mcp-ragchat
An MCP server that adds RAG-powered AI chat to any website. One command from Claude Code.
______________________________________________________________________
告诉克劳德密码 _“将AI聊天添加到mysite.com”_ 它会抓取你的内容，构建一个本地矢量存储，启动一个聊天服务器，并向你提供一个嵌入片段。下面没有云。没有数据库。只有一个API密钥。
演示
You: "Set up AI chat for mybakery.com using this FAQ and menu content"
Claude: I'll set up RAG-powered chat for mybakery.com.
[1/4] ragchat_setup
Splitting content into sections...
Generating embeddings for 12 documents...
Domain "mybakery.com" configured with 12 documents.
[2/4] ragchat_test
Query: "What are your hours?"
Reply: "We're open Monday-Saturday 7am-6pm, and Sunday 8am-2pm."
RAG Sources: mybakery.com-3 (0.91), mybakery.com-7 (0.84)
Latency: 340ms
[3/4] ragchat_serve
Chat server running at http://localhost:3456
POST /chat ready.
[4/4] ragchat_widget
Generated embed code. Paste this into your HTML:
You: Done. Live chat on my site in under 60 seconds.快速开始
1.克隆和构建
git clone https://github.com/gogabrielordonez/mcp-ragchat
cd mcp-ragchat
npm install && npm run build2.配置克劳德代码 (~/.claude/mcp.json)
{
"mcpServers": {
"ragchat": {
"command": "node",
"args": ["/absolute/path/to/mcp-ragchat/dist/mcp-server.js"],
"env": {
"OPENAI_API_KEY": "sk-..."
}
}
}
}3.使用它
打开克劳德代码并说：
“将AI聊天添加到mysite.com。内容如下：\[粘贴您的标记\]”
克劳德处理其余的事情。
工具
| 工具 | 它做什么 |
|---|---|
ragchat_setup | 从降价内容中挖掘知识库。每 ## 该部分变成了一个带有向量嵌入的可搜索文档。 |
ragchat_test | 发送测试消息以验证RAG检索和LLM响应质量。 |
ragchat_serve | 使用CORS和输入净化启动本地HTTP聊天服务器。 |
ragchat_widget | 生成一个自包含的 `` 标签——一个浮动的聊天气泡，没有依赖关系。 |
ragchat_status | 列出所有已配置的域，包括文档计数和配置详细信息。 |
运作原理
+------------------+
| Your Markdown |
+--------+---------+
|
ragchat_setup
|
+------------v-------------+
| Local Vector Store |
| ~/.mcp-ragchat/domains/ |
| vectors.json |
| config.json |
+------------+-------------+
|
User Question |
| |
+------v------+ +------v------+
| Embedding | | Cosine |
| Provider +->+ Similarity |
+-------------+ +------+------+
|
Top 3 chunks
|
+----------v-----------+
| System Prompt |
| + RAG Context |
| + User Message |
+----------+-----------+
|
+----------v-----------+
| LLM Provider |
+----------+-----------+
|
Reply一切都在本地运行。没有云基础设施。带上你自己的API密钥。
支持的提供商
LLM（聊天完成）
| 提供程序 | 环境变量 | 默认模型 |
|---|---|---|
| OpenAI | OPENAI_API_KEY | gpt-4o-mini |
| 人类学 | ANTHROPIC_API_KEY | claude-sonnet-4-5-20250929 |
| 谷歌双子座 | GEMINI_API_KEY | gemini-2.0-flash |
嵌入（矢量搜索）
| 提供程序 | 环境变量 | 默认模型 |
|---|---|---|
| OpenAI | OPENAI_API_KEY | text-embedding-3-small |
| 谷歌双子座 | GEMINI_API_KEY | text-embedding-004 |
| AWS基岩 | AWS_REGION +IAM。 amazon.titan-embed-text-v2:0 |
用以下内容覆盖默认值 LLM_MODEL 和 EMBEDDING_MODEL 环境变量。
建筑
~/.mcp-ragchat/domains/
mysite.com/
config.json -- system prompt, settings
vectors.json -- documents + embedding vectors- 矢量存储 --具有余弦相似性搜索的本地JSON文件。零外部依赖。
- 聊天服务器 --具有CORS和输入净化功能的Node.js HTTP服务器。
- 小部件 --自给自足 `` 标签。没有框架，就没有构建步骤。
贡献
欢迎问题和拉取请求。
明星历史
______________________________________________________________________
企业
需要多租户、安全护栏、审计跟踪和托管基础设施？结账 超音速 --基于相同RAG管道构建的企业AI平台。
______________________________________________________________________
MIT许可证 --加布里埃尔·奥多涅斯