Skip to main content
Glama

Office & PDF Document Reader MCP Server for Google Antigravity

Dedykowany serwer Model Context Protocol (MCP) zoptymalizowany pod kątem szybkiego, oszczędnego w tokeny czytania i inspekcji dokumentów biurowych w Google Antigravity.

Obsługiwane formaty

  • PDF (.pdf): cyfrowy tekst, tabele, spis treści/zakładki, ekstrakcja wybranych stron (page_range).

  • Microsoft Word (.docx): nagłówki, akapity, tabele, konwersja do czytelnego Markdown.

  • Microsoft Excel (.xlsx, .xls, .xlsm): inspekcja arkuszy, kolumn i wierszy, dedykowane stronicowane tabele Markdown.

  • Microsoft PowerPoint (.pptx): tytuły slajdów, treść slajdów, struktura prezentacji.

  • Pliki tekstowe (.csv, .tsv, .txt, .md, .html).


Related MCP server: document-parser

Wymagania wstępne

  • Python 3.10+ (zalecany 3.11, 3.12, 3.13 lub 3.14).

  • Zainstalowane narzędzie Google Antigravity (agy).


Szybka instalacja

Cały instalator jest w pełni wieloplatformowy (Cross-Platform) i automatycznie tworzy izolowane środowisko wirtualne (.venv), pobiera pakiety, rejestruje serwer w ~/.gemini/config/mcp_config.json oraz konfiguruje globalne wytyczne w GEMINI.md.

🪟 Windows

Opcja 1 (PowerShell):

.\install.ps1

Opcja 2 (Python bezpośrednio):

python install.py

Opcja 3 (CMD / Podwójne kliknięcie): Uruchom plik install.bat.


🐧 Ubuntu / Debian / Linux

  1. Upewnij się, że posiadasz pakiety Pythona i venv:

sudo apt update
sudo apt install -y python3 python3-pip python3-venv
  1. Nadaj uprawnienia i uruchom instalator:

chmod +x install.sh
./install.sh

(lub bezpośrednio: python3 install.py)


🍏 macOS

chmod +x install.sh
./install.sh

Dostępne narzędzia MCP

Po instalacji agent Antigravity ma automatycznie dostęp do 3 narzędzi:

1. inspect_document

  • Przeznaczenie: Błyskawiczny podgląd struktury i metadanych pliku (zajmuje < 50ms i minimalną liczbę tokenów).

  • Zwraca: Liczbę stron i spis treści (PDF), spis arkuszy z nagłówkami kolumn (Excel), strukturę nagłówków H1-H3 (Word), spis slajdów (PowerPoint).

  • Argumenty:

    • file_path: Ścieżka do pliku.

2. read_document

  • Przeznaczenie: Uniwersalny odczyt i konwersja do Markdown z ochroną przed przepełnieniem kontekstu (max_chars).

  • Argumenty:

    • file_path: Ścieżka do pliku.

    • page_range: (Opcjonalnie dla PDF) np. "1-5", "10-25", "2,4,8".

    • max_chars: Maksymalny limit znaków (domyślnie 50 000).

3. read_excel_sheet

  • Przeznaczenie: Dedykowany czytnik arkuszy kalkulacyjnych zoptymalizowany pod kątem tokenów.

  • Argumenty:

    • file_path: Ścieżka do pliku Excel.

    • sheet_name: Nazwa arkusza (domyślnie pierwszy).

    • start_row: Numer wiersza początkowego (domyślnie 1).

    • max_rows: Liczba wierszy do wyświetlenia (domyślnie 100).

    • columns: Wybrane kolumny po nazwie lub literze (np. "A,B,E" lub "Nazwa,Cena").


Weryfikacja instalacji

W terminalu możesz sprawdzić status zarejestrowanego serwera:

agy mcp list

Powinien pojawić się wpis:

NAME               TYPE   STATUS   COMMAND/URL
office-doc-reader  stdio  enabled  .../.gemini/mcp-servers/office-doc-reader/.venv/...

Wewnątrz czatu CLI TUI wpisz:

/mcp

aby otworzyć interaktywny panel zarządzania serwerami MCP.

Related MCP Connectors

Related MCP Servers

  • -
    license
    Not graded
    quality
    Not graded
    maintenance
    Enables AI agents to efficiently access and process Google Drive documents by converting them to markdown and offering selective content extraction. Features intelligent caching, advanced search capabilities, and respect for Drive permissions to optimize context window usage.
    -
  • A
    license
    Not graded
    quality
    C
    maintenance
    Provides AI agents with comprehensive document parsing capabilities including PDF text extraction, OCR, HTML-to-markdown conversion, table extraction, and summarization, optimized for agent workflows.
    30 npm
    MIT
  • A
    license
    Not graded
    quality
    A
    maintenance
    Converts documents (PDF, DOCX, XLSX, EPUB, etc.) to clean, structured Markdown, and retrieves document info, for use with AI agents.
    MIT