mcp-rag-local Servidor MCP

O que faz o Servidor MCP “mcp-rag-local”?

O mcp-rag-local Servidor MCP foi projetado como um servidor de memória que permite a assistentes de IA armazenar e recuperar passagens de texto com base no significado semântico, e não apenas em palavras-chave. Aproveitando o Ollama para gerar embeddings de texto e o ChromaDB para armazenamento vetorial e busca por similaridade, permite o armazenamento (“memorização”) fluido e a recuperação de textos relevantes para uma determinada consulta. Isso potencializa fluxos de trabalho guiados por IA como gestão do conhecimento, recordação contextual e busca semântica. Desenvolvedores podem interagir com o servidor para armazenar textos individuais, múltiplos textos ou até conteúdos de arquivos PDF, e posteriormente recuperar as informações mais relevantes, aumentando a produtividade e consciência contextual em aplicações.

Lista de Prompts

• Nenhum template explícito de prompt é mencionado no repositório ou documentação.

Lista de Recursos

• Nenhum recurso MCP explícito está documentado no repositório ou README.

Lista de Ferramentas

• memorize_text
  Permite ao servidor armazenar uma passagem de texto para futura recuperação semântica.

• memorize_multiple_texts
  Habilita o armazenamento em lote de vários textos de uma só vez, facilitando a ingestão em massa de conhecimento.

• memorize_pdf_file
  Lê e extrai até 20 páginas por vez de um arquivo PDF, fragmenta o conteúdo e o memoriza para recuperação semântica.

• retrieve_similar_texts
  Recupera as passagens de texto armazenadas mais relevantes com base em uma consulta do usuário, usando similaridade semântica.

(Nomes das ferramentas inferidos a partir dos padrões de uso documentados; nomes exatos podem variar no código.)

Casos de Uso deste Servidor MCP

• Base de Conhecimento Pessoal
  Desenvolvedores e usuários podem construir uma base de conhecimento persistente e pesquisável memorizando artigos, anotações ou artigos científicos para recordação semântica.

• Sumarização de Documentos e PDFs
  Ao memorizar documentos PDF inteiros, usuários podem posteriormente consultar e recuperar seções ou resumos relevantes, otimizando pesquisas e revisões.

• Memória Conversacional para Chatbots
  Aprimore assistentes de IA ou chatbots com memória de longo prazo e sensível ao contexto para fornecer respostas mais coerentes e relevantes ao longo do tempo.

• Motor de Busca Semântica
  Implemente uma função de busca semântica em aplicações, permitindo que usuários encontrem informações relevantes pelo significado, não apenas por palavras-chave.

• Pesquisa e Exploração de Dados
  Armazene e consulte documentos técnicos, trechos de código ou literatura científica para recuperação rápida e baseada em significado durante investigações ou desenvolvimento.

Como configurar

Windsurf

1. Pré-requisitos:
   • Instale o uv como seu gerenciador de pacotes Python.
   • Certifique-se de que o Docker está instalado e em execução.
2. Clone e Instale:
   • Clone o repositório:
     git clone <repository-url>
cd mcp-rag-local
   • Instale as dependências usando o uv.
3. Inicie os Serviços:
   • Execute docker-compose up para iniciar o ChromaDB e o Ollama.
   • Baixe o modelo de embedding:
     docker exec -it ollama ollama pull all-minilm:l6-v2
4. Configure o Servidor MCP:
   • Adicione à configuração do servidor MCP no Windsurf (ex: em mcpServers):

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

5. Salve e Reinicie:
   • Salve sua configuração e reinicie o Windsurf.
6. Verifique a Instalação:
   • Confirme que o servidor está em execução e acessível.

Claude

1. Siga as etapas 1–3 acima (pré-requisitos, clone/instale, inicie os serviços).
2. Adicione o seguinte à configuração MCP do 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. Salve e reinicie o Claude.
4. Verifique se o servidor está listado e em execução.

Cursor

1. Complete as etapas 1–3 (como acima).
2. Adicione à configuração do 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. Salve e reinicie o Cursor.
4. Verifique se o servidor MCP está operacional.

Cline

1. Repita as etapas 1–3 (pré-requisitos, clone/instale, inicie os serviços).
2. Na configuração do Cline, adicione:

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

3. Salve, reinicie o Cline e verifique a instalação.

Protegendo Chaves de API

• Use variáveis de ambiente na seção env da sua configuração.
• Exemplo:

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

• Certifique-se de que chaves sensíveis não estão hardcoded, mas referenciadas do seu ambiente.

Como usar este MCP em fluxos

Utilizando MCP no FlowHunt

Para integrar servidores MCP ao seu fluxo de trabalho no FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração do MCP do sistema, insira os detalhes do seu servidor MCP usando este formato JSON:

{
  "mcp-rag-local": {
    "transport": "streamable_http",
    "url": "https://seumcpserver.exemplo/caminhoparamcp/url"
  }
}

Uma vez configurado, o agente de IA poderá usar este MCP como ferramenta com acesso a todas as suas funções e capacidades. Lembre-se de alterar “mcp-rag-local” para o nome real do seu servidor MCP e substituir a URL pela URL do seu MCP.

Visão Geral

Nossa opinião

Este MCP é direto e bem focado em memória semântica, mas carece de recursos avançados como templates de prompt, recursos explícitos ou suporte a sampling/roots. Ferramentas e configuração são claras. Melhor para fluxos simples de RAG/conhecimento local.

Pontuação do MCP