nkapila6/mcp-local-rag

nkapila6/mcp-local-rag

от nkapila6
Локальный MCP-сервер для RAG-поиска и глубоких исследований без API-ключей. Поддерживает 9+ поисковых движков (Google, DuckDuckGo и др.), выполняет семантическое ранжирование результатов. Полезен д...

mcp-local-rag

"primitive" RAG-like web search model context protocol (MCP) server that runs locally. ✨ no APIs ✨

A RAG-based web search and deep research model context protocol (MCP) server that runs entirely locally. Features multi-engine research across 9+ search backends with semantic similarity ranking, and requires no API keys.

Open in GitHub Codespaces

Add MCP Server mcp-local-rag to LM Studio

Ask DeepWiki

%%{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;

Часто задаваемые вопросы

Инструменты были проиндексированы:
deep_research

Выполняет углублённый поиск по нескольким запросам через выбранные поисковые бэкенды. Этот инструмент собирает результаты из нескольких поисков по указанным движкам, ранжирует их по релевантности и возвращает самый подходящий контент без дубликатов. Идеально подходит для всестороннего исследования темы. Доступные бэкенды: bing, brave, duckduckgo, google, grokipedia, mojeek, yandex, yahoo, wikipedia ИНСТРУКЦИЯ ПО ИСПОЛЬЗОВАНИЮ ДЛЯ LLM: 1. Спросите у пользователя, какие бэкенды он предпочитает, ИЛИ 2. Выберите подходящие бэкенды в зависимости от контекста: - ["duckduckgo"] — приватный, общий поиск - ["google"] — всесторонние результаты, лучше всего для технических запросов - ["duckduckgo", "google"] — максимальное покрытие (по умолчанию) - ["wikipedia"] — фактологический / энциклопедический контент - ["bing", "google"] — сбалансированные коммерческие движки - Несколько бэкендов для более широкого охвата исследования 3. Для частных случаев подумайте о: - deep_research_google() — быстрый запуск только через Google - deep_research_ddgs() — быстрый запуск только через DuckDuckGo

Параметры
  • backendsstring[] | null

    Список поисковых движков для использования. По умолчанию: ["duckduckgo", "google"]. Может включать: bing, brave, duckduckgo, google, grokipedia, mojeek, yandex, yahoo, wikipedia. Если None, используется стандартный набор.

  • include_urlsboolean

    Включать ли URL в результаты.

  • num_results_per_terminteger

    Количество результатов для получения по каждому поисковому запросу для каждого бэкенда.

  • search_termsstring[]обязательный

    Список поисковых терминов для исследования. Предоставьте несколько связанных поисковых запросов для полного охвата. Пример: ["основы машинного обучения", "нейронные сети", "лучшие практики глубокого обучения"]

  • top_k_per_terminteger

    Количество лучших результатов, сохраняемых для каждого поискового запроса и каждого бэкенда.

deep_research_ddgs

Выполняет глубокое исследование по множеству поисковых запросов, используя ТОЛЬКО DuckDuckGo. Агрегирует результаты из нескольких поисков DuckDuckGo, оценивает их по релевантности и возвращает наиболее релевантный контент с удалёнными дубликатами.

Параметры
  • include_urlsboolean

    Включать ли URL в результаты.

  • num_results_per_terminteger

    Количество результатов для получения по каждому поисковому запросу.

  • search_termsstring[]обязательный

    Список поисковых запросов для исследования. LLM должна предоставить несколько связанных поисковых запросов для полного охвата темы.

  • top_k_per_terminteger

    Количество лучших результатов для сохранения по каждому поисковому запросу.

deep_research_google

Выполняет глубокое исследование по нескольким поисковым запросам, используя ТОЛЬКО Google. Собирает результаты из нескольких поисков в Google, оценивает их по релевантности и возвращает наиболее релевантный контент без дубликатов.

Параметры
  • include_urlsboolean

    Включать ли URL в результаты.

  • num_results_per_terminteger

    Количество результатов для получения по каждому поисковому запросу.

  • search_termsstring[]обязательный

    Список поисковых запросов для исследования. LLM должна предоставить несколько связанных поисковых запросов для полного охвата темы.

  • top_k_per_terminteger

    Количество лучших результатов для сохранения по каждому поисковому запросу.

rag_search_ddgs

Ищет в интернете по заданному запросу через DuckDuckGo. Возвращает контекст LLM, ранжируя результаты по семантической близости к запросу как в RAG, чтобы отобрать самые релевантные. Этот инструмент получает результаты веб-поиска, оценивает их семантическую схожесть с запросом через текстовые эмбеддинги и возвращает лучшие в виде markdown.

Параметры
  • include_urlsboolean

    Включать ли исходные URL-адреса в результаты. Если значение True, каждый результат содержит свой URL для цитирования. По умолчанию: True

  • num_resultsinteger

    Количество начальных результатов поиска для получения из DuckDuckGo. Больше результатов дают лучшее покрытие, но увеличивают время обработки. Значение по умолчанию: 10

  • querystringобязательный

    Поисковый запрос. Используйте вопросы или ключевые слова на естественном языке. Пример: "последние разработки в области квантовых вычислений"

  • top_kinteger

    Количество лучших результатов для включения в итоговый вывод. Это наиболее семантически релевантные результаты после ранжирования. По умолчанию: 5

rag_search_google

Ищет в Google по заданному запросу с помощью ddgs. Возвращает контекст для LLM с сортировкой по схожести, как в RAG.

Параметры
  • include_urlsboolean

    Включать ли URL в результаты.

  • num_resultsinteger

    Количество результатов для возврата.

  • querystringобязательный

    Поисковый запрос

  • top_kinteger

    Используйте лучшие результаты «k» для контента.

Выберите клиент, чтобы установить nkapila6/mcp-local-rag:

Любой клиент

Конфиг добавления MCP сервера стандартный, обычно он не меняется вообще, поэтому подходит практически к любому ИИ клиенту, поддерживающему MCP.

{
  "mcpServers": {
    "nkapila6-mcp-local-rag-fmjbm92swo": {
      "command": "uvx",
      "args": [
        "--python=3.10",
        "--from",
        "git+https://github.com/nkapila6/mcp-local-rag",
        "mcp-local-rag"
      ]
    }
  }
}
CursorCursor

Перейдите по ссылке и сервер автоматически будет добавлен в Cursor. Либо откройте/создайте файл ~/.cursor/mcp.json(%USERPROFILE%\.cursor\mcp.json на Windows) и добавьте конфиг сервера:

{
  "mcpServers": {
    "nkapila6-mcp-local-rag-fmjbm92swo": {
      "command": "uvx",
      "args": [
        "--python=3.10",
        "--from",
        "git+https://github.com/nkapila6/mcp-local-rag",
        "mcp-local-rag"
      ]
    }
  }
}
VS Code

Создайте .vscode/mcp.json в проекте (ключ верхнего уровня — servers):

{
  "servers": {
    "nkapila6-mcp-local-rag-fmjbm92swo": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "--python=3.10",
        "--from",
        "git+https://github.com/nkapila6/mcp-local-rag",
        "mcp-local-rag"
      ]
    }
  }
}

Либо добавьте сервер через терминал:

code --add-mcp "{\"name\":\"nkapila6-mcp-local-rag-fmjbm92swo\",\"type\":\"stdio\",\"command\":\"uvx\",\"args\":[\"--python=3.10\",\"--from\",\"git+https://github.com/nkapila6/mcp-local-rag\",\"mcp-local-rag\"]}"
ClaudeClaude Desktop

Откройте Settings → Developer → Edit Config — это откроет файл claude_desktop_config.json:

  • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
  • Windows: %APPDATA%\Claude\claude_desktop_config.json

Впишите сервер и полностью перезапустите Claude Desktop:

{
  "mcpServers": {
    "nkapila6-mcp-local-rag-fmjbm92swo": {
      "command": "uvx",
      "args": [
        "--python=3.10",
        "--from",
        "git+https://github.com/nkapila6/mcp-local-rag",
        "mcp-local-rag"
      ]
    }
  }
}
Claude CodeClaude Code

Добавьте сервер одной командой в терминале:

claude mcp add nkapila6-mcp-local-rag-fmjbm92swo -- uvx --python=3.10 --from git+https://github.com/nkapila6/mcp-local-rag mcp-local-rag

Либо через JSON-конфиг:

claude mcp add-json nkapila6-mcp-local-rag-fmjbm92swo "{\"command\":\"uvx\",\"args\":[\"--python=3.10\",\"--from\",\"git+https://github.com/nkapila6/mcp-local-rag\",\"mcp-local-rag\"]}"
CodexCodex

Добавьте сервер командой в терминале:

codex mcp add nkapila6-mcp-local-rag-fmjbm92swo -- uvx --python=3.10 --from git+https://github.com/nkapila6/mcp-local-rag mcp-local-rag

Либо вручную в ~/.codex/config.toml(%USERPROFILE%\.codex\config.toml на Windows):

[mcp_servers.nkapila6-mcp-local-rag-fmjbm92swo]
command = "uvx"
args = ["--python=3.10", "--from", "git+https://github.com/nkapila6/mcp-local-rag", "mcp-local-rag"]
PerplexityPerplexity

MCP доступен подписчикам Perplexity Pro / Max / Enterprise. Локальные серверы — только в приложении для macOS.

  1. Откройте Настройки аккаунта → Connectors.
  2. Установите вспомогательное приложение PerplexityXPC (один раз).
  3. Нажмите Add Connector → вкладка Simple.
  4. В поле Server Name укажите nkapila6/mcp-local-rag, а в поле команды запуска — строку ниже:
uvx --python=3.10 --from git+https://github.com/nkapila6/mcp-local-rag mcp-local-rag

Нажмите Save и дождитесь статуса Running.

WindsurfWindsurf

Откройте Windsurf Settings → Cascade → MCP Servers или отредактируйте файл ~/.codeium/windsurf/mcp_config.json:

{
  "mcpServers": {
    "nkapila6-mcp-local-rag-fmjbm92swo": {
      "command": "uvx",
      "args": [
        "--python=3.10",
        "--from",
        "git+https://github.com/nkapila6/mcp-local-rag",
        "mcp-local-rag"
      ]
    }
  }
}
ClineCline

В панели Cline нажмите иконку MCP Servers → Configure → Configure MCP Servers (или отредактируйте ~/.cline/mcp.json) и добавьте сервер:

{
  "mcpServers": {
    "nkapila6-mcp-local-rag-fmjbm92swo": {
      "command": "uvx",
      "args": [
        "--python=3.10",
        "--from",
        "git+https://github.com/nkapila6/mcp-local-rag",
        "mcp-local-rag"
      ],
      "disabled": false,
      "autoApprove": []
    }
  }
}
Continue

Создайте файл в .continue/mcpServers/ (например nkapila6-mcp-local-rag-fmjbm92swo.yaml) или добавьте блок в config.yaml. MCP работает только в режиме agent:

mcpServers:
  - name: nkapila6-mcp-local-rag-fmjbm92swo
    command: uvx
    args:
      - "--python=3.10"
      - "--from"
      - "git+https://github.com/nkapila6/mcp-local-rag"
      - "mcp-local-rag"
Zed

Выполните agent: add context server или откройте настройки (zed: open settings file) и добавьте сервер в объект context_servers:

{
  "context_servers": {
    "nkapila6-mcp-local-rag-fmjbm92swo": {
      "command": "uvx",
      "args": [
        "--python=3.10",
        "--from",
        "git+https://github.com/nkapila6/mcp-local-rag",
        "mcp-local-rag"
      ]
    }
  }
}

Похожие MCP-сервера

Perplexity MCP

Perplexity MCP

официальный

от perplexityai

Официальный сервер Perplexity: ищет свежую информацию в вебе, отвечает на вопросы и проводит глубокие исследования с моделями Sonar. Работает по API-ключу.

TypeScript⭐ 2581
HughesCuit/heventure-search-mcp

HughesCuit/heventure-search-mcp

от hughescuit

Бесплатный MCP сервер для веб-поиска без API ключей. Мгновенный запуск, поддержка DuckDuckGo, Bing и Google. Полезен разработчикам AI ассистентов. Опционально доступны платные поисковики для лучших...

Python⭐ 10
nickclyde/duckduckgo-mcp-server

nickclyde/duckduckgo-mcp-server

от nickclyde

Ищет в DuckDuckGo без API-ключа, вытаскивает заголовки, ссылки и сниппеты, читает содержимое страниц. Обходит защиту от ботов.

Python⭐ 1546
zhsama/duckduckgo-mcp-server

zhsama/duckduckgo-mcp-server

от zhsama

MCP сервер для DuckDuckGo Search. MCP инструмент duckduckgo_search позволяет гибко настраивать веб-поиск: запрос, количество результатов, безопасность. Поддерживает rate limiting. Разработчикам ИИ-...

TypeScript⭐ 87
leehanchung/bing-search-mcp

leehanchung/bing-search-mcp

от leehanchung

MCP-сервер, интегрирующий Bing Search API. Позволяет AI-ассистентам выполнять поиск в вебе, новостях и изображениях. Полезен разработчикам для расширения MCP-инструментов поисковыми возможностями.

Python⭐ 80
wd041216-bit/free-web-search-ultimate

wd041216-bit/free-web-search-ultimate

от wd041216-bit

Zero-API-Key Web Search - MCP-сервер для AI-агентов: веб-поиск, извлечение контекста, проверка утверждений с взвешенной оценкой доказательств. Бесплатно без API-ключа, поддерживает DuckDuckGo, Sear...

Python⭐ 19
© Каталог MCP, 2026. Все права защищены.
Проект не аффилирован с Anthropic и любыми упомянутыми продуктами.
Все названия и торговые марки принадлежат их владельцам.
Контакты для связи: hi@mcp-katalog.ru

Лука Никитин