porta-rag-mcp
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
porta-rag-mcp — RAG knowledge base как MCP-tools для AI-клиента
MCP-сервер, который выставляет RAG-базу знаний (поиск по документам) как tools для любого AI-клиента — Claude Desktop, Cursor, VS Code, ChatGPT. AI-агент сам решает когда искать по базе и как использовать найденное.
Архитектура — «обёртка»: тонкий слой FastMCP над
RAG-движком, реализующим фиксированный интерфейс (retrieve / query /
get_stats / diagnostic). Код RAG-движка не зависит от MCP и не меняется.
Демо-домен: база знаний по ВЭД (таможенные процедуры, ТН ВЭД, документы для импорта/экспорта). Система доменно-независима — на входе любые текстовые документы в
rag_data/docs/.
Почему это интересно
Это пересечение RAG ( retrieval-слой) и MCP (стандарт подключения AI к внешним инструментам). Главное — оптимизация токенов: поиск разделён на два режима:
Tool | LLM | Назначение | Токены |
| нет | retrieval-фаза RAG: топ-k чанков | дёшево |
| да | поиск + связный LLM-ответ с цитатами | дороже |
search_knowledge_base — это RAG «без LLM»: чистый retrieval, возвращает
релевантные фрагменты без вызова чат-модели. Для справочных lookups модель
предпочитает его; ask_knowledge_base (с генерацией) — только когда нужен
связный ответ. Это та самая оптимизация из бенчмарков
(RAG ≈ $0.005/запрос vs MCP-only ≈ $0.17/запрос).
Related MCP server: Solarium
Tools (все read-only — ничего не меняют в индексе)
Tool | Параметры | Возвращает |
|
|
|
|
|
|
| — |
|
| — |
|
Два бэкенда
1. Demo (в этом репо) — TF-IDF, без ключей и LLM
rag_engine.py в корне репо — минимальный TF-IDF бэкенд на numpy. Запускается
standalone, без API-ключей и без LLM. ask_knowledge_base в demo-режиме собирает
ответ из топ-чанков с цитатами (без генерации). Это для демонстрации
MCP-обёртки, не для продакшена.
2. Production — FAISS + BM25 + rerank (Porta)
В продакшене этот же mcp_porta_rag.py работает рядом с production-rag_engine.py
(FAISS + BM25 + rerank, эмбеддинги BGE-M3/e5, чат-модель DeepSeek/Qwen).
mcp_porta_rag.py не меняется — он импортирует rag_engine с тем же
интерфейсом. Достаточно положить production-rag_engine.py рядом и положить
документы/индекс в rag_data/.
Установка и запуск
pip install -r requirements.txt # fastmcp, numpy
# 1. самопроверка бэкенда
python3 rag_engine.py
# 2. дебаг в MCP Inspector (браузерный UI, кликаешь tools мышкой)
fastmcp dev mcp_porta_rag.py
# 3. stdio-сервер для AI-клиента
fastmcp run mcp_porta_rag.pyДокументы: положи .txt/.md в rag_data/docs/ — они индексируются при первом
запросе (lazy). .env не требуется для demo-бэкенда.
Подключение к Claude Desktop
~/Library/Application Support/Claude/claude_desktop_config.json:
{
"mcpServers": {
"porta-rag": {
"command": "python3",
"args": ["/path/to/porta-rag-mcp/mcp_porta_rag.py"]
}
}
}Перезапустить Claude Desktop → модель видит 4 tools. Пример запроса:
«найди в базе, какие документы нужны для импорта» → Claude вызывает
search_knowledge_base и получает релевантные фрагменты.
Гибрид с Notion (опционально)
Если в тот же конфиг добавить официальный notion-mcp-server, Claude сможет
комбинировать tools обоих серверов:
«найди в ВЭД-базе про код ТН ВЭД 0702 и запиши саммари в Notion»
→ search_knowledge_base (этот сервер) + create_page (Notion).
MCP-серверы не связаны друг с другом напрямую — они оба подключены к одному
AI-клиенту, который оркестрирует между ними.
Структура
.
├── mcp_porta_rag.py # MCP-сервер (FastMCP): 4 read-only tools
├── rag_engine.py # demo TF-IDF бэкенд (без ключей/LLM)
├── rag_data/docs/ # исходные документы (.txt/.md)
│ ├── customs_procedures.txt
│ ├── tn_ved_payments.txt
│ └── ved_documents.txt
├── requirements.txt # fastmcp, numpy
└── README.mdИнтерфейс RAG-бэкенда (для замены на production)
def retrieve(question: str, k: int = 3, user_id=None) -> list[dict]
# -> [{"source": str, "text": str, "chunk_id": int, "sim": float}, ...]
def query(question: str, k: int = 3, model=None, user_id=None, history=None) -> dict
# -> {"answer": str, "sources": list, "empty": bool, "not_found": bool, "latency_ms": int}
def get_stats(user_id=None) -> dict
# -> {"available": bool, "empty": bool, "collection_count": int, "files": [...], ...}
def diagnostic() -> dictСтек
Слой | Технология |
MCP | FastMCP 3.x (Python), stdio / Streamable HTTP |
RAG (demo) | TF-IDF + косинус, numpy, без ключей |
RAG (prod) | FAISS + BM25 + rerank, эмбеддинги BGE-M3/e5, DeepSeek/Qwen |
Лицензия
MIT.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
KnowMan MCP server: search, ask, save and read your Knowledge Base from any MCP client.
An MCP server for search and retrieval over a local LanceDB database
Ask your own documents and get answers that cite the source passage. Workspace knowledge bases over MCP for Cursor, Claude and any MCP client.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceMCP server that exposes Open WebUI Knowledge Bases as tools and resources, enabling AI assistants to search and access knowledge bases.4MIT
- AlicenseNot gradedqualityDmaintenanceA knowledge base MCP server backed by Qdrant vector database with local embeddings for semantic search and document management.3 npm1ISC
- FlicenseNot gradedqualityDmaintenanceA local RAG knowledge base MCP server that exposes semantic document search as tools using zvec for vector storage and Qwen3-Embedding for text embedding.1-
- AlicenseNot gradedqualityCmaintenanceA RAG knowledge base MCP server using FastMCP and LanceDB, enabling hybrid search, document ingestion, and full MCP tool/resource/prompt support.MIT