mcp-rag-local MCP Server

Čo robí MCP Server “mcp-rag-local”?

mcp-rag-local MCP Server je navrhnutý ako pamäťový server, ktorý umožňuje AI asistentom ukladať a vyhľadávať textové pasáže na základe ich sémantického významu, nie iba kľúčových slov. Využitím Ollama na generovanie embeddingov a ChromaDB na vektorové ukladanie a vyhľadávanie podobností umožňuje plynulé ukladanie („zapamätanie“) a vyhľadávanie relevantných textov pre zadaný dopyt. To posilňuje AI workflowy ako správa znalostí, kontextová pamäť a sémantické vyhľadávanie. Vývojári môžu so serverom pracovať na ukladanie jednotlivých textov, viacerých textov alebo aj obsahu PDF súborov, a neskôr vyhľadávať najrelevantnejšie informácie, čím zvyšujú produktivitu a kontextovú uvedomelosť aplikácií.

Zoznam promptov

• V repozitári alebo dokumentácii nie sú uvedené žiadne explicitné šablóny promptov.

Zoznam zdrojov

• V repozitári alebo README nie sú zdokumentované žiadne explicitné MCP zdroje.

Zoznam nástrojov

• memorize_text
  Umožňuje serveru uložiť jednu textovú pasáž na budúce sémantické vyhľadanie.

• memorize_multiple_texts
  Umožňuje hromadné uloženie viacerých textov naraz, čo uľahčuje hromadný príjem znalostí.

• memorize_pdf_file
  Načíta a extrahuje naraz až 20 strán z PDF súboru, rozdelí obsah a uloží na sémantické vyhľadanie.

• retrieve_similar_texts
  Vyhľadá najrelevantnejšie uložené textové pasáže na základe dopytu používateľa pomocou sémantickej podobnosti.

(Názvy nástrojov sú odvodené z dokumentovaných príkladov použitia; presné názvy sa môžu v kóde líšiť.)

Prípady použitia tohto MCP servera

• Osobná znalostná báza
  Vývojári a používatelia si môžu budovať trvalú, vyhľadávateľnú znalostnú bázu ukladaním článkov, poznámok alebo výskumných prác na sémantické vyhľadávanie.

• Sumarizácia dokumentov a PDF
  Ukladaním celých PDF dokumentov môžu používatelia neskôr vyhľadávať a získavať relevantné sekcie alebo sumarizácie, čím zrýchľujú výskum a prehľadávanie.

• Konverzačná pamäť pre chatboty
  Posilnite AI asistentov alebo chatboty dlhodobou, kontextovou pamäťou pre koherentnejšie a kontextovo relevantné odpovede v čase.

• Sémantický vyhľadávač
  Implementujte sémantické vyhľadávanie v aplikáciách, umožňujúce používateľom nájsť relevantné informácie podľa významu, nie len kľúčových slov.

• Výskum a skúmanie dát
  Ukladajte a vyhľadávajte technické dokumenty, úryvky kódu alebo vedeckú literatúru pre rýchle, významovo orientované získavanie informácií počas vývoja alebo skúmania.

Ako to nastaviť

Windsurf

1. Predpoklady:
   • Nainštalujte uv ako správcu Python balíčkov.
   • Uistite sa, že Docker je nainštalovaný a spustený.
2. Klonovanie a inštalácia:
   • Klonujte repozitár:
     git clone <repository-url>
cd mcp-rag-local
   • Nainštalujte závislosti pomocou uv.
3. Spustite služby:
   • Spustite docker-compose up na spustenie ChromaDB a Ollama.
   • Stiahnite embedding model:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Konfigurujte MCP server:
   • Pridajte do konfigurácie Windsurf MCP servera (napr. do mcpServers):

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

5. Uložte a reštartujte:
   • Uložte konfiguráciu a reštartujte Windsurf.
6. Overte nastavenie:
   • Skontrolujte, že server beží a je prístupný.

Claude

1. Postupujte podľa krokov 1–3 vyššie (predpoklady, klonovanie/inštalácia, spustenie služieb).
2. Pridajte do konfigurácie Claude MCP toto:

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

3. Uložte a reštartujte Claude.
4. Overte, že server je uvedený a beží.

Cursor

1. Dokončite kroky 1–3 (ako vyššie).
2. Pridajte do konfigurácie Cursor:

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

3. Uložte a reštartujte Cursor.
4. Skontrolujte, že MCP server je v prevádzke.

Cline

1. Opakujte kroky 1–3 (predpoklady, klonovanie/inštalácia, spustenie služieb).
2. Do konfigurácie Cline pridajte:

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

3. Uložte, reštartujte Cline a overte nastavenie.

Zabezpečenie API kľúčov

• Používajte environmentálne premenné v sekcii env vašej konfigurácie.
• Príklad:

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

• Dbajte na to, aby ste citlivé kľúče nezadávali natvrdo, ale odkazovali na environmentálne premenné.

Ako používať tento MCP vo flow

Používanie MCP vo FlowHunt

Na integráciu MCP serverov do workflowu FlowHunt začnite pridaním MCP komponentu do vášho flow a prepojte ho s AI agentom:

Kliknite na MCP komponent pre otvorenie konfiguračného panelu. Do sekcie konfigurácie systémového MCP vložte detaily vášho MCP servera v tomto JSON formáte:

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

Po nakonfigurovaní môže AI agent využívať tento MCP ako nástroj so všetkými jeho funkciami a možnosťami. Nezabudnite „mcp-rag-local“ zmeniť na skutočný názov vášho MCP servera a URL nahradiť vlastnou adresou MCP servera.

Prehľad

Náš názor

Tento MCP je priamočiary a dobre zameraný na sémantickú pamäť, avšak chýbajú mu pokročilé funkcie ako šablóny promptov, explicitné zdroje alebo sampling/roots podpora. Nástroje a nastavenie sú jasné. Najvhodnejší pre jednoduché RAG/lokálne znalostné workflowy.

MCP hodnotenie