convez.ai
MCP ServerBusca & PesquisaAvançado
gaiagent0

Vivo Embed — Indexador de Embeddings Multilíngue

gaiagent0/vivo-embed

Busca semântica em base de conhecimento local com Gemini + ChromaDB

Ver no GitHub
InicialPluginScore · de 0 a 100

Sistema de indexação e busca semântica em tempo real baseado em embeddings do Google Gemini com ChromaDB. Funciona como servidor MCP nativo para Claude e Hermes, oferecendo API REST para integração com qualquer aplicação. Suporta múltiplos formatos (PDF, DOCX, código, markdown) com crawling incremental multi-partição.

Instalação

$npx convez-ai gaiagent0/vivo-embed

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 5 meses
Versão
—
Issues abertas
0
Contribuidores
1

Casos de uso

  • Indexar e buscar documentação técnica em português e múltiplos idiomas
  • Integrar busca semântica em agentes Claude e Hermes via MCP
  • Construir RAG local sem dependência de serviços em nuvem caros
  • Crawlear e indexar automaticamente mudanças em arquivos e código

Veredito

Ferramenta sólida para quem precisa de busca semântica local com suporte nativo a MCP. Excelente para contexto em português e agnóstico a idioma. Requer conhecimento técnico e ambiente Windows ARM64, não é plug-and-play.

README

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

vivo-embed

Magyar Embedding Indexer Agent — Snapdragon X Elite (vivo2) gépen futó, teljes gépes tudásbázist indexelő és szemantikusan kereső rendszer.

Áttekintés

Fájlok (minden partíció)
    ↓
File Crawler (inkrementális, diff-alapú)
    ↓
Smart Chunker (magyar mondathatár-tudatos)
    ↓
Google Gemini Embedding (gemini-embedding-001, 3072 dim)
    ↓
ChromaDB (persistent, cosine similarity)
    ↓
FastAPI REST :7272  +  MCP stdio server
    ↓
Hermes Agent / Claude Code / bármely app

Főbb jellemzők

  • Embedding: gemini-embedding-001 (Google AI Studio free tier, 3072 dim, multilingual)
  • Vektor DB: ChromaDB persistent (5 collection: docs, code, notes, system, web)
  • REST API: FastAPI port 7272 — /search, /index, /status, /reindex
  • MCP szerver: stdio, JSON-RPC 2.0 — Hermes és Claude Desktop integrációhoz
  • Crawler: minden partíció (C:, D:, E:, ...), inkrementális hash-alapú diff
  • Chunker: magyar rövidítés-tudatos mondathatár felismerés
  • Extractors: PDF (pdfplumber), DOCX (python-docx), MD, TXT, PY, PS1, YAML, JSON

Gyors telepítés

git clone https://github.com/gaiagent0/vivo-embed.git C:\AI\apps\vivo-embed
cd C:\AI\apps\vivo-embed

# API key beállítása
copy .env.example .env
notepad .env  # GOOGLE_API_KEY=AIza...

# Telepítés és indítás
.\setup.ps1
.\start.ps1

API használat

# Keresés
$b = [System.Text.Encoding]::UTF8.GetBytes('{"query":"LiteLLM configuration","top_k":5}')
Invoke-WebRequest -Uri http://localhost:7272/search -Method POST `
  -Headers @{"Content-Type"="application/json"} -Body $b

# Státusz
Invoke-WebRequest -Uri http://localhost:7272/status

# Teljes újraindexelés
Invoke-WebRequest -Uri http://localhost:7272/reindex -Method POST

MCP integráció

Hermes (config.yaml)

mcp_servers:
  vivo-embed:
    command: cmd
    args: [/c, C:\AI\apps\vivo-embed\mcp_wrapper.bat]
    connect_timeout: 15
    timeout: 30

Claude Desktop (claude_desktop_config.json)

{
  "mcpServers": {
    "vivo-embed": {
      "command": "cmd",
      "args": ["/c", "C:\\AI\\apps\\vivo-embed\\mcp_wrapper.bat"]
    }
  }
}

MCP Tools

ToolLeírás
search_knowledgeSzemantikus keresés, collection filter, top_k
index_fileEgyedi fájl azonnali indexelése
get_statsCollection méret statisztikák

Projekt struktúra

vivo-embed/
├── src/vivo_embed/
│   ├── config.py              # Konfiguráció betöltő
│   ├── engines/
│   │   └── google_engine.py   # Gemini embedding (httpx REST)
│   ├── store/
│   │   └── chroma_store.py    # ChromaDB wrapper
│   ├── indexer/
│   │   ├── crawler.py         # Multi-partíció fájl crawler
│   │   ├── chunker.py         # Magyar-tudatos chunker
│   │   └── extractors.py      # PDF/DOCX/MD/code extractors
│   └── api/
│       ├── rest.py            # FastAPI REST
│       └── mcp_server.py      # MCP stdio szerver
├── src/main.py                # Belépési pont
├── config.yaml                # Fő konfig
├── requirements.txt
├── setup.ps1                  # Egyszeri telepítés
├── start.ps1                  # Szerver indítás
└── mcp_wrapper.bat            # MCP launcher (Hermes/Claude)

Követelmények

  • Windows 11 ARM64 (Snapdragon X Elite) vagy x64
  • Python 3.12+
  • uv csomagkezelő
  • Google AI Studio API key (ingyenes: aistudio.google.com)

Teljesítmény

MetrikaÉrték
Embedding modelgemini-embedding-001
Dimenzió3072
Batch méret20 chunk/kérés
Rate limit (free)~1500 kérés/nap
ChromaDB hasonlóságcosine
Keresési válaszidő~1-2s

Kapcsolódó projektek

Licenc

MIT

Ver o original no GitHub

Bom para

Relacionados