MCP Local Rag

](https://codespaces.new/nkapila6/mcp-local-rag) 

mcp本地抹布

本地运行的类似RAG的“原始”网络搜索模型上下文协议（MCP）服务器。 ✨ 无API✨

一个完全在本地运行的基于RAG的网络搜索和深度研究模型上下文协议（MCP）服务器。特点是跨9+搜索后端的多引擎研究，具有语义相似性排名，不需要API键。

• 特性

- 多引擎深度研究

• 安装

- 直接通过运行 uvx -

• 代理技能
• 安全审计
• MCP客户端
• Claude Desktop上的示例

- 结果

• 贡献
• 许可证

%%{init: {'theme': 'base'}}%%
flowchart TD
    A[User] -->|1.Submits LLM Query| B[Language Model]
    B -->|2.Sends Query| C[mcp-local-rag Tool]
    
    subgraph mcp-local-rag Processing
    C -->|Search DuckDuckGo| D[Fetch 10 search results]
    D -->|Fetch Embeddings| E[Embeddings from Google's MediaPipe Text Embedder]
    E -->|Compute Similarity| F[Rank Entries Against Query]
    F -->|Select top k results| G[Context Extraction from URL]
    end
    
    G -->|Returns Markdown from HTML content| B
    B -->|3.Generated response with context| H[Final LLM Output]
    H -->|5.Present result to user| A

    classDef default stroke:#333,stroke-width:2px;
    classDef process stroke:#333,stroke-width:2px;
    classDef input stroke:#333,stroke-width:2px;
    classDef output stroke:#333,stroke-width:2px;

    class A input;
    class B,C process;
    class G output;

特性

多引擎深度研究

该服务器支持全面的多引擎研究功能，超越了简单的单查询搜索：

• 9+搜索后端：DuckDuckGo、谷歌、必应、勇敢、维基百科、雅虎、Yandex、Mojeek、Grokipedia
• 多主题研究：同时搜索多个相关查询
• 语义排名：RAG类相似性评分对最相关的结果进行排名
• 隐私选项：选择注重隐私的引擎（DuckDuckGo、Brave）或综合引擎（谷歌）
• 不需要API密钥：所有处理都在本地使用嵌入式模型运行

深度研究工具

1. deep_research -全面的多引擎研究

- 同时跨多个引擎搜索 - 非常适合需要不同视角的复杂主题 - 可定制的后端和结果限制

1. deep_research_google -谷歌聚焦深度潜水

- 利用谷歌的综合指数 - 最适合技术/科学查询

1. deep_research_ddgs -隐私第一深度研究

- 使用DuckDuckGo进行私人、广泛的研究 - 非常适合无跟踪的一般主题

1. rag_search_ddgs & rag_search_google -快速单次搜索

- 当您需要快速答案时，进行快速、集中的搜索

安装

找到您的MCP配置路径 这里 或检查您的MCP客户端设置。

直接通过运行 uvx

这是最简单快捷的方法。您需要安装 紫外线 为了使其发挥作用。

将此添加到MCP服务器配置中：

{
  "mcpServers": {
    "mcp-local-rag":{
      "command": "uvx",
        "args": [
          "--python=3.10",
          "--from",
          "git+https://github.com/nkapila6/mcp-local-rag",
          "mcp-local-rag"
        ]
      }
  }
}

使用Docker（推荐）

确保你有 码头工人 安装。

将此添加到MCP服务器配置中：

{
  "mcpServers": {
    "mcp-local-rag": {
      "command": "docker",
      "args": [
        "run",
        "--rm",
        "-i",
        "--init",
        "-e",
        "DOCKER_CONTAINER=true",
        "ghcr.io/nkapila6/mcp-local-rag:v1.0.2"
      ]
    }
  }
}

代理技能

此存储库包括 代理技能 教Claude如何有效地使用mcp本地rag工具进行智能网络搜索和深入研究。技能是Claude动态加载的指令文件夹，用于提高特定任务的性能。

可用技能

local-rag-search -向Claude教授以下方面的最佳实践：

• 智能工具选择：在快速搜索或全面深入研究之间做出选择
• 多引擎研究：使用多个搜索后端以获得不同的视角
• 有效的查询公式：编写能产生更好结果的自然语言查询
• 参数调优：调整 num_results, top_k，以及针对不同用例的后端选择
• 隐私意识搜索：默认使用以隐私为中心的引擎，同时允许在需要时进行全面搜索

深度研究用例

该技能能够使用多个搜索词和引擎进行全面的主题研究。它特别适用于利用谷歌文档覆盖范围的技术深度挖掘、比较不同搜索引擎信息的多视角分析、使用DuckDuckGo或Brave进行以隐私为重点的研究，以及通过交叉引用维基百科和其他权威来源进行事实验证。

使用技能

在克劳德桌面中：

1. 首选 设置 → 技能
2. 点击 添加技能 → 从文件夹添加
3. 选择 skills/local-rag-search/

在对话中： 加载后，只需让Claude搜索信息，它就会自动应用该技能的最佳实践。尝试以下查询：

• “对最近的量子计算发展进行深入研究”
• “寻找可持续能源解决方案的多种来源”
• “查找有关Kubernetes优化的全面技术文档”

了解有关代理技能的更多信息，请访问 人类技能库.

请参阅 技能/README.md 了解详细的使用说明和技能发展指南。

安全审计

MseeP对每个MCP服务器进行安全审计，您可以通过单击查看此MCP服务器的安全审计 这里.

MCP客户端

MCP服务器应与任何支持工具调用的MCP客户端配合使用。已在以下客户端上进行了测试。

• 克劳德桌面
• 光标
• 鹅
• 其他人？你试试！

Claude Desktop上的示例

当LLM（如Claude）被问及需要最新网络信息的问题时，它将触发 mcp-local-rag.

当被要求获取/查找/搜索网络时，模型会提示您使用MCP服务器进行聊天。

在这个例子中，我们询问了谷歌昨天发布的最新Gemma型号。这是克劳德不知道的新信息。

结果

mcp-local-rag 执行实时网络搜索，提取上下文，并将其发送回模型——为其提供新的知识：

给我买杯咖啡

如果我开发的软件对你有帮助。请给我买杯咖啡，我真的很感激！ 😄


贡献

有想法或想改进这个项目吗？欢迎问题和拉取请求！

许可证

该项目根据MIT许可证获得许可。