RAG MCP Server

Un serveur MCP (Model Context Protocol) qui combine un graphe de connaissances avec des fonctionnalités RAG (Retrieval-Augmented Generation) pour l'indexation et la recherche sémantique de code.

🚀 Fonctionnalités

📋 MCP Server - Commandes simplifiées

🎯 Graphe de connaissances (Graph Tools) - 9 outils

Ces commandes sont intégrées en arrière-plan dans l'injection RAG pour enrichissement automatique des connaissances (Phase 0).

• create_entities : Crée de nouvelles entités

• create_relations : Crée des relations entre entités

• add_observations : Ajoute des observations aux entités

• delete_entities : Supprime des entités

• delete_observations : Supprime des observations

• delete_relations : Supprime des relations

• read_graph : Lit tout le graphe

• search_nodes : Recherche des nœuds

• open_nodes : Ouvre des nœuds spécifiques

🔍 Recherche sémantique (RAG Tools) - 4 outils visibles + 1 masqué

Les paramètres LLM et autres configurations sont préconfigurés par défaut, aucune sélection manuelle nécessaire.

• injection_rag (anciennement index_project) : Analyse du projet complet + prépare et injecte les données automatiquement (Phase 0 → RAG) - Outil principal

• search_code : Recherche sémantique dans le code

• manage_projects : Gère les projets indexés

• update_project : Réindexation incrémentale pour mise à jour des données

Outil masqué (rétrocompatibilité) :

• index_project : Alias déprécié pour injection_rag - masqué de la liste mais fonctionnel si appelé directement

🧠 Analyse LLM Intelligente (Intégration Ollama)

Le serveur inclut désormais une analyse LLM intelligente pour améliorer la préparation des données :

• Analyse automatique : Utilisation d'Ollama pour analyser le contenu avant indexation

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

• Cache LLM : Système de cache pour éviter les appels redondants à Ollama

• Configuration flexible : Support de multiples modèles LLM via configuration

• Batch processing : Traitement par lots pour optimisation des performances

Fonctionnalités LLM :

• ✅ Analyse sémantique du contenu avant segmentation

• ✅ Cache intelligent avec TTL configurable

• ✅ Support de multiples modèles Ollama

• ✅ Traitement par lots pour optimisation

• ✅ Intégration transparente avec le pipeline RAG existant

🏗️ Architecture

Système ToolRegistry

Le serveur utilise un système centralisé ToolRegistry qui permet :

• Enregistrement automatique : Découverte dynamique des outils via convention de nommage

• Gestion centralisée : Tous les outils sont gérés dans un registre unique

• Exécution unifiée : Interface cohérente pour l'exécution de tous les outils

Structure des Outils

Chaque outil est composé de deux parties :

1. Définition (*Tool) : Schéma d'entrée et métadonnées

2. Handler (*Handler) : Fonction d'exécution de l'outil

Enregistrement Automatique

Le système découvre automatiquement les outils dans :

• src/tools/graph/ : Outils de graphe de connaissances

• src/tools/rag/ : Outils RAG

📦 Installation

🚀 Utilisation

Démarrage du serveur

Développement

🧪 Tests

Le projet inclut une suite complète de tests :

Tests LLM (Nouveau)

• test-llm-config.js : Teste le chargement de la configuration LLM et le fonctionnement du service

• test-ollama-integration.js : Teste l'intégration réelle avec Ollama (nécessite Ollama en cours d'exécution)

Pour tester l'intégration Ollama :

🛠️ Structure du Projet

🔧 Configuration

Système de Configuration RAG Centralisée

Le serveur utilise désormais un système de configuration centralisée avec validation des limites :

Fichier de Configuration

• config/rag-config.json : Configuration principale avec valeurs par défaut, limites et fournisseurs

• src/config/rag-config.ts : Gestionnaire TypeScript pour charger et valider la configuration

Fonctionnalités de Configuration

• Valeurs par défaut : Paramètres prédéfinis pour tous les outils

• Limites de validation : Bornes min/max pour les paramètres numériques

• Fournisseurs d'embeddings : Support pour fake, ollama, sentence-transformers

• Fournisseurs LLM : Support pour ollama avec modèles configurables

• Configuration de préparation : Analyse LLM intelligente avec cache

• Modèles par défaut : Configuration par fournisseur

• Environnements : Configuration différente pour développement/production

Configuration LLM (Nouveau)

Le serveur supporte désormais l'analyse LLM intelligente via Ollama :

Utilisation dans les Outils

Tous les outils RAG utilisent automatiquement la configuration :

• injection_rag : Utilise les valeurs par défaut pour embedding_provider, embedding_model, chunk_size, chunk_overlap

• update_project : Même configuration que injection_rag

• search_code : Utilise les limites de recherche et seuils de similarité

• ai-segmenter : Utilise l'analyse LLM quand activée dans la configuration

• Les valeurs fournies par l'utilisateur sont validées par rapport aux limites

Simplification des Schémas d'Entrée

Les outils RAG ont été simplifiés pour une meilleure expérience utilisateur :

• search_code : Paramètres simplifiés - seul query est requis, les autres paramètres (limit, threshold, embedding_provider, embedding_model) sont gérés par la configuration

• injection_rag : Paramètres simplifiés - project_path requis, les paramètres embedding (embedding_provider, embedding_model, chunk_size, chunk_overlap) sont gérés par la configuration

• update_project : Paramètres simplifiés - project_path requis, les paramètres embedding sont gérés par la configuration

Cette simplification permet une utilisation plus intuitive tout en maintenant la flexibilité via la configuration centralisée.

Options d'Indexation RAG

• Fournisseurs d'embeddings : fake, ollama, sentence-transformers

• Modèles : nomic-embed-text, all-minilm, etc.

• Taille des chunks : Configurable (défaut: 1000 tokens, limites: 100-10000)

• Chevauchement : Configurable (défaut: 200 tokens, limites: 0-1000)

• Limites de recherche : 1-50 résultats (défaut: 10)

• Seuil de similarité : 0.0-1.0 (défaut: 0)

Fichiers d'Ignorance

Le système supporte les fichiers .ragignore pour exclure des fichiers de l'indexation :

• Syntaxe similaire à .gitignore

• Patterns glob supportés

• Priorité : .ragignore local > templates prédéfinis

Configuration Cline MCP

Pour utiliser rag-mcp-server avec Cline, ajoutez cette configuration à cline_mcp_settings.json :

📊 Métriques

• 13 outils visibles (9 graph + 4 RAG) + 1 outil masqué pour rétrocompatibilité

  • 9 outils Graph de connaissances

  • 4 outils RAG visibles (dont injection_rag comme outil principal)

  • 1 outil RAG masqué (index_project - alias déprécié)

• Enregistrement automatique au démarrage

• Rétrocompatibilité maintenue avec l'ancien système

• Tests complets avec couverture de 87.5%

• Configuration centralisée avec validation des limites

• Tests d'intégration complets pour la configuration RAG

Tests de Configuration

Le projet inclut un script de test d'intégration complet :

Ce script valide :

1. ✅ Chargement de la configuration

2. ✅ Gestionnaire de configuration

3. ✅ Outils utilisant la configuration

4. ✅ Validation des limites

5. ✅ Tests fonctionnels des outils

Tests LLM (Nouveau)

Les tests LLM vérifient l'intégration complète avec Ollama :

Tests LLM inclus :

1. ✅ Chargement de la configuration LLM

2. ✅ Configuration des fournisseurs LLM (Ollama)

3. ✅ Configuration de préparation avec cache

4. ✅ Service LLM avec vérification de disponibilité

5. ✅ Cache LLM avec statistiques

6. ✅ Intégration complète avec Ollama (appels réels)

Prérequis pour les tests Ollama :

• Ollama doit être en cours d'exécution (ollama serve)

• Modèle llama3.1:latest ou autre modèle configuré doit être disponible

🤝 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 : 28/12/2025
Version : 1.5.0
Statut : Production Ready avec Analyse LLM Intelligente 🧠🚀

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

Changelog v1.4.0

• Nouveau : Simplification des schémas d'entrée des outils RAG

• Nouveau : Paramètres embedding (embedding_provider, embedding_model, chunk_size, chunk_overlap) gérés automatiquement par la configuration

• Simplification : search_code - seul query requis, autres paramètres gérés par configuration

• Simplification : injection_rag - project_path requis, paramètres embedding gérés par configuration

• Simplification : update_project - project_path requis, paramètres embedding gérés par configuration

• Amélioration : Meilleure expérience utilisateur avec moins de paramètres requis

• Amélioration : Tests complets validant la simplification

• Amélioration : Documentation mise à jour avec détails sur la simplification

Changelog v1.3.0

• Nouveau : Système de masquage des outils avec flag hidden

• Nouveau : index_project masqué de la liste des outils visibles (rétrocompatibilité maintenue)

• Nouveau : Filtrage automatique des outils masqués dans ListToolsRequestSchema

• Nouveau : Tri des outils avec injection_rag en premier

• Amélioration : Comptage RAG corrigé (13 outils visibles : 9 graph + 4 RAG)

• Amélioration : Tests mis à jour pour vérifier la visibilité des outils

• Amélioration : Documentation mise à jour avec métriques précises

Changelog v1.2.0

• Nouveau : Outil injection_rag - Pipeline automatisé Phase 0 → RAG

• Nouveau : Intégration automatique Graph → RAG (enrichissement Phase 0)

• Nouveau : Système de logs détaillés avec niveaux (INFO, DEBUG, ERROR)

• Nouveau : Script wrapper scripts/injection-rag.sh pour usage CLI

• Nouveau : Test complet de pipeline test-pipeline-complet.js

• Migration : index_project devient alias déprécié de injection_rag

• Amélioration : Configuration LLM préconfigurée par défaut

• Amélioration : Vérification automatique des permissions et sécurité

• Amélioration : Documentation simplifiée et unifiée

Changelog v1.1.0

• Nouveau : Système de configuration RAG centralisée

• Nouveau : Gestionnaire de configuration TypeScript avec validation

• Nouveau : Limites automatiques pour les paramètres numériques

• Nouveau : Script de test d'intégration complet

• Amélioration : Tous les outils RAG utilisent la configuration

• Amélioration : Documentation mise à jour

• Fix : Validation des valeurs hors limites