Skip to main content
Glama
Vbridge7

Glanser Guidelines MCP Server

by Vbridge7

Servidor MCP de Directrices Glanser

Búsqueda semántica sobre el corpus de directrices de codificación del equipo. Desarrollado con FastMCP + ChromaDB + sentence-transformers (all-MiniLM-L6-v2). 100% gratuito: sin claves API, sin servicios externos, funciona totalmente offline tras la configuración.


Estructura de carpetas

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

Configuración (ejecutar una vez en la máquina host)

1. Instalar dependencias

pip install -r requirements.txt

sentence-transformers descargará el modelo all-MiniLM-L6-v2 (~80 MB) en la primera ejecución y lo almacenará en caché. Las ejecuciones posteriores son totalmente offline.

2. Añadir tus documentos

Copia los archivos markdown en la carpeta documents/:

cp /path/to/CODING_GUIDELINES.md documents/

3. Ingesta (incrustar una vez, guardado en disco)

python ingest.py

Esto lee cada archivo .md en documents/, incrusta cada sección y persiste los vectores en chroma_db/. Solo vuelves a ejecutar esto cuando añades un nuevo documento.

Flags útiles:

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. Iniciar el servidor

python server.py

El servidor se inicia en http://0.0.0.0:8000.


Alojamiento (acceso del equipo)

Despliega en Railway o Render (ambos tienen niveles gratuitos):

  1. Envía esta carpeta mcp-server/ a un repositorio git

  2. Crea un nuevo servicio apuntando a ese repositorio

  3. Establece el comando de inicio: python server.py

  4. Monta un volumen persistente en /app/chroma_db (para que las incrustaciones sobrevivan a los despliegues)

  5. Ejecuta python ingest.py una vez a través de la consola del host después del despliegue

Railway/Render proporcionan automáticamente una URL HTTPS como: https://glanser-guidelines-mcp.railway.app


Entrada .mcp.json del equipo

Cada miembro del equipo añade esto a su .mcp.json:

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

Herramientas disponibles

Herramienta

Qué hace

search_guidelines

Búsqueda semántica en todos los documentos: úsala primero

get_section

Obtiene el contenido completo de una sección específica

list_sections

Explora todos los títulos de sección en todo el corpus

get_by_scope

Filtra reglas por library, client o both

list_documents

Ve todos los documentos indexados y sus recuentos de secciones


Añadir un nuevo documento

# 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

Desarrollo local / pruebas (sin alojamiento)

{
  "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