mcp-rag-local Máy chủ MCP

Máy chủ “mcp-rag-local” MCP làm gì?

mcp-rag-local MCP Server được thiết kế như một máy chủ bộ nhớ cho phép trợ lý AI lưu trữ và truy xuất các đoạn văn bản dựa trên ý nghĩa ngữ nghĩa, không chỉ từ khóa. Với Ollama để tạo embedding văn bản và ChromaDB để lưu trữ vector và tìm kiếm tương đồng, máy chủ giúp lưu trữ (“ghi nhớ”) và truy xuất các văn bản liên quan cho một truy vấn bất kỳ. Điều này nâng cao các quy trình AI như quản lý tri thức, ghi nhớ theo ngữ cảnh và tìm kiếm ngữ nghĩa. Lập trình viên có thể tương tác với máy chủ để lưu từng đoạn văn, nhiều đoạn văn hoặc thậm chí nội dung file PDF, và sau đó truy xuất thông tin liên quan nhất theo ngữ cảnh, gia tăng hiệu quả và nhận thức ngữ cảnh cho ứng dụng.

Danh sách Prompt

• Không có template prompt cụ thể nào được đề cập trong repo hoặc tài liệu.

Danh sách Tài nguyên

• Không có tài nguyên MCP cụ thể nào được ghi nhận trong repo hoặc README.

Danh sách Công cụ

• memorize_text
  Cho phép máy chủ lưu trữ một đoạn văn bản để truy xuất ngữ nghĩa sau này.

• memorize_multiple_texts
  Cho phép lưu trữ hàng loạt nhiều đoạn văn cùng lúc, hỗ trợ nhập tri thức số lượng lớn.

• memorize_pdf_file
  Đọc và trích xuất tối đa 20 trang mỗi lần từ file PDF, chia nhỏ nội dung và ghi nhớ để truy xuất ngữ nghĩa.

• retrieve_similar_texts
  Truy xuất các đoạn văn liên quan nhất đã lưu dựa trên truy vấn của người dùng, sử dụng tương đồng ngữ nghĩa.

(Tên công cụ suy luận từ các mẫu sử dụng được ghi nhận; tên thực tế có thể thay đổi trong mã nguồn.)

Các trường hợp sử dụng MCP Server này

• Cơ sở tri thức cá nhân
  Nhà phát triển và người dùng có thể xây dựng cơ sở tri thức bền vững, có thể tìm kiếm bằng cách ghi nhớ bài báo, ghi chú, tài liệu nghiên cứu để truy xuất ngữ nghĩa.

• Tóm tắt tài liệu và PDF
  Bằng cách ghi nhớ toàn bộ tài liệu PDF, người dùng có thể truy vấn và truy xuất các phần hoặc bản tóm tắt liên quan, giúp nghiên cứu và tổng hợp nhanh chóng.

• Bộ nhớ hội thoại cho chatbot
  Nâng cao trợ lý AI hoặc chatbot với bộ nhớ dài hạn, nhận biết ngữ cảnh, mang lại phản hồi mạch lạc, phù hợp hơn theo thời gian.

• Công cụ tìm kiếm ngữ nghĩa
  Triển khai tính năng tìm kiếm ngữ nghĩa trong ứng dụng, cho phép người dùng tìm thông tin dựa trên ý nghĩa chứ không chỉ từ khóa.

• Khám phá nghiên cứu và dữ liệu
  Lưu trữ và truy vấn tài liệu kỹ thuật, đoạn mã hoặc tài liệu khoa học để truy xuất nhanh chóng, dựa vào ý nghĩa khi điều tra hoặc phát triển.

Cách thiết lập

Windsurf

1. Điều kiện tiên quyết:
   • Cài đặt uv làm trình quản lý gói Python.
   • Đảm bảo đã cài đặt và bật Docker.
2. Clone và Cài đặt:
   • Clone repo:
     git clone <repository-url>
cd mcp-rag-local
   • Cài đặt phụ thuộc bằng uv.
3. Khởi động Dịch vụ:
   • Chạy docker-compose up để khởi động ChromaDB và Ollama.
   • Kéo mô hình embedding:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Cấu hình Máy chủ MCP:
   • Thêm vào cấu hình MCP của Windsurf (ví dụ trong mcpServers):

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

5. Lưu và Khởi động lại:
   • Lưu cấu hình và khởi động lại Windsurf.
6. Kiểm tra Thiết lập:
   • Xác nhận máy chủ đang chạy và truy cập được.

Claude

1. Thực hiện các bước 1–3 ở trên (điều kiện tiên quyết, clone/cài đặt, khởi động dịch vụ).
2. Thêm vào cấu hình MCP của Claude:

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

3. Lưu và khởi động lại Claude.
4. Kiểm tra máy chủ đã được liệt kê và hoạt động.

Cursor

1. Thực hiện các bước 1–3 (như trên).
2. Thêm vào cấu hình 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. Lưu và khởi động lại Cursor.
4. Kiểm tra MCP server đã hoạt động.

Cline

1. Thực hiện lại các bước 1–3 (điều kiện tiên quyết, clone/cài đặt, khởi động dịch vụ).
2. Trong cấu hình Cline, thêm:

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

3. Lưu, khởi động lại Cline và kiểm tra thiết lập.

Bảo mật API Key

• Sử dụng biến môi trường trong phần env của cấu hình.
• Ví dụ:

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

• Đảm bảo các key nhạy cảm không bị hardcode mà tham chiếu từ môi trường hệ điều hành.

Cách sử dụng MCP này trong Flow

Sử dụng MCP trong FlowHunt

Để tích hợp máy chủ MCP vào quy trình FlowHunt, hãy thêm thành phần MCP vào flow và kết nối với agent AI của bạn:

Nhấp vào thành phần MCP để mở bảng cấu hình. Trong phần cấu hình MCP hệ thống, chèn thông tin máy chủ MCP của bạn sử dụng định dạng JSON sau:

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

Sau khi cấu hình, agent AI có thể sử dụng MCP này như một công cụ với đầy đủ chức năng. Hãy nhớ thay “mcp-rag-local” thành tên thực tế của MCP server bạn sử dụng và thay URL bằng URL máy chủ MCP của bạn.

Tổng quan

Đánh giá của chúng tôi

MCP này đơn giản, tập trung vào bộ nhớ ngữ nghĩa, nhưng thiếu các tính năng nâng cao như template prompt, tài nguyên rõ ràng, hoặc hỗ trợ sampling/roots. Bộ công cụ và hướng dẫn thiết lập rõ ràng. Phù hợp nhất cho các quy trình RAG/tri thức cục bộ đơn giản.

Điểm MCP