estudIA-MCP

RAG + FastMCP - Servidor MCP con Supabase y Gemini

🚀 Descripción

Servidor MCP (Model Context Protocol) que integra:

• Google Gemini para generación de embeddings

• Supabase para almacenamiento vectorial

• FastMCP para exponer herramientas via MCP

📋 Requisitos

• Python >= 3.10

• Cuenta de Google Cloud con API de Gemini habilitada

• Proyecto de Supabase configurado

🔧 Instalación

1. Clonar el repositorio

2. Crear entorno virtual

3. Instalar dependencias

4. Configurar variables de entorno

Edita .env con tus credenciales:

5. Configurar Supabase

Ve al SQL Editor en tu proyecto de Supabase y ejecuta el contenido de supabase_setup.sql

🎯 Herramientas Disponibles

1. generate_embedding

Genera un vector embedding a partir de texto usando Gemini.

Parámetros:

• text (string): Texto para convertir en embedding

Ejemplo:

2. store_embedding

Genera un embedding y lo almacena en Supabase.

Parámetros:

• text (string): Texto para convertir y almacenar

• table_name (string, opcional): Nombre de la tabla (default: "embeddings")

• metadata (dict, opcional): Metadata adicional

Ejemplo:

3. search_similar

Busca documentos similares usando búsqueda vectorial.

Parámetros:

• query_text (string): Texto de búsqueda

• table_name (string, opcional): Nombre de la tabla

• limit (int, opcional): Número de resultados (default: 5)

• threshold (float, opcional): Umbral de similitud 0-1 (default: 0.7)

Ejemplo:

🏃 Ejecutar

🔗 Integración con Claude Desktop

Agrega esto a tu configuración de Claude Desktop (claude_desktop_config.json):

📚 Recursos

• FastMCP Documentation

• Supabase Vector

• Google Gemini API

📝 Notas

• Los embeddings de Gemini tienen 768 dimensiones

• Asegúrate de tener habilitada la extensión pgvector en Supabase

• La función match_documents debe estar creada en tu base de datos

🤝 Contribuir

Las contribuciones son bienvenidas. Por favor abre un issue primero para discutir los cambios.

📄 Licencia

MIT