Skip to main content
Glama
ali-48

RAG MCP Server

by ali-48
OverviewSchemaRelated ServersScoreDiscussions
JavaScript
Local

RAG MCP Server v2.0

Un serveur MCP (Model Context Protocol) avec architecture v2.0 simplifiée : 2 outils principaux pour l'indexation automatique et la recherche sémantique de code.

🚀 Nouvelle Architecture v2.0

📋 Outils Principaux (Simplifiés)

Outil

Description

Remplace

activated_rag

Outil maître pour l'indexation automatique

injection_rag, index_project, update_project, analyse_code

recherche_rag

Outil de recherche avancée

search_code

🎯 Avantages de v2.0

  1. Simplification radicale : 2 outils au lieu de 6

  2. Automatisation complète : Détection VS Code + file watcher intégrés

  3. Intelligence native : Chunking intelligent par type de contenu

  4. Rétrocompatibilité totale : Les anciens outils fonctionnent toujours (masqués)

  5. Pipeline automatisé : Phase 0 → scan → analyse → chunking → embeddings → injection

🏗️ Architecture Technique

Pipeline activated_rag

activated_rag ├── Phase 0 : Détection projet VS Code ├── Scan fichiers & changements ├── Analyse statique multi-langage ├── Chunking intelligent │ ├── Code : 1 fonction = 1 chunk │ ├── Classes : N chunks │ └── Documentation : par paragraphes ├── Calcul embeddings │ ├── Code : nomic-embed-code │ └── Texte : nomic-embed-text └── Injection RAG

Fonctionnalités recherche_rag

  • Recherche hybride : Combinaison similarité sémantique + recherche textuelle

  • Filtres avancés : Par type de contenu, langage, extension, score

  • Re-ranking : Classement basé sur métadonnées (fraîcheur, taille, type)

  • Seuil dynamique : Adaptation automatique du seuil de similarité

📦 Installation

# Cloner le dépôt git clone <repository-url> cd rag-mcp-server # Installer les dépendances npm install # Construire le projet npm run build

🚀 Utilisation Rapide

Indexation Automatique

// Utilisation simple avec activated_rag const result = await toolRegistry.execute('activated_rag', { project_path: '/chemin/vers/mon/projet', enable_phase0: true // Détection automatique VS Code });

Recherche Avancée

// Recherche avec filtres const results = await toolRegistry.execute('recherche_rag', { query: 'comment implémenter l\'authentification', scope: 'project', top_k: 5, filters: { content_type: ['code', 'doc'], language: ['typescript', 'javascript'] } });

🔧 Configuration v2.0

Configuration Principale

{ "version": "2.0.0", "description": "Configuration RAG v2.0", "system": { "legacy_mode": true, "exposed_tools": ["activated_rag", "recherche_rag"], "legacy_tools": ["injection_rag", "index_project", "update_project", "search_code", "manage_projects"] }, "defaults": { "embedding_provider": "ollama", "embedding_model": "nomic-embed-text", "chunk_size": 1000, "chunk_overlap": 200 }, "providers": { "ollama": { "description": "Ollama embeddings", "models": { "code": "nomic-embed-code", "text": "nomic-embed-text" } } } }

Migration depuis v1.0

# Migration automatique npm run migrate-v2 # Vérification npm run test-retrocompatibility

🧪 Tests

Tests v2.0

# Tests de rétrocompatibilité npm run test:retrocompatibility # Tests de performance npm run test:performance # Tous les tests npm test

Tests Spécifiques

  • Tests de migration : Vérification de la rétrocompatibilité

  • Tests de performance : Benchmark nouveau vs ancien système

  • Tests d'intégration : Validation du pipeline complet

  • Tests de qualité : Validation des embeddings séparés

🛠️ Structure du Projet v2.0

rag-mcp-server/ ├── src/ │ ├── config/ │ │ └── rag-config.ts # Gestionnaire de configuration v2.0 │ ├── core/ │ │ ├── tool-registry.ts # Système central d'enregistrement │ │ ├── registry.ts # Enregistrement automatique v1.0 │ │ └── registry-v2.ts # Enregistrement automatique v2.0 │ ├── tools/ │ │ ├── graph/ # Outils de graphe de connaissances (9 outils) │ │ └── rag/ # Outils RAG v2.0 │ │ ├── activated-rag.ts # Outil maître v2.0 │ │ ├── recherche-rag.ts # Recherche avancée v2.0 │ │ └── legacy/ # Outils legacy (masqués) │ │ ├── injection-rag.ts │ │ ├── index-project.ts │ │ ├── update-project.ts │ │ ├── search-code.ts │ │ └── manage-projects.ts │ ├── rag/ # Composants RAG avancés │ │ ├── indexer.ts # Indexation avec chunking intelligent │ │ ├── searcher.ts # Recherche sémantique avancée │ │ ├── vector-store.ts # Stockage vectoriel v2.0 │ │ ├── vector-store-refactored.ts # Refactorisation embeddings par type │ │ ├── phase0/ # Phase 0 : Détection automatique │ │ │ ├── workspace-detector.ts │ │ │ ├── file-watcher.ts │ │ │ ├── event-logger.ts │ │ │ ├── chunker-integration.ts │ │ │ └── llm-enrichment/ # Enrichissement LLM │ │ └── ai-segmenter.ts # Segmentation intelligente │ └── index.ts # Point d'entrée principal ├── config/ │ ├── rag-config.json # Configuration v1.0 (rétrocompatible) │ └── rag-config-v2.json # Configuration v2.0 ├── docs/ │ ├── CONFIGURATION.md # Guide de configuration │ ├── PHASE0_3_README.md # Documentation Phase 0 │ └── API_REFERENCE.md # Référence API ├── test/ │ ├── retrocompatibility-v2.test.ts # Tests rétrocompatibilité │ └── phase0-llm-enrichment/ # Tests Phase 0 ├── scripts/ │ ├── migrate-config-v2.js # Migration v1.0 → v2.0 │ └── migrate-rag-store.js # Migration données └── package.json

📊 Métriques v2.0

Outils Visibles

  • 2 outils principaux : activated_rag, recherche_rag

  • 9 outils graph : Graphe de connaissances (inchangés)

  • Total visible : 11 outils

Outils Masqués (Rétrocompatibilité)

  • 5 outils legacy : injection_rag, index_project, update_project, search_code, manage_projects

  • Accessibles : Via appel direct (rétrocompatibilité)

Performances

  • Initialisation : < 500ms

  • Indexation : 30-50% plus rapide avec chunking intelligent

  • Recherche : 20-40% plus précise avec embeddings séparés

  • Mémoire : Réduction de 25% avec cache optimisé

🔍 Dépannage

Problèmes Courants

Q : Les anciens outils ne fonctionnent plus ?
R : Activez legacy_mode: true dans la configuration.

Q : activated_rag ne détecte pas les changements ?
R : Vérifiez enable_phase0: true et les permissions du file watcher.

Q : Recherche avec scores bas ?
R : Ajustez filters.min_score ou utilisez le modèle approprié pour le type de contenu.

Q : Performances lentes ?
R : Réduisez chunk_size, utilisez embedding_provider: 'fake' pour les tests, désactivez enable_watcher.

📈 Monitoring

Logs Disponibles

  • logs/activated-rag.log : Indexation automatique

  • logs/recherche-rag.log : Recherches avancées

  • logs/phase0-events.log : Événements Phase 0

  • logs/performance.log : Métriques de performance

Métriques Clés

const metrics = { indexation: { files_processed: number, chunks_created: number, embedding_time_ms: number, total_time_ms: number }, recherche: { query_time_ms: number, results_count: number, avg_score: number, cache_hit_rate: number }, phase0: { files_watched: number, change_events: number, auto_index_count: number } };

🔮 Roadmap

v2.1 (Prochainement)

  • Intégration Tree-sitter : Analyse AST native

  • Cache distribué : Partage d'embeddings entre projets

  • API REST : Interface HTTP pour les outils

  • Plugins : Extensions personnalisables

v3.0 (Future)

  • Apprentissage automatique : Adaptation des paramètres

  • Collaboration : Partage d'index entre utilisateurs

  • Intégration CI/CD : Pipeline d'indexation automatisé

  • Dashboard : Interface web de monitoring

📚 Documentation Complète

🤝 Contribution

  1. Fork le projet

  2. Créer une branche (git checkout -b feature/amazing-feature)

  3. Commit les changements (git commit -m 'Add amazing feature')

  4. Push vers la branche (git push origin feature/amazing-feature)

  5. Ouvrir une Pull Request

📄 Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.

🙏 Remerciements

  • Model Context Protocol pour le framework MCP

  • L'équipe de développement pour les contributions

  • La communauté open source pour les outils et bibliothèques utilisés

Dernière mise à jour : 13/01/2026
Version : 2.0.0
Statut : Production Ready avec Architecture Simplifiée 🚀
Compatibilité : Rétrocompatible avec v1.0.0

Changelog v2.0.0

  • Nouveau : Architecture simplifiée avec 2 outils principaux

  • Nouveau : activated_rag - Outil maître pour indexation automatique

  • Nouveau : recherche_rag - Recherche avancée avec filtres

  • Nouveau : Phase 0 intégrée (détection VS Code + file watcher)

  • Nouveau : Chunking intelligent par type de contenu

  • Nouveau : Embeddings séparés (code vs texte)

  • Nouveau : Système de registre v2.0 avec outils masqués

  • Nouveau : Tests de rétrocompatibilité complets

  • Nouveau : Scripts de migration v1.0 → v2.0

  • Nouveau : Documentation v2.0 complète

  • Amélioration : Performances 30-50% plus rapides

  • Amélioration : Précision de recherche 20-40% meilleure

  • Amélioration : Réduction mémoire de 25%

  • Rétrocompatibilité : Tous les outils v1.0 fonctionnent (masqués)

Changelog v1.5.0

  • Nouveau : Analyse LLM intelligente avec intégration Ollama

  • Nouveau : Service LLM (LlmService) pour appels à l'API Ollama

  • Nouveau : Cache LLM (LlmCache) pour optimisation des performances

  • Nouveau : Configuration LLM dans rag-config.json avec fournisseurs et préparation

  • Nouveau : Tâches intelligentes : résumé, extraction de mots-clés, suggestion de structure, détection d'entités, classification de complexité

  • Nouveau : Intégration dans ai-segmenter.ts pour segmentation intelligente

  • Nouveau : Intégration dans indexer.ts avec cache LLM

  • Nouveau : Tests de configuration LLM (test-llm-config.js)

  • Nouveau : Tests d'intégration Ollama (test-ollama-integration.js)

  • Amélioration : Support de multiples modèles Ollama configurables

  • Amélioration : Batch processing pour optimisation des appels LLM

  • Amélioration : Cache intelligent avec TTL configurable

  • Amélioration : Documentation complète des fonctionnalités LLM

Install Server
A
security – no known vulnerabilities
F
license - not found
A
quality - confirmed to work

How are these scores calculated?

Resources

Tools

View all tools

New MCP Servers

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/ali-48/rag-mcp-server'

If you have feedback or need assistance with the MCP directory API, please join our Discord server