mcp-rag-local MCP 服务器

“mcp-rag-local” MCP 服务器的作用是什么？

mcp-rag-local MCP 服务器设计为一款记忆服务器，使 AI 助手能够基于语义含义而非仅仅关键词存储和检索文本片段。它依赖 Ollama 生成文本嵌入，利用 ChromaDB 进行向量存储与相似度检索，实现针对特定查询的无缝存储（“记忆”）与相关文本检索。这为知识管理、上下文回忆和语义搜索等 AI 驱动工作流赋能。开发者可与服务器交互，存储单条、多条文本或 PDF 文件内容，随后检索与上下文最相关的信息，显著提升应用的生产力与上下文智能。

提示词列表

• 仓库或文档中未明确给出提示模板。

准备好发展您的业务了吗？

今天开始免费试用，几天内即可看到结果。

申请演示 登录

资源列表

• 仓库或 README 未记录任何显式 MCP 资源。

工具列表

• memorize_text
  允许服务器存储一条文本，便于日后按语义检索。

• memorize_multiple_texts
  支持批量存储多条文本，方便知识批量导入。

• memorize_pdf_file
  每次读取并提取 PDF 文件最多 20 页，将内容分块并记忆，便于语义检索。

• retrieve_similar_texts
  基于用户查询，按语义相似度检索最相关的已存文本片段。

（工具名称根据文档用法推断，实际代码中可能略有不同。）

加入我们的新闻通讯

免费获取最新提示、趋势和优惠。

电子邮件地址

订阅

此 MCP 服务器的应用场景

• 个人知识库
  开发者和用户可通过记忆文章、笔记或论文，构建持久且可检索的语义知识库。

• 文档与 PDF 摘要
  记忆整个 PDF 文档后，用户可随时查询相关章节或摘要，提升研究与复习效率。

• 聊天机器人会话记忆
  让 AI 助手/聊天机器人具备长期、上下文感知的记忆能力，生成更连贯、更相关的回复。

• 语义搜索引擎
  在应用中实现语义搜索功能，让用户基于含义而非关键词找到所需信息。

• 科研与数据探索
  存储和检索技术文档、代码片段或学术资料，实现含义驱动的高效查找。

部署方法

Windsurf

1. 前置条件：
   • 安装 uv 作为 Python 包管理工具。
   • 确保 Docker 已安装并运行。
2. 克隆与安装：
   • 克隆仓库：
     git clone <repository-url>
cd mcp-rag-local
   • 使用 uv 安装依赖。
3. 启动服务：
   • 运行 docker-compose up 启动 ChromaDB 和 Ollama。
   • 拉取嵌入模型：
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. 配置 MCP 服务器：
   • 在 Windsurf 的 MCP 服务器配置中添加（如 mcpServers）：

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

5. 保存与重启：
   • 保存配置并重启 Windsurf。
6. 验证安装：
   • 检查服务器是否运行并可访问。

Claude

1. 完成上述第 1–3 步（前置条件、克隆/安装、启动服务）。
2. 在 Claude MCP 配置中添加如下内容：

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

3. 保存并重启 Claude。
4. 确认服务器已被识别并运行。

Cursor

1. 完成第 1–3 步（同上）。
2. 在 Cursor 配置中添加：

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

3. 保存并重启 Cursor。
4. 检查 MCP 服务器是否工作正常。

Cline

1. 重复第 1–3 步（前置条件、克隆/安装、启动服务）。
2. 在 Cline 配置文件中加入：

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

3. 保存、重启 Cline，并验证部署情况。

API 密钥安全建议

• 在配置的 env 部分使用环境变量。
• 示例：

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

• 请确保敏感密钥不被硬编码，而是通过环境变量引用。

在 FlowHunt 流程中使用 MCP

在 FlowHunt 中集成 MCP 服务器，请先在你的流程中添加 MCP 组件，并将其与 AI 代理连接：

点击 MCP 组件打开配置面板。在系统 MCP 配置区，使用如下 JSON 格式填写你的 MCP 服务器信息：

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

配置完成后，AI 代理即可作为工具调用此 MCP 的全部功能。请记得将 “mcp-rag-local” 替换为你的实际 MCP 服务器名，并填写你自己的 MCP 服务器 URL。

总览

我们的看法

该 MCP 简洁专注于语义记忆，但缺乏高级特性如提示模板、显式资源或采样/roots 支持。工具与安装说明清晰，非常适合简单的 RAG/本地知识工作流。

MCP 评分