Skip to main content
Glama
Vbridge7

Glanser Guidelines MCP Server

by Vbridge7

Glanser Guidelines MCP-Server

Semantische Suche über das Korpus der Coding-Richtlinien des Teams. Angetrieben von FastMCP + ChromaDB + sentence-transformers (all-MiniLM-L6-v2). 100% kostenlos — keine API-Schlüssel, keine externen Dienste, läuft nach der Einrichtung vollständig offline.


Ordnerstruktur

mcp-server/
├── server.py          ← MCP server (run this on the host)
├── ingest.py          ← One-time ingestion script
├── requirements.txt   ← Python dependencies
├── documents/         ← Drop your .md guideline files here
│   └── CODING_GUIDELINES.md
└── chroma_db/         ← Created automatically by ingest.py (do not edit)

Related MCP server: Code Memory

Einrichtung (einmalig auf dem Host-Rechner ausführen)

1. Abhängigkeiten installieren

pip install -r requirements.txt

sentence-transformers lädt das all-MiniLM-L6-v2 Modell (~80 MB) beim ersten Ausführen herunter und speichert es im Cache. Nachfolgende Ausführungen sind vollständig offline.

2. Dokumente hinzufügen

Kopieren Sie Markdown-Dateien in den Ordner documents/:

cp /path/to/CODING_GUIDELINES.md documents/

3. Ingest (einmalig einbetten, auf Festplatte gespeichert)

python ingest.py

Dies liest jede .md-Datei in documents/, bettet jeden Abschnitt ein und speichert die Vektoren in chroma_db/. Sie führen dies nur erneut aus, wenn Sie ein neues Dokument hinzufügen.

Nützliche Flags:

python ingest.py --file documents/NEW_DOC.md   # add a single new doc
python ingest.py --reset                        # wipe and re-ingest everything
python ingest.py --list                         # see what is currently indexed

4. Server starten

python server.py

Der Server startet unter http://0.0.0.0:8000.


Hosting (Teamzugriff)

Bereitstellung auf Railway oder Render (beide haben kostenlose Tarife):

  1. Pushen Sie diesen mcp-server/-Ordner in ein Git-Repo

  2. Erstellen Sie einen neuen Dienst, der auf dieses Repo verweist

  3. Startbefehl festlegen: python server.py

  4. Mounten Sie ein persistentes Volume unter /app/chroma_db (damit Embeddings nach Deployments erhalten bleiben)

  5. Führen Sie nach dem Deployment einmal python ingest.py über die Host-Konsole aus

Railway/Render stellen automatisch eine HTTPS-URL bereit, wie: https://glanser-guidelines-mcp.railway.app


Team .mcp.json Eintrag

Jedes Teammitglied fügt dies zu seiner .mcp.json hinzu:

{
  "mcpServers": {
    "coding-guidelines": {
      "type": "http",
      "url": "https://your-hosted-domain.com/mcp"
    }
  }
}

Verfügbare Tools

Tool

Was es tut

search_guidelines

Semantische Suche über alle Dokumente — verwenden Sie dies zuerst

get_section

Vollständigen Inhalt eines bestimmten Abschnitts abrufen

list_sections

Alle Abschnittstitel im gesamten Korpus durchsuchen

get_by_scope

Regeln nach library, client oder both filtern

list_documents

Alle indizierten Dokumente und deren Abschnittszahlen anzeigen


Ein neues Dokument hinzufügen

# 1. Copy the new doc
cp NEW_GUIDELINES.md documents/

# 2. Ingest only the new file (does not re-embed existing docs)
python ingest.py --file documents/NEW_GUIDELINES.md

# 3. No server restart needed — ChromaDB is queried live

Lokale Entwicklung / Tests (ohne Hosting)

{
  "mcpServers": {
    "coding-guidelines": {
      "type": "http",
      "url": "http://localhost:8000/mcp"
    }
  }
}

Maintenance

ActivityInactive
ResponsivenessNo issues

Related MCP Connectors

Related MCP Servers

  • A
    license
    A
    quality
    D
    maintenance
    MCP server with local vector search for your codebase. Smart indexing, semantic search, Git history — all offline.
    7
    121 PyPI
    49
    MIT
  • A
    license
    A
    quality
    A
    maintenance
    Local MCP server for semantic code search using Tree-sitter AST parsing, local embeddings, and hybrid search; enables indexing and querying codebases entirely offline.
    5
    MIT
  • A
    license
    Not graded
    quality
    B
    maintenance
    A local hybrid-search MCP server that enables coding agents to query files and folders using natural language, returning relevant code chunks with exact source paths. Everything runs on-device with no API keys or network calls.
    7
    MIT