mcp-local-rag MCP Server

Co robi serwer MCP “mcp-local-rag”?

mcp-local-rag MCP Server to „prymitywny” serwer Model Context Protocol (MCP) typu Retrieval-Augmented Generation (RAG), który działa lokalnie bez potrzeby korzystania z zewnętrznych API. Jego główną funkcją jest połączenie asystentów AI z internetem jako źródłem danych, umożliwiając dużym modelom językowym (LLM) wykonywanie wyszukiwań internetowych, pobieranie i osadzanie wyników oraz wyodrębnianie istotnych treści — wszystko w środowisku lokalnym z poszanowaniem prywatności. Serwer zarządza tym procesem, przesyłając zapytania użytkownika do wyszukiwarki (DuckDuckGo), pobierając wiele wyników, porównując je pod względem podobieństwa z użyciem Google MediaPipe Text Embedder oraz wyciągając istotny kontekst ze stron. Dzięki temu deweloperzy i klienci AI mają dostęp do aktualnych informacji z sieci, co wzbogaca workflow takie jak badania, tworzenie treści czy odpowiadanie na pytania — bez konieczności korzystania z zamkniętych API sieciowych.

Lista promptów

W repozytorium ani dokumentacji nie ma wyszczególnionych szablonów promptów.

Lista zasobów

W dostępnych materiałach repozytorium nie opisano żadnych jawnych „zasobów” MCP.

Lista narzędzi

W plikach ani dokumentacji nie wymieniono bezpośrednio żadnych narzędzi MCP.

Przykładowe zastosowania tego serwera MCP

• Wyszukiwanie internetowe w czasie rzeczywistym dla LLM-ów: Umożliwia asystentom AI dostęp do bieżących informacji z internetu, zwiększając aktualność i trafność odpowiedzi w badaniach czy zapytaniach newsowych.
• Podsumowywanie treści: Pozwala LLM-om pobierać strony www i wyodrębniać z nich kontekst, wspierając podsumowania i fact-checking.
• Retrieval-Augmented Generation: Obsługuje workflow wymagające wsparcia odpowiedzi LLM o wiedzę z internetu, idealny do pytań wybiegających poza dane treningowe.
• Wsparcie produktywności deweloperskiej: Przydatny w asystentach kodowania do przeszukiwania dokumentacji, wątków Stack Overflow czy najnowszych artykułów technicznych.
• Wsparcie edukacyjne: Pomaga pozyskiwać świeże materiały lub przykłady dla uczniów i nauczycieli.

Jak to skonfigurować

Poniżej znajdziesz ogólne instrukcje integracji mcp-local-rag MCP Server z różnymi klientami MCP. Dostosuj JSON konfiguracyjny do swojego środowiska.

Windsurf

1. Upewnij się, że masz zainstalowane uv (dla metody uvx) lub Dockera.
2. Zlokalizuj plik konfiguracyjny swojego klienta MCP (zob. tutaj).
3. Dodaj poniższy fragment JSON do sekcji mcpServers:

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

4. Zapisz konfigurację i zrestartuj Windsurf.
5. Zweryfikuj, czy serwer MCP działa i jest widoczny w Twoim kliencie.

Claude

1. Zainstaluj uv lub Dockera.
2. Otwórz konfigurację MCP dla Claude Desktop.
3. Wstaw poniższy fragment do ustawień serwera MCP:

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

4. Zapisz i zrestartuj Claude Desktop.
5. Sprawdź, czy serwer “mcp-local-rag” pojawił się na liście narzędzi.

Cursor

1. Upewnij się, że masz zainstalowanego Dockera lub uv.
2. Znajdź i otwórz plik konfiguracyjny MCP dla Cursor.
3. Skorzystaj z konfiguracji Docker dla lepszej izolacji:

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

4. Zapisz i zrestartuj Cursor.
5. Sprawdź status serwera MCP w interfejsie Cursor.

Cline

1. Zainstaluj Dockera lub uv.
2. Otwórz konfigurację MCP w Cline (patrz dokumentacja Cline).
3. Dodaj odpowiedni fragment JSON (przykład uvx lub Docker powyżej).
4. Zapisz konfigurację i zrestartuj Cline.
5. Upewnij się, że serwer znajduje się na liście integracji MCP.

Zabezpieczanie kluczy API

Dla mcp-local-rag nie są wymagane żadne zewnętrzne klucze API, ale jeśli chcesz ustawić zmienne środowiskowe (np. dla Dockera), użyj obiektu env w konfiguracji:

{
  "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": {}
    }
  }
}

Jak użyć tego MCP we flow

Używanie MCP w FlowHunt

Aby zintegrować serwery MCP z workflow w FlowHunt, zacznij od dodania komponentu MCP do swojego flow i połączenia go z agentem AI:

Kliknij na komponent MCP, by otworzyć panel konfiguracji. W sekcji konfiguracji systemowej MCP wklej dane swojego serwera MCP w następującym formacie JSON:

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

Po skonfigurowaniu agent AI będzie mógł używać tego MCP jako narzędzia ze wszystkimi jego funkcjami i możliwościami. Pamiętaj, by zmienić “mcp-local-rag” na faktyczną nazwę swojego serwera MCP i podstawić własny adres URL.

Przegląd

Podsumowując, mcp-local-rag to prosty, dbający o prywatność serwer MCP do wyszukiwania sieciowego, ale brakuje mu szczegółów w dokumentacji promptów, zasobów i narzędzi. Jest łatwy w konfiguracji i użyciu z głównymi klientami, najlepiej sprawdza się w prostych przypadkach użycia web RAG.

Ocena MCP