Skip to main content
Glama
tolstoy-mcp
by NiKuma0

tolstoy-mcp — память Толстого для Claude

Локальный MCP-сервер с поиском по 90-томному Полному собранию сочинений Л. Н. Толстого (сочинения, дневники, записные книжки, письма), дневникам и воспоминаниям современников (Гусев, Гольденвейзер, Маковицкий, С. А. Толстая) и примечаниям редакторов.

  • recall — гибридный поиск фрагментов: по смыслу (bge-m3) и по словам (FTS5 со стеммингом), объединение через RRF;

  • read_document — дочитать письмо, дневниковую запись или главу целиком или окно вокруг найденного фрагмента;

  • промпт tolstoy — Claude говорит от лица Толстого, его орфографией, и ссылается на источники.

Всё работает локально, без API-ключей. При первом запуске скачивается около 800 МБ: база текстов (≈200 МБ сжатая, 500 МБ на диске) и модель для запросов (≈590 МБ).

Установка

Claude Desktop

  1. Скачайте tolstoy-<версия>-<ОС>.mcpb для своей системы со страницы Releases: darwin — macOS (Apple Silicon), win32 — Windows (x64 и ARM), linux — Linux (x64 и ARM).

  2. Откройте Claude Desktop → Settings → Extensions.

  3. Перетащите скачанный .mcpb в окно и нажмите Install.

Установка расширения в Claude Desktop

Claude Code и другие MCP-клиенты

Из исходников, нужен Node.js ≥ 22.13:

git clone https://github.com/nikuma0/tolstoy-mcp && cd tolstoy-mcp
npm ci --ignore-scripts && npm run build
claude mcp add tolstoy -- node "$PWD/dist/index.js"
node dist/index.js download        # по желанию: скачать данные заранее, а не при первом вопросе

Пока данные скачиваются, инструменты отвечают, сколько осталось. Данные лежат в системном каталоге данных приложения (~/.local/share/tolstoy-mcp, ~/Library/Application Support/tolstoy-mcp, %LOCALAPPDATA%\tolstoy-mcp); переопределить — переменной TOLSTOY_DATA_DIR.

node dist/index.js info                                       # что скачано и где
node dist/index.js search "что Толстой писал Фету о Шопенгауэре" --top 5
node dist/index.js search "непротивление злу насилием" --mine  # только тексты самого Толстого

Related MCP server: claude-kb

Как устроено

Корпус TEI/XML заранее разобран на фрагменты, векторизован моделью bge-m3 и сложен в одну базу SQLite. На запрос сервер ищет параллельно по смыслу и по словам и сливает результаты:

flowchart LR
    TEI["TEI/XML<br/>«Весь Толстой»"] -. "заранее" .-> DB[("SQLite<br/>тексты · FTS5 · векторы")]

    Claude["Claude"] <-->|stdio| MCP["tolstoy-mcp"]
    MCP -->|запрос| EMB["bge-m3 (ONNX int8)<br/>вектор запроса"]
    EMB --> VEC["поиск по смыслу<br/>int8-векторы"]
    MCP -->|запрос| FTS["поиск по словам<br/>FTS5 + стемминг"]
    DB --- VEC
    DB --- FTS
    VEC --> RRF["RRF<br/>слияние"]
    FTS --> RRF
    RRF -->|фрагменты| MCP
  • SQLite через встроенный node:sqlite: без нативных аддонов, поэтому работает и во встроенном Node Claude Desktop (Electron), где аддоны под чужой ABI не грузятся.

  • Векторы — int8 в обычной таблице (113 МБ вместо 450), поиск полным перебором в JS за ~125 мс. sqlite-vec пробовали: без ANN-индекса он не быстрее, а нативную сборку тянет. Ранжирование int8 почти не отличается от float32 (топ-10 совпадает на 9–10 из 10).

  • Полнотекстовый поиск — FTS5 по основам слов: в SQLite нет русского стеммера, поэтому и текст, и запрос заранее прогоняются через Snowball (snowball-stemmers).

  • Модель запросов — Xenova/bge-m3 (ONNX int8) через onnxruntime-node и @huggingface/tokenizers; это та же BAAI/bge-m3, которой векторизован корпус (косинус с Python-версией 0,98).

Разработка

npm ci --ignore-scripts      # postinstall onnxruntime-node докачивает CUDA; нам нужен только CPU
npm test                     # vitest: юнит-тесты и MCP-сервер на мини-базе из test/fixture.ts
npm run lint && npm run typecheck
npm run build                # tsup → dist/index.js
npm run dev -- search "Ясная Поляна"

Сквозной тест на настоящих данных (собранный dist, stdio): положить базу и модель в .data/ (TOLSTOY_DATA_DIR=.data node dist/index.js download) и запустить TOLSTOY_E2E_DATA_DIR=.data npm test.

Новая версия данных

  1. В репозитории TEI: cd importer && uv run tei-importer export (дамп в importer/export/).

  2. Здесь: npm run build:db -- <путь к export> --gzip — соберёт build/tolstoy-v1.db(.gz) и впишет размер и sha256 в data/assets.json.

  3. Выложить: gh release create data-v1 build/tolstoy-v1.db.gz (или gh release upload data-v1 … --clobber), закоммитить data/assets.json. Если меняется схема, поднять DB_FORMAT в src/schema.ts: имя файла станет tolstoy-v2.db, и старые установки не подхватят несовместимую базу.

Релиз

npm version patch && git push --follow-tags. Workflow release.yml собирает .mcpb под каждую ОС, проверяет каждый на своей платформе (scripts/smoke.mjs: нативный onnxruntime грузится, сервер отвечает на initialize и tools/list) и выкладывает их в GitHub Release. В npm пакет не публикуется.

Лицензия

Код — MIT. Тексты — корпус «Весь Толстой в TEI/XML» проекта Tolstoy Digital, CC BY-SA. Модель BAAI/bge-m3 — MIT.

Available Tools

2 tools
read_documentПрочитать документB
Read-only

Прочитать документ (письмо, дневниковую запись, главу) по порядку сегментов, с шапкой.

Inputs: doc_id (required), limit, start, segment_id. Returns: id, bibl, pages, title, +9 more

recallВспомнитьB
Read-only

Найти фрагменты корпуса Толстого по теме (гибридный поиск: смысл + слова).

Inputs: query (required), top, only_mine. Returns: hits

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    B3.4/5.0

    Scored across 2 tools

    Disambiguation5/5

    The two tools have clearly distinct purposes: 'recall' performs hybrid search for fragments by topic, while 'read_document' sequentially reads a full document. An agent can easily tell them apart without overlap.

    Naming Consistency4/5

    'read_document' follows a clear verb_noun pattern, but 'recall' is a bare verb without an object, deviating slightly. Both are lowercase and action-oriented, so the set is mostly consistent with minor variation.

    Tool Count3/5

    Two tools are borderline thin for a corpus server; typical well-scoped sets have 3–15 tools. While search and read cover a basic retrieval loop, additional tools for discovery or metadata could be expected.

    Completeness3/5

    The surface allows searching and reading documents, but there is no explicit way to list or browse available documents, nor to retrieve metadata such as dates or titles. This creates a notable gap for agents that need to discover what exists before reading.

    Maintenance

    ActivitySlowing
    ResponsivenessOutdated data

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables local RAG-based book and PDF search through Claude Desktop, using hybrid BM25 and vector retrieval with ChromaDB, plus optional OCR for scanned documents.
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables Claude to search locally indexed exported chat history and project docs, retrieving full messages and conversation IDs via full-text search.
      1
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables Claude to query a locally imported collection of PDF, TXT, and MD files via SQLite FTS5 full-text search (including Chinese), and to browse notebooks, source files, and individual passages. Every search result carries traceable citations such as filename, page number, line number, or timestamp.
      MIT
    • A
      license
      Not graded
      quality
      C
      maintenance
      Enables Claude to search and read the user's local document collection (PDF, Word, Excel, Markdown, plain text) during a conversation by subject, by file name/path, or by exact word, and to retrieve file contents page by page. It also supports finding folders relevant to a topic and checking indexing status, with everything running locally on the user's machine.
      MIT