Which integrations are available for this server?

Supports extracting content from JPEG images using the unstructured library to index visual data for search and retrieval. Utilizes Neo4j as a graph database to store and query document relationships, supporting vector, graph, and full-text search with relationship-based reranking. Supports local Ollama instances for embedding and LLM tasks, allowing for a privacy-focused, local-first RAG implementation. Integrates with OpenAI-compatible APIs for generating embeddings, performing graph-based reasoning, and reranking search results. Allows for the ingestion and processing of Emacs Org-mode files, incorporating structured documentation into the searchable knowledge base. Enables the ingestion and semantic indexing of XML documents for retrieval-augmented generation tasks.

How do I use local-RAG-backend?

1. Click on "Install Server". 2. Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state. 3. In the chat, type @ followed by the MCP server name and your instructions, e.g., "@local-RAG-backend Search my local documents for details on the new system architecture" That's it! The server will respond to your query, and you can continue using it as needed. Here is a step-by-step guide with screenshots.

local-RAG-backend

ローカル環境のdocker composeで完結するRAGシステムのバックエンドです。各種ドキュメントを登録し、MCP serverで検索できます。

特徴

幅広いファイル形式に対応: unstructuredを利用して、PDF、Office、テキスト、画像など28種類のファイル形式に対応しています。
MCP検索機能: graphiti MCP Serverの実装を流用して、Model Context Protocol対応の検索を提供します。
高度なRAG機能: graphitiを利用して、ベクトル検索 + グラフ検索 + 全文検索の結果を、関係性でリランキングした結果を返します。
時系列の関係性の変化を追跡: graphitiのエピソード機能で、登録したドキュメント内の概念の関係性の変化を追跡できます。

graph TB User[システム管理者] AIAgent[MCP Client] subgraph "local-RAG-backend" Ingest[ドキュメント登録<br/>unstructured] MCPServer[ナレッジ検索<br/>MCP Server] Graphiti[graphiti core] Neo4j[Neo4j] end LLM[LLMモデル<br/>OpenAI API互換] Ollama[Embeddingモデル<br/>OpenAI API互換] User -->|コマンド実行| Ingest AIAgent -->|MCP Tools呼び出し| MCPServer Ingest --> Graphiti MCPServer --> Graphiti Graphiti -->|ドキュメント登録| Neo4j Graphiti -->|検索クエリ実行| Neo4j Graphiti ---> LLM Graphiti ---> Ollama

Getting Started

1. 前提

OpenAPI互換のLLM APIが利用できる
- 利用するモデル
  - ベクトル検索に利用するEmbeddingモデル
  - グラフ検索に利用するLLMモデル
  - リランキングに利用する軽量なLLMモデル
- EmbeddingモデルとLLMモデルは、別のURLを指定できます
  - 例:
    - Embeddingモデル: ローカルのOllama
    - LMモデル: OpenAI
      - グラフ検索: o4-mini
      - リランキング: gpt-4.1-nano
  - 注意:
    - LLMモデルをローカルのOllamaで利用する場合、フォーマット指定のレスポインスを、数秒で返すパフォーマンスが必要です。
    - OpenRouterは rate limit エラーになりやすいので、ルーティング先を直接指定することをおすすめします。

2. インストール

# 実行ディレクトリの作成 mkdir -p path/to/RAG/data/input/ cd path/to/RAG/ # ファイルのダウンロード curl -Lo docker-compose.yml https://raw.githubusercontent.com/suwa-sh/local-RAG-backend/refs/heads/main/docker-compose.yml curl -Lo .env https://raw.githubusercontent.com/suwa-sh/local-RAG-backend/refs/heads/main/.env.example # 環境変数設定 vi .env # 起動 docker compose up -d

3. ドキュメント登録

# ドキュメントを配置 cp -r /path/to/documents/* path/to/RAG/data/imput/ # 一括登録実行 # ※エラー終了した場合も、同じコマンドで前回失敗したファイルから再開できます。 docker compose run --rm ingest # ログ確認 tail ./data/logs/ingest-*.log

サポートファイル形式

カテゴリ	対応形式
テキスト	txt, md, rst, org
Web	html, xml
PDF	pdf
Microsoft Office	doc, docx, ppt, pptx, xls, xlsx
OpenDocument	odt
リッチテキスト	rtf
eBook	epub
データ	csv, tsv
メール	eml, msg, p7s
画像	bmp, heic, jpeg, jpg, png, tiff, tif

ディレクトリ構成

data/input/ : 未処理ファイル data/input_work/ : エピソード登録中（エピソードファイル保存済み） data/input_done/ : 処理完了ファイル data/input_chunks/ : エラー時再処理用チャンク分割ファイル

4. ナレッジ検索

n8n / AI Agent node や Claude DeskctopなどのMCP Clientから接続
{ "mcpServers": { "graphiti-memory": { "transport": "sse", "url": "http://localhost:8000/sse" } } }

利用可能なMCP Tools

// RAG用検索 const result = await mcp.call_tool("search_for_rag", { query: "RAGシステムについて", group_ids: ["default"], }); // 事実検索 const result = await mcp.call_tool("search_memory_facts", { query: "RAGシステムについて", group_ids: ["default"], max_facts: 10, }); // ノード検索 const nodes = await mcp.call_tool("search_memory_nodes", { query: "システム", group_ids: ["default"], max_nodes: 5, }); // エピソード取得 const episodes = await mcp.call_tool("get_episodes", { group_id: "default", last_n: 10, }); // エピソード追加 const addResult = await mcp.call_tool("add_memory", { name: "新しい情報", episode_body: "ここに内容を記述", group_id: "default", source: "text", });

設定

.envファイルの例

# Neo4jデータベース NEO4J_URI=bolt://localhost:7687 # docker composeでは不使用です。定義に合わせて上書きされます。 NEO4J_USER=neo4j NEO4J_PASSWORD=password # LLMモデル LLM_MODEL_URL=https://api.openai.com/v1 LLM_MODEL_NAME=gpt-4o-mini LLM_MODEL_KEY=your_openai_api_key # Rerankモデル RERANK_MODEL_NAME=gpt-4.1-nano # Embeddingモデル EMBEDDING_MODEL_URL=http://host.docker.internal:11434/v1 EMBEDDING_MODEL_NAME=kun432/cl-nagoya-ruri-large:latest EMBEDDING_MODEL_KEY=dummy # テナント識別子 GROUP_ID=default # チャンク設定（オプション） CHUNK_SIZE_MAX=2000 CHUNK_SIZE_MIN=200 CHUNK_OVERLAP=0

既知の課題

ナレッジ検索の内部処理の可視化（ログ分析は可能）

local-RAG-backend

local-RAG-backend

特徴

Getting Started

1. 前提

2. インストール

3. ドキュメント登録

サポートファイル形式

ディレクトリ構成

4. ナレッジ検索

利用可能なMCP Tools

設定

.envファイルの例

既知の課題

Resources

New MCP Servers

Latest Blog Posts

MCP directory API