convez.ai
MCP ServerBusca & PesquisaAvançado
aabdelrahim

Docs RAG

aabdelrahim/docs-rag

RAG local para documentação — busca semântica em design docs via MCP

Ver no GitHub
InicialPluginScore · de 0 a 100

Servidor MCP que indexa documentos Markdown em ChromaDB e expõe busca semântica para Claude via MCP. Ideal para criar bases de conhecimento locais (design docs, specs, notas) consultáveis em linguagem natural sem copiar contexto manualmente.

Instalação

$npx convez-ai aabdelrahim/docs-rag

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
0
Forks
0
Acompanhando
0
Saúde
28%
Último commit
há 1 dia
Versão
—
Issues abertas
1
Contribuidores
1

Casos de uso

  • Indexar e consultar documentação técnica de projetos (design docs, specs, netcode)
  • Construir base de conhecimento pessoal em markdown consultável por Claude
  • Recuperar respostas contextualizadas de notas sem copiar arquivos inteiros

Veredito

Implementação sólida de RAG local com MCP — embeddings via Ollama, ChromaDB persistent, integração nativa com Claude Code. Excelente para desenvolvedores que precisam consultar documentação técnica durante coding sem overhead de APIs externas.

README

A tradução para o português deste README ainda está na fila.

docs-rag

A RAG (Retrieval-Augmented Generation) MCP server that indexes a directory of Markdown files into a local ChromaDB vector store and exposes semantic search to Claude Code via the Model Context Protocol.

Built as a game design knowledge base for Esforleeg — indexes design docs, movement system specs, netcode notes, and session notes so they can be queried in plain English during development without copy-pasting files into context.

What it demonstrates

  • RAG pipeline end-to-end: chunking → embedding → vector storage → retrieval
  • MCP tool server exposing AI capabilities to Claude Code
  • Local-first: embeddings via nomic-embed-text on Ollama, no external API calls for indexing
  • ChromaDB for persistent local vector storage with cosine similarity

Architecture

Markdown files (~/infra-config/docs/)
    │
    ▼ chunk (800 chars, 100 overlap)
nomic-embed-text (Ollama on local GPU)
    │
    ▼
ChromaDB (~/.local/share/docs-rag/chroma/)
    │
    ▼ cosine similarity search
MCP tools (search_docs, list_docs, reindex_docs)
    │
    ▼
Claude Code (retrieves grounded answers from design docs)

Tools

ToolDescription
search_docsSemantic search — returns ranked chunks with relevance scores
list_docsList all indexed documents
reindex_docsRe-index all files (run after edits)

Example queries (in Claude Code)

  • "What did I decide about stamina regeneration rate?"
  • "What are the movement states and transitions?"
  • "What's the rollback netcode plan for Esforleeg?"
  • "Which AI portfolio project should I build next?"

Setup

python3 -m venv .venv
.venv/bin/pip install mcp chromadb httpx

# Requires Ollama running with nomic-embed-text pulled:
# ollama pull nomic-embed-text

Add to ~/.mcp.json:

{
  "mcpServers": {
    "docs-rag": {
      "command": "/path/to/.venv/bin/python",
      "args": ["/path/to/server.py"],
      "env": {
        "DOCS_PATH": "/path/to/your/docs",
        "OLLAMA_URL": "http://localhost:11434",
        "EMBED_MODEL": "nomic-embed-text"
      }
    }
  }
}

Results

Indexes ~15 design documents (~3,500 lines total) into ~180 chunks in under 30 seconds on first run. Subsequent searches return in <100ms locally.

Ver o original no GitHub

Bom para

Relacionados