mcp-local-rag MCP Server

Čo robí MCP Server “mcp-local-rag”?

mcp-local-rag MCP Server je „primitívny“ server Model Context Protocol (MCP) na Retrieval-Augmented Generation (RAG) typu webového vyhľadávania, ktorý beží lokálne bez potreby externých API. Jeho hlavnou funkciou je prepojiť AI asistentov s webom ako zdrojom údajov, umožniť veľkým jazykovým modelom (LLM) realizovať webové vyhľadávania, získavať a vkladať výsledky vyhľadávania a extrahovať relevantný obsah – to všetko v prostredí rešpektujúcom súkromie, lokálne. Server celý proces orchestruje: zadáva dotaz do vyhľadávača (DuckDuckGo), získava viacero výsledkov, zoradí ich podľa podobnosti pomocou Google MediaPipe Text Embedder a extrahuje relevantný kontext z webstránok. To umožňuje vývojárom a AI klientom pristupovať k aktuálnym informáciám z webu, čo môže zlepšiť workflow ako výskum, tvorbu obsahu či odpovedanie na otázky bez nutnosti používať proprietárne web API.

Zoznam promptov

V repozitári ani v dokumentácii nie sú spomenuté žiadne špecifické šablóny promptov.

Zoznam zdrojov

V dostupnom obsahu repozitára nie sú opísané žiadne explicitné MCP „zdroje“.

Zoznam nástrojov

V dostupných súboroch alebo dokumentácii nie sú priamo uvedené žiadne detailné definície nástrojov.

Použitia tohto MCP servera

• Webové vyhľadávanie v reálnom čase pre LLM: Umožňuje AI asistentom pristupovať k aktuálnym informáciám z webu, vďaka čomu sú výstupy presnejšie a aktuálne pre výskum alebo otázky založené na novinkách.
• Sumarizácia obsahu: LLM môžu získavať webové stránky a extrahovať relevantný kontext, čo podporuje sumarizáciu a overovanie faktov.
• Retrieval-Augmented Generation: Podporuje workflow, kde LLM potrebujú externé znalosti z webu na rozšírenie svojich odpovedí – ideálne na odpovede mimo ich trénovacích dát.
• Produktivita vývojárov: Užitočné v kódovacích asistentoch na vyhľadávanie v dokumentácii, vlákien Stack Overflow alebo aktuálnych technických článkov.
• Vzdelávacia pomoc: Môže pomôcť získavať nové vzdelávacie zdroje alebo príklady pre študentov a učiteľov.

Ako to nastaviť

Nižšie sú všeobecné inštrukcie na integráciu mcp-local-rag MCP servera s rôznymi MCP klientmi. Prispôsobte JSON konfigurácie podľa potrieb vášho klienta.

Windsurf

1. Uistite sa, že máte nainštalovaný uv (pre metódu uvx) alebo Docker.
2. Nájdite svoj konfiguračný súbor MCP klienta (pozrite tu).
3. Pridajte nasledujúci JSON do objektu mcpServers:

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

4. Uložte konfiguráciu a reštartujte Windsurf.
5. Overte, že MCP server beží a je prístupný vo vašom klientovi.

Claude

1. Nainštalujte uv alebo Docker podľa potreby.
2. Otvorte MCP konfiguráciu pre Claude Desktop.
3. Vložte nasledujúce do nastavení MCP servera:

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

4. Uložte a reštartujte Claude Desktop.
5. Overte, že server “mcp-local-rag” sa zobrazuje medzi nástrojmi.

Cursor

1. Uistite sa, že máte nainštalovaný Docker alebo uv.
2. Nájdite a otvorte konfiguračný súbor MCP servera pre Cursor.
3. Použite Docker konfiguráciu pre lepšiu izoláciu:

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

4. Uložte a reštartujte Cursor.
5. Skontrolujte stav MCP servera v rozhraní Cursor.

Cline

1. Nainštalujte Docker alebo uv podľa potreby.
2. Otvorte konfiguračný súbor MCP pre Cline (podľa dokumentácie).
3. Pridajte vhodný JSON úryvok (viď vyššie uvx alebo Docker príklad).
4. Uložte konfiguráciu a reštartujte Cline.
5. Uistite sa, že server je v zozname dostupných MCP integrácií.

Zaistenie API kľúčov

Pre mcp-local-rag nie sú potrebné žiadne externé API kľúče, ale ak potrebujete nastaviť environmentálne premenné (pre Docker či iné účely), použite objekt env vo vašej konfigurácii:

{
  "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": {}
    }
  }
}

Ako používať tento MCP v tokoch

Použitie MCP vo FlowHunt

Pre integráciu MCP serverov do vášho workflow vo FlowHunt začnite pridaním MCP komponentu do vášho toku a pripojením k AI agentovi:

Kliknite na komponent MCP a otvorí sa konfiguračný panel. Do sekcie systémovej MCP konfigurácie vložte podrobnosti o vašom MCP serveri v tomto JSON formáte:

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

Po konfigurácii bude AI agent schopný používať tento MCP ako nástroj s prístupom ku všetkým jeho funkciám a možnostiam. Nezabudnite zmeniť “mcp-local-rag” na skutočný názov vášho MCP servera a URL na adresu vášho MCP servera.

Prehľad

Celkovo je mcp-local-rag priamočiary, súkromie rešpektujúci MCP server na webové vyhľadávanie, ale chýbajú mu podrobnosti v dokumentácii promptov/šablón, zdrojov a nástrojov. Ľahko sa nastavuje a používa s hlavnými klientmi, najvhodnejší je pre jednoduché webové RAG použitia.

MCP skóre