tolstoy-mcp
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@tolstoy-mcp что Толстой писал Фету о Шопенгауэре?"
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.
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
Скачайте
tolstoy-<версия>-<ОС>.mcpbдля своей системы со страницы Releases:darwin— macOS (Apple Silicon),win32— Windows (x64 и ARM),linux— Linux (x64 и ARM).Откройте Claude Desktop → Settings → Extensions.
Перетащите скачанный
.mcpbв окно и нажмите Install.

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 вопросеПока 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 ТолстогоRelated 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| MCPSQLite 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-nodeи@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
В репозитории TEI:
cd importer && uv run tei-importer export(дамп вimporter/export/).Здесь:
npm run build:db -- <путь к export> --gzip— соберётbuild/tolstoy-v1.db(.gz)и впишет размер и sha256 вdata/assets.json.Выложить:
gh release create data-v1 build/tolstoy-v1.db.gz(илиgh release upload data-v1 … --clobber), закоммититьdata/assets.json. Если меняется схема, поднятьDB_FORMATвsrc/schema.ts: имя файла станетtolstoy-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 toolsread_documentПрочитать документBRead-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
recallВспомнитьBRead-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
Scored across 2 tools
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.
'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.
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.
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
Related MCP Connectors
Your personal library, readable by AI agents: durable snapshots, hybrid search, 46 MCP tools.
Read-only semantic search over Vedic scripture verses, commentaries, and recorded lectures.
Read and search folders on your own computer with explicit consent. Files are never uploaded.
Your versioned prompt library: search, read, save and version prompts from Claude Code.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceEnables 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
- AlicenseNot gradedqualityBmaintenanceEnables Claude to search locally indexed exported chat history and project docs, retrieving full messages and conversation IDs via full-text search.1MIT
- AlicenseNot gradedqualityBmaintenanceEnables 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
- AlicenseNot gradedqualityCmaintenanceEnables 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