MCP RAG

Um servidor MCP (Model Context Protocol) completo para RAG (Retrieval-Augmented Generation) com gerenciamento de arquivos e memória vetorial para agentes.

🚀 Características

• 📄 Gerenciamento de Arquivos: Adicione, remova e pesquise documentos em diversos formatos (PDF, DOCX, TXT, MD, CSV, JSON)

• 🧠 Memória Vetorial: Sistema separado para que agentes armazenem informações importantes para uso futuro

• 🔍 Busca Semântica: Utiliza embeddings do Hugging Face para busca semântica avançada

• 💾 Banco Vetorial Local: ChromaDB local para armazenamento eficiente de vetores e metadados

• 🛠️ Script de Manutenção: CLI completo para gerenciamento e manutenção do sistema

• 📚 Documentação Completa: HTML para GitHub Pages com guias de configuração

📋 Pré-requisitos

• Node.js 18+

• npm ou yarn

• Chave da API do Hugging Face

🛠️ Instalação

1. Clone o repositório

   git clone https://github.com/seu-usuario/mcp-rag.git cd mcp-rag

2. Instale as dependências

   npm install

3. Configure as variáveis de ambiente

   cp .env.example .env

   Edite o arquivo .env e configure sua chave da API do Hugging Face:

   HUGGINGFACE_API_KEY=sua_chave_aqui

4. Compile o projeto

   npm run build

🔧 Configuração

Cursor

Adicione a seguinte configuração no arquivo de configurações do MCP:

Claude Desktop

Adicione a configuração no arquivo claude_desktop_config.json:

VS Code

Configure no settings.json:

🛠️ Script de Manutenção

O projeto inclui um CLI completo para manutenção:

🔍 Ferramentas MCP Disponíveis

Gerenciamento de Arquivos

• add_file: Adiciona um arquivo ao sistema RAG

• search_files: Busca documentos relevantes

• remove_file: Remove um arquivo do sistema

• list_files: Lista todos os arquivos no sistema

Gerenciamento de Memória

• add_memory: Adiciona informação à memória do agente

• search_memory: Busca na memória do agente

• remove_memory: Remove uma entrada da memória

• get_memory_by_agent: Obtém toda a memória de um agente

Utilitários

• get_stats: Obtém estatísticas do sistema

• clear_data: Limpa dados do sistema

• test_connection: Testa a conexão com o serviço de embeddings

📊 Formatos Suportados

• PDF: Documentos PDF com texto extraível

• DOCX: Documentos do Microsoft Word

• TXT: Arquivos de texto simples

• MD: Arquivos Markdown

• CSV: Arquivos de dados separados por vírgula

• JSON: Arquivos de dados JSON

⚙️ Configurações

Variáveis de Ambiente

🚀 Uso

Iniciando o Servidor

Desenvolvimento

Testes

📚 Documentação

A documentação completa está disponível em HTML para GitHub Pages em docs/index.html. Ela inclui:

• Guias de instalação e configuração

• Instruções para Cursor, Claude Desktop e VS Code

• Exemplos de uso

• Solução de problemas

• Referência completa das ferramentas

🤝 Contribuição

1. Fork o projeto

2. Crie uma branch para sua feature (git checkout -b feature/AmazingFeature)

3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')

4. Push para a branch (git push origin feature/AmazingFeature)

5. Abra um Pull Request

📄 Licença

Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para detalhes.

🙏 Agradecimentos

• Model Context Protocol - Protocolo base

• Hugging Face - Serviço de embeddings

• ChromaDB - Banco de dados vetorial

• Anthropic - Claude e MCP

📞 Suporte

Se você encontrar problemas ou tiver dúvidas:

1. Verifique a documentação HTML

2. Abra uma issue

3. Consulte a seção de solução de problemas na documentação

Desenvolvido com ❤️ para a comunidade de IA