convez.ai
MCP ServerBusca & PesquisaIntermediário
sglwsjxh

RAG MCP Server

sglwsjxh/rag-mcp

RAG com busca vetorial e reranking para bases de conhecimento locais

Ver no GitHub
InicialPluginScore · de 0 a 100

Servidor 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-mcp

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
1
Forks
0
Acompanhando
0
Saúde
42%
Último commit
há 5 meses
Versão
v1.0.2
Issues abertas
0
Contribuidores
1

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/
└── ...

许可证

MIT License

Ver o original no GitHub

Bom para

Relacionados