Forge

@voxell/forge-mcp

Forge（Voxell が提供するホステッド型テキスト埋め込み API）の MCP サーバーです。Forge をあらゆる MCP クライアント（Claude、Cursor、Cline、Windsurf、VS Code、…）から、次の 2 つのツールとして利用できます。

• embed — テキストをベクトルに変換します
• list_models — 利用可能なモデルとその次元数を一覧表示します

Forge API キーをご用意ください。サーバーはステートレスで、Voxell は送信されたテキストも、返却するベクトルも保存しません。請求のために記録するのは、利用状況のメタデータ（トークン数）のみです。対応するのは埋め込みのみです。保存、検索、RAG は行いません。これらは別の製品です。

クイックインストール

エディターからワンクリックでインストールします（その後、your-key-here を dash.voxell.ai で取得した実際のキーに置き換えてください）。

Claude Code — 次のコマンドを 1 つ実行します。

claude mcp add forge -e FORGE_API_KEY=your-key-here -- npx -y @voxell/forge-mcp

その他のクライアント（Claude Desktop、Cline、Windsurf、Zed、…）では、標準の mcpServers ブロックを使用します。下記の使い方をご覧ください。

Forge を選ぶ理由

• 品質を自由に調整できます。 3 つのティアがあります。turbo（1024d、高速、デフォルト）、pro（2560d）、ultra（4096d、最高品質）です。品質とコストのバランスから選べます。
• ベンチマークでトップクラスです。 Voxell の Ingot-8B-R3 は、公開 MTEB リーダーボード（English v2）で英語部門の第 1 位にランクインしており、41 のタスクで平均タスクスコア 75.98 を記録しています。実用可能な英語埋め込みモデルの中でトップです。モデルカードをご覧ください。
• 公開文書で計測済みです。 Forge を基盤とする Voxell の検索パイプラインは、4 つの公開コーパス（7,817 件の文書、980,885 件のパッセージ）で計測されています。人が作成したテストセットより簡単な、モデルが作成した 800 件の質問では、83% の質問に対して最初の検索結果が回答します。手法と制限については、検索の計測結果をご覧ください。
• Matryoshka（MRL）に対応しています。 dim を設定してベクトルを切り詰め（再正規化）れば、サイズとコストを約 4 分の 1 に削減できます。
• 低レイテンシ（Go + CUDA エンジン）、ゼロトラスト（キーごとの認証、mTLS に対応）、無料で開始可能（turbo は永久無料で、カード登録も不要です：dash.voxell.ai。詳細は voxell.ai/forge）です。

検索精度の測定

このサーバーが返すのはベクトルのみです。Voxell は Forge を基盤とする検索パイプラインも運用しており、誰でも閲覧できるドキュメントを使って測定した結果を公開しています。

4 つの公開コーパス、合計 7,817 件のドキュメントと 980,885 件のパッセージ、800 件の質問（各コーパス 200 件）を対象に、2026-10-05 に測定しました。

コーパス	ドキュメント数	最初の検索結果が質問に答えている割合	上位 3 件のいずれかが質問に答えている割合
SEC filings	2,010	91%	95%
USPTO patents	4,008	86.5%	91.5%
NASA technical reports	1,210	67%	78%
arXiv technical papers	589	86.5%	96%
4 コーパス合計	7,817	83%	90%

質問の 95% で、該当するドキュメントが上位 10 件に含まれています。

これらの数値は、その前提を踏まえてご覧ください。質問はドキュメントをもとにモデルが作成し、パッセージのテキストに照らして判定したもので、人が作成したテストセットよりも簡単です。これらの数値は、このパイプラインがこれらのコーパスでどのように機能するかを示しています。他のベンダーとの比較ではなく、embed ツール単体の性能でもありません。このパイプラインには、測定記録に記載されている追加の手順が含まれます。たとえば、クロスエンコーダーによる再ランキング、各パッセージへの 1 行のドキュメント識別情報の追加、質問で指定されたドキュメントへのルーティングなどです。各測定記録は、誤答も含む固定サンプルの質問とともに公開されています：voxell.ai/retrieval。

できること

• セマンティック検索の追加 — input_type: "document" でドキュメントを、input_type: "query" で各クエリをベクトル化し、コサイン類似度で順位付けします。
• RAG の構築 — ナレッジベースをベクトル化してベクトルを保存し、最も近いチャンクを検索して LLM の回答の根拠にします。
• 類似テキストや重複テキストの検索 — 2 つのテキストをベクトル化し、それぞれのベクトルを比較します。
• クラスタリングや分類 — バッチをベクトル化してから、ベクトルを使ってクラスタリングするか、分類器をトレーニングします。
• ベクトルストレージの削減 — dim を設定して次元を切り詰め（Matryoshka）、精度を少し犠牲にして、ベクトルのサイズとコストを抑えます。
• エディターから直接実行 — AI エージェント（Cursor、Claude、…）に依頼して、embed ツール経由でスニペット、バッチ、またはファイルをベクトル化できます。別途スクリプトを用意する必要はありません。

要件

• Node.js ≥ 18（20 でテスト済み）
• Forge API キー — https://dash.voxell.ai で作成できます。turbo は永久に無料で、カード登録も不要です。

使い方

ほとんどの MCP クライアントは、必要に応じて npx で実行します。クライアントの MCP 設定に以下を追加してください：

{
  "mcpServers": {
    "forge": {
      "command": "npx",
      "args": ["-y", "@voxell/forge-mcp"],
      "env": { "FORGE_API_KEY": "your-key-here" }
    }
  }
}

（Cursor、Claude Desktop、Cline、Windsurf、VS Code はすべて、この mcpServers 形式を使用します。）

ツール

embed

引数	型	デフォルト	備考
input	string または string[]	—	ベクトル化するテキスト（必須）
model	string	turbo	turbo（1024-d）、pro（2560-d）、ultra（4096-d）
dim	number	model default	N 次元に切り詰めます（Matryoshka）— すべてのモデルで使用できます
input_type	"query" | "document"	document	検索クエリには query を指定します

ベクトルに加え、モデル、次元数、トークン数を返します。

デフォルトは turbo です。おそらくこれが最適です。pro／ultra は、次元数を増やす代わりにサイズと速度を犠牲にします。

list_models

利用可能なモデルとその次元数を一覧表示します。

設定

環境変数	必須	デフォルト
FORGE_API_KEY	はい	—
FORGE_BASE_URL	いいえ	https://api.voxell.ai

MCP を超えて：OpenAI 互換 API

Forge は OpenAI の埋め込み API に対応しています。あらゆる OpenAI クライアントを Forge に接続できます。コードの変更は不要で、既存のベクトル次元数も維持されます。

from openai import OpenAI

client = OpenAI(base_url="https://api.voxell.ai/v1", api_key="your-forge-key")
# the exact call you already make — now on a higher-ranked engine:
client.embeddings.create(model="text-embedding-3-large", input=["hello world"])  # -> 3072-d

OpenAI のモデル名は、次元数が一致する Forge のティアに対応します（text-embedding-3-small／ ada-002 → 1536 次元、text-embedding-3-large → 3072 次元）。そのため、既存のベクトルストアを 変更せずに利用できます。また、Forge のティアを直接指定することもできます（turbo | pro | ultra）。dimensions （Matryoshka、再正規化）と encoding_format: "base64" にも対応しています。

どの経路でもアップグレードできます。 Forge の 最小 ティア（turbo）は、MTEB で OpenAI の 最大 の埋め込みモデル（text-embedding-3-large）を上回るため、置き換えて性能が低下することはありません。 また、Voxell の Ingot-8B-R3 は、公開 MTEB リーダーボードの英語部門で第 1 位です。まったく別格です。

Forge への再埋め込みに価値がある理由。 埋め込みは一方通行です。エンコーダーが書き込み時に破棄した情報は失われます。リランカーや、より長いプロンプト、さらに大きな LLM を後段で使っても、ベクトルに記録されなかった情報を復元することはできません。埋め込みに使うモデルが、その上にあるすべての性能の上限を決めます。より高く評価されているエンジンに一度再埋め込みすれば、その上限は恒久的に引き上げられます。

ライセンス

MIT © Voxell, Inc.