mcp-rag-local MCP Sunucusu

“mcp-rag-local” MCP Sunucusu ne işe yarar?

mcp-rag-local MCP Sunucusu, yapay zeka asistanlarının metin pasajlarını sadece anahtar kelimelerle değil, anlamına göre depolayıp geri çağırmasını sağlayan bir bellek sunucusu olarak tasarlanmıştır. Metin gömme (embedding) için Ollama’yı, vektör depolama ve benzerlik araması için ChromaDB’yi kullanarak, ilgili metinlerin soruya göre kolayca (“ezberleme” yoluyla) depolanıp geri getirilmesini mümkün kılar. Bu sayede bilgi yönetimi, bağlamsal hatırlama ve anlamsal arama gibi yapay zeka tabanlı iş akışlarını güçlendirir. Geliştiriciler; tekil metinleri, çoklu metinleri veya PDF dosyalarının içeriklerini sunucuya depolayabilir ve daha sonra bağlamsal olarak en alakalı bilgileri geri alabilir. Bu, uygulamalarda üretkenliği ve bağlamsal farkındalığı artırır.

Prompt Listesi

• Depoda veya dokümantasyonda açık bir prompt şablonu belirtilmemiştir.

Kaynak Listesi

• Depoda veya README dosyasında açık bir MCP kaynağı belgelenmemiştir.

Araç Listesi

• memorize_text
  Sunucunun tek bir metin pasajını daha sonra anlamsal olarak geri çağırmak üzere depolamasını sağlar.

• memorize_multiple_texts
  Birden fazla metnin topluca depolanmasını sağlar; toplu bilgi içe aktarımını kolaylaştırır.

• memorize_pdf_file
  Bir PDF dosyasından aynı anda en fazla 20 sayfa okur ve çıkarır, içeriği parçalara ayırır ve anlamsal geri çağırma için ezberler.

• retrieve_similar_texts
  Kullanıcının sorgusuna göre en alakalı depolanmış metin pasajlarını, anlamsal benzerlik kullanarak geri getirir.

(Araç adları belgelenen kullanım örneklerinden çıkarılmıştır; kodda tam isimler farklılık gösterebilir.)

Bu MCP Sunucusunun Kullanım Alanları

• Kişisel Bilgi Tabanı
  Geliştiriciler ve kullanıcılar, makaleleri, notları veya akademik çalışmaları ezberleyerek kalıcı ve aranabilir bir bilgi tabanı oluşturabilir.

• Belge ve PDF Özetleme
  PDF belgelerini tamamen ezberleyerek, kullanıcılar daha sonra ilgili bölümleri veya özetleri sorgulayıp geri alabilir; araştırma ve inceleme kolaylaşır.

• Chatbot’lar için Konuşma Belleği
  Yapay zeka asistanlarına veya chatbot’lara uzun vadeli, bağlamsal olarak farkında bir bellek ekleyerek, zaman içinde daha tutarlı ve alakalı yanıtlar vermeleri sağlanır.

• Anlamsal Arama Motoru
  Uygulamalarda anlamsal arama özelliği ekleyerek, kullanıcıların anahtar kelimeye değil, anlamına göre bilgi bulmalarını sağlar.

• Araştırma ve Veri Keşfi
  Teknik belgeler, kod parçaları veya bilimsel yayınları depolayarak; araştırma veya geliştirme sırasında hızlı, anlam bazlı geri çağırma yapılabilir.

Kurulum Nasıl Yapılır

Windsurf

1. Ön Koşullar:
   • Python paket yöneticisi olarak uv kurun.
   • Docker’ın kurulu ve çalışır olduğundan emin olun.
2. Klonla ve Yükle:
   • Depoyu klonlayın:
     git clone <repository-url>
cd mcp-rag-local
   • Bağımlılıkları uv ile yükleyin.
3. Servisleri Başlat:
   • ChromaDB ve Ollama’yı başlatmak için docker-compose up komutunu çalıştırın.
   • Embedding modelini çekin:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. MCP Sunucusunu Yapılandır:
   • Windsurf MCP sunucu yapılandırmasına ekleyin (ör. mcpServers içinde):

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

5. Kaydet ve Yeniden Başlat:
   • Yapılandırmanızı kaydedin ve Windsurf’ü yeniden başlatın.
6. Kurulumu Doğrulayın:
   • Sunucunun çalışıp çalışmadığını ve erişilebilir olduğunu kontrol edin.

Claude

1. Yukarıdaki 1–3 adımlarını izleyin (ön koşullar, klonla/yükle, servisleri başlat).
2. Claude MCP yapılandırmanıza şunu ekleyin:

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

3. Kaydedin ve Claude’u yeniden başlatın.
4. Sunucunun listede ve çalışır olduğunu doğrulayın.

Cursor

1. 1–3. adımları tamamlayın (yukarıdaki gibi).
2. Cursor yapılandırmanıza şunu ekleyin:

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

3. Kaydedin ve Cursor’ı yeniden başlatın.
4. MCP sunucusunun çalıştığını kontrol edin.

Cline

1. 1–3. adımları tekrarlayın (ön koşullar, klonla/yükle, servisleri başlat).
2. Cline yapılandırmanıza şunu ekleyin:

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

3. Kaydedin, Cline’ı yeniden başlatın ve kurulumu doğrulayın.

API Anahtarlarını Güvenceye Almak

• Yapılandırmanızın env bölümünde ortam değişkenleri kullanın.
• Örnek:

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

• Hassas anahtarların kodda sabitlenmediğinden, ortamdan referanslandığından emin olun.

Bu MCP Nasıl Akışlarda Kullanılır

FlowHunt’ta MCP Kullanımı

MCP sunucularını FlowHunt iş akışınıza entegre etmek için, önce MCP bileşenini akışınıza ekleyin ve yapay zeka ajanınıza bağlayın:

MCP bileşenine tıklayarak yapılandırma panelini açın. Sistem MCP yapılandırması bölümünde MCP sunucu bilgilerinizi şu JSON formatında ekleyin:

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

Yapılandırma tamamlandığında, yapay zeka ajanın bu MCP’yi tüm fonksiyon ve yetenekleriyle bir araç olarak kullanabilir. “mcp-rag-local” ismini gerçek MCP sunucu adınızla, URL’yi de kendi MCP sunucu adresinizle değiştirmeniz gerektiğini unutmayın.

Genel Bakış

Bizim Görüşümüz

Bu MCP, anlamsal bellek odaklı ve anlaşılır bir yapıya sahip; gelişmiş özellikler (prompt şablonları, açık kaynaklar, sampling/roots desteği) eksik. Araçlar ve kurulum açıkça anlatılmış. Basit RAG/yerel bilgi iş akışları için en ideal tercih.

MCP Skoru