Servidor MCP de RagDocs

Un servidor de Protocolo de Contexto de Modelo (MCP) que proporciona capacidades RAG (Recuperación-Generación Aumentada) mediante la base de datos vectorial Qdrant e incrustaciones de Ollama/OpenAI. Este servidor permite la búsqueda semántica y la gestión de documentación mediante similitud vectorial.

Características

Añadir documentación con metadatos
Búsqueda semántica a través de documentos
Enumerar y organizar la documentación
Eliminar documentos
Soporte para incrustaciones tanto de Ollama (gratuitas) como de OpenAI (pagadas)
Generación automática de fragmentos e incrustaciones de texto
Almacenamiento de vectores con Qdrant

Prerrequisitos

Node.js 16 o superior
Una de las siguientes configuraciones de Qdrant:
- Instancia local usando Docker (gratis)
- Cuenta en la nube de Qdrant con clave API (servicio administrado)
Uno de los siguientes para incrustaciones:
- Ollama ejecutándose localmente (predeterminado, gratuito)
- Clave API de OpenAI (opcional, de pago)

Herramientas disponibles

1. agregar_documento

Agregar un documento al sistema RAG.

Parámetros:

url (obligatorio): URL/identificador del documento
content (obligatorio): Contenido del documento
metadata (opcional): metadatos del documento
- title : Título del documento
- contentType : Tipo de contenido (p. ej., "texto/markdown")

2. buscar_documentos

Busque en documentos almacenados utilizando similitud semántica.

Parámetros:

query (obligatoria): consulta de búsqueda en lenguaje natural
options (opcionales):
- limit : Número máximo de resultados (1-20, predeterminado: 5)
- scoreThreshold : Puntuación mínima de similitud (0-1, valor predeterminado: 0,7)
- filters :
  - domain : Filtrar por dominio
  - hasCode : Filtro para documentos que contienen código
  - after : Filtro para documentos después de la fecha (formato ISO)
  - before : Filtro para documentos anteriores a la fecha (formato ISO)

3. lista_de_documentos

Enumere todos los documentos almacenados con opciones de paginación y agrupación.

Parámetros (todos opcionales):

page : Número de página (predeterminado: 1)
pageSize : Número de documentos por página (1-100, predeterminado: 20)
groupByDomain : Agrupa documentos por dominio (predeterminado: falso)
sortBy : Campo de ordenación ("marca de tiempo", "título" o "dominio")
sortOrder : Orden de clasificación ("asc" o "desc")

4. eliminar_documento

Eliminar un documento del sistema RAG.

Parámetros:

url (obligatorio): URL del documento a eliminar

Instalación

npm install -g @mcpservers/ragdocs

Configuración del servidor MCP

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "http://127.0.0.1:6333",
        "EMBEDDING_PROVIDER": "ollama"
      }
    }
  }
}

Usando Qdrant Cloud:

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "https://your-cluster-url.qdrant.tech",
        "QDRANT_API_KEY": "your-qdrant-api-key",
        "EMBEDDING_PROVIDER": "ollama"
      }
    }
  }
}

Usando OpenAI:

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "http://127.0.0.1:6333",
        "EMBEDDING_PROVIDER": "openai",
        "OPENAI_API_KEY": "your-api-key"
      }
    }
  }
}

Qdrant local con Docker

docker run -d --name qdrant -p 6333:6333 -p 6334:6334 qdrant/qdrant

Variables de entorno

QDRANT_URL : URL de su instancia de Qdrant
- Para local: " http://127.0.0.1:6333 " (predeterminado)
- Para la nube: " https://your-cluster-url.qdrant.tech "
QDRANT_API_KEY : Clave API para Qdrant Cloud (necesaria al usar una instancia en la nube)
EMBEDDING_PROVIDER : Elección del proveedor de incrustación ("ollama" o "openai", predeterminado: "ollama")
OPENAI_API_KEY : clave API de OpenAI (obligatoria si se usa OpenAI)
EMBEDDING_MODEL : Modelo a utilizar para incrustaciones
- Para Ollama: el valor predeterminado es "nomic-embed-text"
- Para OpenAI: el valor predeterminado es "text-embedding-3-small"

Licencia

Licencia Apache 2.0

This server cannot be installed

security - not tested

license - permissive license

quality - not tested

How are these scores calculated?

hybrid server

The server is able to function both locally and remotely, depending on the configuration or use case.

Proporciona capacidades RAG para la búsqueda de documentos semánticos utilizando la base de datos vectorial Qdrant e incrustaciones Ollama/OpenAI, lo que permite a los usuarios agregar, buscar, enumerar y eliminar documentación con soporte de metadatos.

Related Resources

Reddit Discussion about this server

Related MCP Servers

@ragrabbit/mcp
madarco
-
security
A
license
-
quality
Access any documentation indexed by RagRabbit Open Source AI site search
Last updated -
3
33
TypeScript
MIT License
Better Qdrant MCP Server
wrediam
-
security
A
license
-
quality
A Model Context Protocol server that enables semantic search capabilities by providing tools to manage Qdrant vector database collections, process and embed documents using various embedding services, and perform semantic searches across vector embeddings.
Last updated -
89
TypeScript
MIT License
Qdrant Retrieve MCP Server
gergelyszerovay
-
security
A
license
-
quality
Enables semantic search across multiple Qdrant vector database collections, supporting multi-query capability and providing semantically relevant document retrieval with configurable result counts.
Last updated -
46
TypeScript
MIT License
MCP Qdrant Server with OpenAI Embeddings
amansingh0311
-
security
F
license
-
quality
This server enables semantic search capabilities using Qdrant vector database and OpenAI embeddings, allowing users to query collections, list available collections, and view collection information.
Last updated -
2
Python

View all related MCP servers

RagDocs MCP Server