recursos e documentação de especificação de ferramentas. É fácil de instalar e usar com os principais clientes, sendo mais indicado para casos de uso simples de RAG web.

Pontuação MCP