mcp-embedding-search

Ein Model Context Protocol (MCP)-Server, der eine Turso-Datenbank mit Einbettungen und Transkriptsegmenten abfragt. Mit diesem Tool können Benutzer durch Fragen nach relevanten Transkriptsegmenten suchen, ohne neue Einbettungen zu generieren.

Merkmale

🔍 Vektorähnlichkeitssuche für Transkriptsegmente
📊 Relevanzbewertung basierend auf Kosinusähnlichkeit
📝 Vollständige Transkript-Metadaten (Episodentitel, Zeitstempel)
⚙️ Konfigurierbare Suchparameter (Limit, Mindestpunktzahl)
🔄 Effizientes Datenbankverbindungspooling
🛡️ Umfassende Fehlerbehandlung
📈 Leistung für schnelle Antworten optimiert

Related MCP server: Better Qdrant MCP Server

Konfiguration

Dieser Server muss über Ihren MCP-Client konfiguriert werden. Hier sind Beispiele für verschiedene Umgebungen:

Cline-Konfiguration

Fügen Sie dies zu Ihren Cline MCP-Einstellungen hinzu:

{ "mcpServers": { "mcp-embedding-search": { "command": "node", "args": ["/path/to/mcp-embedding-search/dist/index.js"], "env": { "TURSO_URL": "your-turso-database-url", "TURSO_AUTH_TOKEN": "your-turso-auth-token" } } } }

Claude Desktop-Konfiguration

Fügen Sie dies zu Ihrer Claude Desktop-Konfiguration hinzu:

{ "mcpServers": { "mcp-embedding-search": { "command": "node", "args": ["/path/to/mcp-embedding-search/dist/index.js"], "env": { "TURSO_URL": "your-turso-database-url", "TURSO_AUTH_TOKEN": "your-turso-auth-token" } } } }

API

Der Server implementiert ein MCP-Tool:

Sucheinbettungen

Suchen Sie mithilfe der Vektorähnlichkeit nach relevanten Transkriptsegmenten.

Parameter:

question (Zeichenfolge, erforderlich): Der zu suchende Abfragetext
limit (Zahl, optional): Anzahl der zurückzugebenden Ergebnisse (Standard: 5, Max: 50)
min_score (Zahl, optional): Minimaler Ähnlichkeitsschwellenwert (Standard: 0,5, Bereich: 0-1)

Antwortformat:

[ { "episode_title": "Episode Title", "segment_text": "Transcript segment content...", "start_time": 123.45, "end_time": 167.89, "similarity": 0.85 } // Additional results... ]

Datenbankschema

Dieses Tool erwartet eine Turso-Datenbank mit folgendem Schema:

CREATE TABLE embeddings ( id INTEGER PRIMARY KEY AUTOINCREMENT, transcript_id INTEGER NOT NULL, embedding TEXT NOT NULL, FOREIGN KEY(transcript_id) REFERENCES transcripts(id) ); CREATE TABLE transcripts ( id INTEGER PRIMARY KEY AUTOINCREMENT, episode_title TEXT NOT NULL, segment_text TEXT NOT NULL, start_time REAL NOT NULL, end_time REAL NOT NULL );

Die embedding sollte Vektoreinbettungen enthalten, die mit der Funktion vector_distance_cos verwendet werden können.

Entwicklung

Aufstellen

Klonen Sie das Repository
Installieren Sie Abhängigkeiten:

npm install

Erstellen Sie das Projekt:

npm run build

Im Entwicklungsmodus ausführen:

npm run dev

Veröffentlichen

Das Projekt verwendet Änderungssätze zur Versionsverwaltung. So veröffentlichen Sie:

Erstellen Sie einen Änderungssatz:

npm run changeset

Versionieren Sie das Paket:

npm run version

Auf npm veröffentlichen:

npm run release

Beitragen

Beiträge sind willkommen! Senden Sie gerne einen Pull Request.

Lizenz

MIT-Lizenz – Einzelheiten finden Sie in der Datei LICENSE .

Danksagung

Basierend auf dem Model Context Protocol
Entwickelt für die effiziente Vektorähnlichkeitssuche in Transkriptdatenbanken

This server cannot be installed

-

security - not tested

F

license - not found

-

quality - not tested

How are these scores calculated?

Resources

GitHub Repository

Need Help?

Report Issue

Reddit Discussion

Related Servers

MCP Embedding Search