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

  • Features
    • Multi-Engine Deep Research
  • Installation
    • Run Directly via uvx
    • Using Docker (recommended)
  • Agent Skills
  • Security audits
  • MCP Clients
  • Examples on Claude Desktop
    • Result
  • Contributing
  • License
%%{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;
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

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

  • search_termsstring[]обязательный

    List of search terms to research. Provide multiple related search queries for comprehensive coverage. Example: ["machine learning fundamentals", "neural networks", "deep learning best practices"]

  • backendsany

    List of search backends to use. Defaults to ["duckduckgo", "google"]. Can include: bing, brave, duckduckgo, google, grokipedia, mojeek, yandex, yahoo, wikipedia. If None, uses default.

  • num_results_per_terminteger

    Number of results to fetch per search term per backend.

  • top_k_per_terminteger

    Number of top scored results to keep per search term per backend.

  • include_urlsboolean

    Whether to include URLs in the results.

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.

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

  • search_termsstring[]обязательный

    List of search terms to research. The LLM should provide multiple related search queries for comprehensive coverage.

  • num_results_per_terminteger

    Number of results to fetch per search term.

  • top_k_per_terminteger

    Number of top scored results to keep per search term.

  • include_urlsboolean

    Whether to include URLs in the results.

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.

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

  • search_termsstring[]обязательный

    List of search terms to research. The LLM should provide multiple related search queries for comprehensive coverage.

  • num_results_per_terminteger

    Number of results to fetch per search term.

  • top_k_per_terminteger

    Number of top scored results to keep per search term.

  • include_urlsboolean

    Whether to include URLs in the results.

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.

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

  • querystringобязательный

    The search query. Use natural language questions or keywords. Example: "latest developments in quantum computing"

  • num_resultsinteger

    Number of initial search results to fetch from DuckDuckGo. More results provide better coverage but increase processing time. Default: 10

  • top_kinteger

    Number of top-scored results to include in the final output. These are the most semantically relevant results after scoring. Default: 5

  • include_urlsboolean

    Whether to include source URLs in the results. If True, each result includes its URL for citation. Default: True

rag_search_google

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

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

Параметры

  • querystringобязательный

    The query to search for.

  • num_resultsinteger

    Number of results to return.

  • top_kinteger

    Use top "k" results for content.

  • include_urlsboolean

    Whether to include URLs in the results.

Другие проверенные MCP-сервера

caol64/wenyan-mcp

caol64/wenyan-mcp

文颜 MCP Server — 基于 MCP 协议的排版发布工具,专为 AI 写作到微信公众号场景设计。直接在聊天框内完成 Markdown 转微信富文本、上传图片、存草稿,无需切换编辑器。适合需要快速发布高质量公众号文章的作者和团队。

JavaScript1273
weaviate/mcp-server-weaviate

weaviate/mcp-server-weaviate

официальный

Встроенный MCP сервер Weaviate даёт AI-агентам гибридный поиск, управление коллекциями и объектами прямо через REST API. Полезен разработчикам, работающим с векторными базами данных.

162
Firecrawl MCP

Firecrawl MCP

официальный

MCP сервер для поиска и скрапинга веб-страниц, превращающий живой интернет в чистые данные для ИИ-агентов. Поддерживает навигацию, клики и автономные исследования. Работает в облаке или локально.

JavaScript6989
Doist/todoist-mcp

Doist/todoist-mcp

официальный

MCP сервер для Todoist даёт AI-агентам полный доступ к задачам. Создавайте, ищите и редактируйте задачи через LLM. Поддерживает streamable HTTP, OAuth, интеграцию с Claude, Cursor и VS Code. Инструменты переиспользуемы и работают как MCP, так и напрямую.

TypeScript528
idosal/git-mcp

idosal/git-mcp

GitMCP — бесплатный открытый MCP-сервер, подключающий AI-ассистентов к актуальной документации и коду любого GitHub-проекта. Устраняет галлюцинации, работает без установки, через SSE-подключение. П...

TypeScript8265
evilsocket/nerve

evilsocket/nerve

Nerve — Agent Development Kit с нативной поддержкой MCP. Определяйте MCP серверы в YAML, запускайте как клиент или сервер, оркестрируйте агентов и тестируйте их в воспроизводимых сценариях. Для разработчиков, которым нужны программируемые и аудируемые LLM-агенты.

Python1318
© 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