mcp-rag-local MCP-server

Vad gör “mcp-rag-local” MCP-servern?

mcp-rag-local MCP-servern är utformad som en minnesserver som gör det möjligt för AI-assistenter att lagra och hämta textavsnitt baserat på deras semantiska innebörd, inte bara nyckelord. Genom att utnyttja Ollama för att skapa textinbäddningar och ChromaDB för vektorlagring och likhetssökning, möjliggör den sömlös lagring (“memorering”) och hämtning av relevanta texter för en given fråga. Detta stärker AI-drivna arbetsflöden såsom kunskapshantering, kontextuell återkallning och semantisk sökning. Utvecklare kan interagera med servern för att lagra enskilda texter, flera texter eller till och med innehåll från PDF-filer, och senare hämta den mest kontextuellt relevanta informationen – vilket höjer produktiviteten och den kontextuella medvetenheten i applikationer.

Lista över prompts

• Inga explicita promptmallar nämns i repot eller dokumentationen.

Lista över resurser

• Inga explicita MCP-resurser dokumenterade i repot eller README.

Lista över verktyg

• memorize_text
  Gör det möjligt för servern att lagra ett enskilt textavsnitt för framtida semantisk hämtning.

• memorize_multiple_texts
  Möjliggör batchlagring av flera texter samtidigt för effektiv kunskapsinläsning.

• memorize_pdf_file
  Läser och extraherar upp till 20 sidor åt gången från en PDF-fil, delar upp innehållet och memorerar det för semantisk hämtning.

• retrieve_similar_texts
  Hämtar de mest relevanta lagrade textavsnitten baserat på en användares fråga, med hjälp av semantisk likhet.

(Verktygsnamn tolkade från dokumenterade användningsmönster; exakta namn kan variera i koden.)

Användningsområden för denna MCP-server

• Personlig kunskapsbas
  Utvecklare och användare kan bygga en beständig, sökbar kunskapsbas genom att memorera artiklar, anteckningar eller forskningsartiklar för semantisk återkallning.

• Dokument- och PDF-summering
  Genom att memorera hela PDF-dokument kan användare senare ställa frågor och hämta relevanta avsnitt eller sammanfattningar, vilket effektiviserar forskning och översikt.

• Samtalsminne för chattbottar
  Stärk AI-assistenter eller chattbottar med långsiktigt, kontextmedvetet minne för att ge mer sammanhängande och kontextuellt relevanta svar över tid.

• Semantisk sökmotor
  Implementera en semantisk sökfunktion i applikationer, så att användare kan hitta relevant information baserat på innebörd snarare än bara nyckelord.

• Forskning och datautforskning
  Lagra och sök bland tekniska dokument, kodsnuttar eller vetenskaplig litteratur för snabb, meningsbaserad hämtning under undersökning eller utveckling.

Hur sätter man upp det

Windsurf

1. Förutsättningar:
   • Installera uv som din Python-pakethanterare.
   • Säkerställ att Docker är installerat och igång.
2. Klona och installera:
   • Klona repot:
     git clone <repository-url>
cd mcp-rag-local
   • Installera beroenden med uv.
3. Starta tjänster:
   • Kör docker-compose up för att starta ChromaDB och Ollama.
   • Hämta inbäddningsmodellen:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Konfigurera MCP-server:
   • Lägg till i din Windsurf MCP-serverkonfiguration (t.ex. 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. Spara och starta om:
   • Spara din konfiguration och starta om Windsurf.
6. Verifiera installationen:
   • Kontrollera att servern körs och är tillgänglig.

Claude

1. Följ steg 1–3 ovan (förutsättningar, klona/installera, starta tjänster).
2. Lägg till följande i din Claude MCP-konfiguration:

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

3. Spara och starta om Claude.
4. Verifiera att servern är listad och igång.

Cursor

1. Slutför steg 1–3 (som ovan).
2. Lägg till i din Cursor-konfiguration:

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

3. Spara och starta om Cursor.
4. Kontrollera att MCP-servern är aktiv.

Cline

1. Upprepa steg 1–3 (förutsättningar, klona/installera, starta tjänster).
2. I Cline-konfigurationen, lägg till:

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

3. Spara, starta om Cline och verifiera installationen.

Skydda API-nycklar

• Använd miljövariabler i env-sektionen av din konfiguration.
• Exempel:

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

• Se till att känsliga nycklar inte hårdkodas utan hämtas från din miljö.

Hur man använder denna 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-serveruppgifter enligt detta JSON-format:

{
  "mcp-rag-local": {
    "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 ändra “mcp-rag-local” till det faktiska namnet på din MCP-server och byt ut URL:en mot din egen MCP-server-URL.

Översikt

Vår bedömning

Denna MCP är enkel och tydligt fokuserad på semantiskt minne, men saknar avancerade funktioner som promptmallar, explicita resurser eller sampling/roots-stöd. Verktyg och installation är tydliga. Bäst för enkla RAG/lokala kunskapsflöden.

MCP-poäng