mcp-rag-server

mcp-rag-server

Retrieval Augmented Generation（RAG）を可能にする Model Context Protocol（MCP）サーバーです。ドキュメントをインデックス化し、MCP プロトコルを介して大規模言語モデルに関連するコンテキストを提供します。

統合例

汎用 MCP クライアントの設定

{
  "mcpServers": {
    "rag": {
      "command": "npx",
      "args": ["-y", "mcp-rag-server"],
      "env": {
        "BASE_LLM_API": "http://localhost:11434/v1",
        "EMBEDDING_MODEL": "nomic-embed-text",
        "VECTOR_STORE_PATH": "./vector_store",
        "CHUNK_SIZE": "500"
      }
    }
  }
}

対話例

# Index documents
>> tool:embedding_documents {"path":"./docs"}

# Check status
>> resource:embedding-status

<< rag://embedding/status
Current Path: ./docs/file1.md
Completed: 10
Failed: 0
Total chunks: 15
Failed Reason:

目次

• 統合例
• 機能
• インストール
• クイックスタート
• 設定
• 使用方法
  • MCP ツール
  • MCP リソース
• RAG の仕組み
• 開発
• コントリビューション
• ライセンス

機能

• .txt、.md、.json、.jsonl、.csv 形式のドキュメントをインデックス化
• テキスト分割に使用するチャンクサイズをカスタマイズ可能
• SQLite を利用したローカルベクトルストア（LangChain の LibSQLVectorStore 経由）
• 複数の埋め込みプロバイダーに対応（OpenAI、Ollama、Granite、Nomic）
• stdio 経由で MCP ツールとリソースを公開し、MCP クライアントとシームレスに統合

インストール

npm から

npm install -g mcp-rag-server

ソースから

git clone https://github.com/kwanLeeFrmVi/mcp-rag-server.git
cd mcp-rag-server
npm install
npm run build
npm start

クイックスタート

export BASE_LLM_API=http://localhost:11434/v1
export EMBEDDING_MODEL=granite-embedding-278m-multilingual-Q6_K-1743674737397:latest
export VECTOR_STORE_PATH=./vector_store
export CHUNK_SIZE=500

# Run (global install)
mcp-rag-server

# Or via npx
npx mcp-rag-server

💡 ヒント： 埋め込みには Ollama の使用をおすすめします。nomic-embed-text モデルをインストールして取得してください。

ollama pull nomic-embed-text
export EMBEDDING_MODEL=nomic-embed-text

設定

変数	説明	デフォルト
BASE_LLM_API	埋め込み API のベース URL	http://localhost:11434/v1
LLM_API_KEY	LLM プロバイダーの API キー	(empty)
EMBEDDING_MODEL	埋め込みモデルの識別子	nomic-embed-text
VECTOR_STORE_PATH	ローカルベクトルストアのディレクトリ	./vector_store
CHUNK_SIZE	テキストチャンクあたりの文字数（数値）	500

💡 推奨： 最適なパフォーマンスを得るには、nomic-embed-text などの Ollama 埋め込みモデルを使用してください。

使用方法

MCP ツール

起動すると、サーバーは MCP 経由で次のツールを公開します。

• embedding_documents(path: string)：指定したパス以下のドキュメントをインデックス化
• query_documents(query: string, k?: number)：上位 k 個のチャンクを取得（デフォルトは 15）
• remove_document(path: string)：特定のドキュメントを削除
• remove_all_documents(confirm: boolean)：インデックス全体を消去（confirm=true）
• list_documents()：インデックス化されたすべてのドキュメントパスを一覧表示

MCP リソース

クライアントは URI を使ってリソースを読み取ることもできます。

• rag://documents — すべてのドキュメント URI を一覧表示
• rag://document/{path} — ドキュメントの全文を取得
• rag://query-document/{numberOfChunks}/{query} — リソースとしてドキュメントを検索
• rag://embedding/status — 現在のインデックス作成状況を確認（完了、失敗、合計）

RAG の仕組み

1. インデックス作成：ファイルを読み込み、CHUNK_SIZE に基づいてテキストをチャンクに分割し、埋め込み処理のキューに追加します。
2. 埋め込み：各チャンクを埋め込み API で順次処理し、ベクトルを SQLite に保存します。
3. 検索：クエリを埋め込み、ベクトルストアから最も近いテキストチャンクを取得して、クライアントに返します。

開発

npm install
npm run build      # Compile TypeScript
npm start          # Run server
npm run watch      # Watch for changes

コントリビューション

コントリビューションを歓迎します。GitHub でイシューを作成するか、プルリクエストをお送りください。

ライセンス

MIT 2025 Quan Le