RAG MCP Server
sglwsjxh/rag-mcp
RAG com busca vetorial e reranking para bases de conhecimento locais
Ver no GitHubServidor MCP que implementa retrieval-augmented generation (RAG) com busca vetorial e reranking de documentos. Permite criar múltiplas bases de conhecimento locais com suporte a multimodal, armazenando vetores e arquivos no disco. Compatível com qualquer plataforma que suporte protocolo MCP.
Instalação
npx convez-ai sglwsjxh/rag-mcp1 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
Casos de uso
- Integrar RAG em aplicações Claude via MCP
- Manter múltiplas bases de conhecimento especializadas
- Busca semântica com reranking em documentos locais
Veredito

Implementação robusta de RAG em formato MCP com arquitetura bem definida e suporte a modelos multimodais. Adequado para quem precisa de busca semântica local sem depender de serviços na nuvem, mas requer configuração de APIs externas para embedding e reranking.
README
A tradução para o português deste README ainda está na fila.
RAG MCP Server
一个 RAG 知识库的 MCP server,给 opencode 加上向量检索和重排能力
本项目开发目的是为了在 opencode 中使用 rag 文档检索功能,但是使用的是标准的 mcp 格式,理论上在任何支持 mcp 的平台上都能用
设计架构
- 多模态支持:可以采用 VL 的向量和重排模型
- 多知识库:可以建多个知识库,分类存放不同类型的文档
- 本地存储:向量数据和源文件都保存在本地
- 图片 URL 支持:得益于
openai统一接口,base64 和 url 都支持且可以混用
┌──────────┐ ┌──────────────────────────────────────────────────┐
│ Opencode │ ──────> │ RAG MCP Server │
│ (Client) │ │ │
└──────────┘ │ ┌────────┐ ┌──────────┐ ┌───────────┐ │
│ │ Router │ ───> │ Embedder │ ──> │ Chroma DB │ │
│ └────────┘ └──────────┘ └───────────┘ │
│ │ │ │ │
│ │ └─────────────────┘ │
│ │ │ │
│ │ ┌──────────┐ │
│ └──────────────────> │ Search │ │
│ └──────────┘ │
│ │ │
│ ┌──────────┐ │
│ │ Rerank │ │
│ └──────────┘ │
└────────────────────────────────┼─────────────────┘
│
┌─────────────────────┐
│ Matched Docs │
│ + Context + Answer │
└─────────────────────┘
安装
git clone https://github.com/sglwsjxh/rag-mcp.git
cd rag-mcp
python -m venv venv
.\venv\Scripts\activate
pip install -e .
配置
复制 .env.example 到 .env
cp .env.example .env
填上 API key:
EMBEDDING_BASEURL=https://openrouter.ai/api/v1
EMBEDDING_MODEL=nvidia/llama-nemotron-embed-vl-1b-v2:free
EMBEDDING_API_KEY=sk-or-...
RERANK_BASEURL=https://ai.api.nvidia.com/v1
RERANK_MODEL=nvidia/llama-nemotron-rerank-vl-1b-v2
RERANK_API_KEY=nvapi-...
DATABASE_PATH=./database
推荐使用
OpenRouter和NVIDIA的免费模型,但是任何openai兼容的模型都可使用
注册到 opencode
在 ~/.config/opencode/opencode.json 里加这段:
{
"mcp": {
"rag": {
"enabled": true,
"type": "local",
"command": [
"C:/path/to/rag-mcp/venv/Scripts/python.exe",
"-m",
"rag_mcp"
]
}
}
}
重启 opencode,就能直接调这六个工具:
list_knowledge_bases- 列出所有知识库add_database- 新建知识库add_file- 往知识库里加文件search- 搜索知识库delete_file- 删除某个文件delete_database- 删除整个知识库
数据目录结构
database/
├── index.json # 知识库列表和元信息
├── python/ # 单文件夹知识库
│ ├── chroma_db/
│ └── assets/
├── cpp/
│ ├── chroma_db/
│ └── assets/
└── ...