mcp-local-rag MCP-server

Vad gör “mcp-local-rag” MCP-servern?

mcp-local-rag MCP-servern är en “primitiv” Retrieval-Augmented Generation (RAG)-liknande webb-söknings Model Context Protocol (MCP)-server som körs lokalt utan att kräva externa API:er. Dess huvudfunktion är att koppla AI-assistenter till webben som datakälla, så att stora språkmodeller (LLM:er) kan utföra webbsökningar, hämta och bädda in sökresultat samt extrahera relevant innehåll – allt i en integritetsskyddande, lokal miljö. Servern hanterar processen genom att skicka användarfrågor till en sökmotor (DuckDuckGo), hämta flera resultat, ranka dem baserat på likhet med hjälp av Googles MediaPipe Text Embedder och extrahera relevant kontext från webbsidor. Detta gör att utvecklare och AI-klienter får tillgång till aktuell webbinformation, vilket kan förbättra arbetsflöden som forskning, innehållsskapande och frågesvar utan att vara beroende av proprietära webb-API:er.

Lista över prompts

Inga specifika promptmallar nämns i arkivet eller dokumentationen.

Lista över resurser

Inga explicita MCP-“resurser” beskrivs i det tillgängliga arkivinnehållet.

Lista över verktyg

Inga detaljerade verktygsdefinitioner listas direkt i tillgängliga filer eller dokumentation.

Användningsområden för denna MCP-server

• Realtidswebbsök för LLM:er: Möjliggör för AI-assistenter att få tillgång till aktuell webbinformation, vilket ger mer korrekta och uppdaterade svar för t.ex. forskning eller nyhetsfrågor.
• Innehållssummering: Låter LLM:er hämta webbsidor och extrahera relevant kontext, vilket stöder summeringar och faktagranskning.
• Retrieval-Augmented Generation: Stödjer arbetsflöden där LLM:er behöver extern kunskap från webben för att förstärka sina svar, idealiskt för frågor utanför deras träningsdata.
• Utvecklarproduktivitet: Användbart i kodningsassistenter för att söka dokumentation, Stack Overflow-trådar eller senaste tekniska artiklar.
• Utbildningshjälp: Kan hjälpa till att hämta nya inlärningsresurser eller exempel för studenter och lärare.

Så här sätter du upp den

Nedan följer generella instruktioner för att integrera mcp-local-rag MCP-servern med olika MCP-klienter. Anpassa JSON-konfigurationen efter behov för din specifika klient.

Windsurf

1. Se till att du har uv (för uvx-metoden) eller Docker installerat.
2. Lokalisera din MCP-klientkonfigurationsfil (se här).
3. Lägg till följande JSON i ditt mcpServers-objekt:

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

4. Spara konfigurationen och starta om Windsurf.
5. Kontrollera att MCP-servern körs och är åtkomlig i din klient.

Claude

1. Installera uv eller Docker vid behov.
2. Öppna MCP-konfigurationen för Claude Desktop.
3. Lägg in följande i dina MCP-serverinställningar:

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

4. Spara och starta om Claude Desktop.
5. Bekräfta att “mcp-local-rag”-servern visas bland dina verktyg.

Cursor

1. Kontrollera att antingen Docker eller uv är installerat.
2. Hitta och öppna MCP-serverns konfigurationsfil för Cursor.
3. Använd Docker-konfigurationen för bättre isolering:

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

4. Spara och starta om Cursor.
5. Kontrollera MCP-serverns status i Cursors UI.

Cline

1. Installera Docker eller uv vid behov.
2. Gå till Clines MCP-serverkonfiguration (se dokumentationen).
3. Lägg till lämplig JSON-snutt (se ovan för uvx- eller Docker-exempel).
4. Spara konfigurationen och starta om Cline.
5. Kontrollera att servern listas bland tillgängliga MCP-integrationer.

Säkerställa API-nycklar

Inga externa API-nycklar krävs för mcp-local-rag, men om du behöver ange miljövariabler (för Docker eller annat), använd objektet env i din konfiguration:

{
  "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": {}
    }
  }
}

Så använder du MCP i flöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, ange dina MCP-serverdetaljer med detta JSON-format:

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

När den är konfigurerad kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att byta ut “mcp-local-rag” mot det faktiska namnet på din MCP-server och ersätta URL:en med din egen MCP-serveradress.

Översikt

Sammantaget är mcp-local-rag en enkel, integritetsvänlig MCP-server för webbsök, men saknar detaljer kring prompts/mallar, resurser och verktygsdokumentation. Den är lätt att installera och använda med de flesta klienter, men passar bäst för enkla webb-RAG-användningsfall.

MCP-poäng