MCP Documentation Server

Lokale Dokumentenverwaltung und semantische Suche für KI-Codierungsagenten. Keine externen Datenbanken, keine Cloud-APIs, keine Anbieterbindung.

Im Gegensatz zu anderen MCP-Servern, die nur über die CLI verfügen, wird dieser mit einem vollwertigen Web-Dashboard geliefert – durchsuchen, suchen, hochladen und verwalten Sie Ihre Wissensbasis direkt im Browser. Jedes MCP-Tool ist auch als REST-API verfügbar, was KI-Agenten eine schlanke, schemalose Schnittstelle bietet.

• 🏠 Läuft vollständig offline – Orama-Vektordatenbank mit lokalen KI-Embeddings (Transformers.js)

• 🌐 Integrierte Web-Benutzeroberfläche – startet automatisch auf Port 3080 zusammen mit dem MCP-Server

• 🔍 Hybride Suche – Volltext- und Vektorähnlichkeit mit Parent-Child-Chunking

• 🤖 Optionale KI-Suche – Google Gemini für erweiterte Dokumentenanalyse (eigenen Schlüssel mitbringen)

• 📁 Drag-and-Drop-Uploads – Unterstützung für .txt, .md, .pdf

• 📦 Veröffentlicht im MCP-Registry – per npx installierbar, kein Klonen erforderlich

Schnellstart

{
  "mcpServers": {
    "documentation": {
      "command": "npx",
      "args": ["-y", "@Unity-Billal-mesloub/mcp-documentation-server"]
    }
  }
}

🤖 Agent Skill (REST-API) – empfohlen für KI-Agenten

Jedes MCP-Tool ist auch über die REST-API unter `` zugänglich. Dies ist der empfohlene Weg für die Interaktion mit KI-Agenten (Claude Code, OpenCode, Gemini CLI, Cursor), da vermieden wird, MCP-Tool-Schemas in den Gesprächskontext zu laden – nur das Antwort-JSON wird übernommen.

  -H "Content-Type: application/json" \
  -d '{"query": "your search", "limit": 5}'

Eine einsatzbereite Fähigkeit ist unter skills/documentation-server/SKILL.md enthalten – sie bringt Ihrem Agenten jeden Endpunkt mit Beispielen bei. Installieren Sie sie:

npx skills add https://github.com/Unity-Billal-mesloub/mcp-documentation-server --skill documentation-server

Grundlegender Arbeitsablauf

1. Fügen Sie Dokumente mit add_document hinzu oder legen Sie .txt- / .md- / .pdf-Dateien im Upload-Ordner ab und rufen Sie process_uploads auf.

2. Durchsuchen Sie alles mit search_all_documents oder ein einzelnes Dokument mit search_documents.

3. Verwenden Sie get_context_window, um benachbarte Chunks abzurufen und dem LLM einen breiteren Kontext zu geben.

Related MCP server: OpenLMlib

Web-Benutzeroberfläche

Die Weboberfläche startet automatisch auf Port 3080, wenn der MCP-Server gestartet wird. Über die Weboberfläche können Sie:

• 📊 Dashboard – Übersicht über alle Dokumente und Statistiken

• 📄 Dokumente – Dokumente durchsuchen, anzeigen und löschen

• ➕ Dokument hinzufügen – Dokumente mit Titel, Inhalt und Metadaten erstellen

• 🔍 Alle durchsuchen – semantische Suche über alle Dokumente

• 🎯 Im Dokument suchen – Suche innerhalb eines bestimmten Dokuments

• 🤖 KI-Suche – Gemini-gestützte Analyse (wenn GEMINI_API_KEY gesetzt ist)

• 📁 Dateien hochladen – Dateien per Drag & Drop hochladen und in die Wissensbasis verarbeiten

• 🪟 Kontextfenster – Chunks um einen bestimmten Index erkunden

MCP-Client konfigurieren

Minimal

{
  "mcpServers": {
    "documentation": {
      "command": "npx",
      "args": ["-y", "@Unity-Billal-mesloub/mcp-documentation-server"]
    }
  }
}

Mit Umgebungsvariablen (alle optional)

{
  "mcpServers": {
    "documentation": {
      "command": "npx",
      "args": ["-y", "@Unity-Billal-mesloub/mcp-documentation-server"],
      "env": {
        "MCP_BASE_DIR": "/path/to/workspace",
        "GEMINI_API_KEY": "your-api-key-here",
        "MCP_EMBEDDING_MODEL": "Xenova/all-MiniLM-L6-v2",
        "START_WEB_UI": "true",
        "WEB_HOST": "127.0.0.1",
        "WEB_PORT": "3080"
      }
    }
  }
}

Alle Umgebungsvariablen sind optional. Ohne GEMINI_API_KEY sind nur die lokalen, auf Embeddings basierenden Suchwerkzeuge verfügbar.

MCP-Tools

Der Server registriert die folgenden Tools (alle mit Zod-Schemas validiert):

📄 Dokumentenverwaltung

📁 Dateiverarbeitung

🔍 Suche

Konfiguration

Konfigurieren Sie über Umgebungsvariablen oder eine .env-Datei im Projektstammverzeichnis:

Speicherlayout

~/.mcp-documentation-server/     # Or custom path via MCP_BASE_DIR
├── data/
│   ├── orama-chunks.msp         # Orama vector DB (child chunks + embeddings)
│   ├── orama-docs.msp           # Orama document DB (full content + metadata)
│   ├── orama-parents.msp        # Orama parent chunks DB (context sections)
│   ├── migration-complete.flag   # Written after legacy JSON migration
│   └── *.md                     # Markdown copies of documents
└── uploads/                     # Drop .txt, .md, .pdf files here

Embedding-Modelle

Festgelegt über MCP_EMBEDDING_MODEL:

Modelle werden bei der ersten Verwendung heruntergeladen (~80–420 MB). Die Vektordimension wird automatisch vom Anbieter bestimmt.

⚠️ Wichtig: Ein Wechsel des Embedding-Modells erfordert das erneute Hinzufügen aller Dokumente – Embeddings verschiedener Modelle sind inkompatibel. Die Orama-Datenbank wird automatisch neu erstellt, wenn sich die Dimension ändert.

Architektur

Server (FastMCP, stdio)
  ├─ Web UI (Express, port 3080)
  │    └─ REST API → DocumentManager
  └─ MCP Tools
       └─ DocumentManager
            ├─ OramaStore          — Orama vector DB (chunks DB + docs DB + parents DB), persistence, migration
            ├─ IntelligentChunker  — Parent-child chunking (code, markdown, text, PDF)
            ├─ EmbeddingProvider   — Local embeddings via @xenova/transformers
            │    └─ EmbeddingCache — LRU in-memory cache
            └─ GeminiSearchService — Optional AI search via Google Gemini

• OramaStore verwaltet drei Orama-Instanzen: eine für Dokumentmetadaten/-inhalte, eine für Child-Chunks mit Vektor-Embeddings und eine für Parent-Chunks (Kontextabschnitte). Alle werden als Binärdateien auf der Festplatte gespeichert und beim Start wiederhergestellt.

• IntelligentChunker implementiert das Parent-Child-Chunking-Muster: Dokumente werden zunächst in große Parent-Chunks aufgeteilt, die den vollständigen Kontext (Abschnitte, Absätze) bewahren, dann wird jeder Parent weiter in kleine Child-Chunks für die präzise Vektorsuche aufgeteilt. Zur Abfragezeit werden Ergebnisse nach Parent dedupliziert, sodass das LLM sowohl das passende Fragment als auch den breiteren Kontext erhält.

• EmbeddingProvider lädt ein Transformers.js-Modell lazy für lokale Inferenz – keine API-Aufrufe erforderlich.

Entwicklung

git clone https://github.com/Unity-Billal-mesloub/mcp-documentation-server.git
cd mcp-documentation-server
npm install

npm run dev       # FastMCP dev mode with hot reload
npm run build     # TypeScript compilation
npm run inspect   # FastMCP web UI for interactive tool testing
npm start         # Direct tsx execution (MCP server + web UI)
npm run web       # Run only the web UI (development)
npm run web:build # Run only the web UI (compiled)

Mitwirken

1. Repository forken

2. Erstellen Sie einen Feature-Branch: git checkout -b feature/name

3. Befolgen Sie Conventional Commits für Nachrichten

4. Öffnen Sie einen Pull-Request

Unterstützung

• 📖 Dokumentation

• 🐛 Probleme melden

• 💬 MCP-Community

• 🤖 Google AI Studio – einen Gemini-API-Schlüssel erhalten

Sternenverlauf

Erstellt mit FastMCP, Orama und TypeScript