Skip to main content
Glama
Vbridge7

Glanser Guidelines MCP Server

by Vbridge7

MCP-сервер руководств Glanser

Семантический поиск по корпусу руководств по кодированию команды. Работает на базе FastMCP + ChromaDB + sentence-transformers (all-MiniLM-L6-v2). 100% бесплатно — никаких API-ключей, никаких внешних сервисов, работает полностью автономно после настройки.


Структура папок

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

Настройка (выполнить один раз на хост-машине)

1. Установка зависимостей

pip install -r requirements.txt

sentence-transformers загрузит модель all-MiniLM-L6-v2 (~80 МБ) при первом запуске и закэширует её. Последующие запуски выполняются полностью автономно.

2. Добавление документов

Скопируйте Markdown-файлы в папку documents/:

cp /path/to/CODING_GUIDELINES.md documents/

3. Индексация (выполняется один раз, сохраняется на диск)

python ingest.py

Это считывает каждый файл .md в documents/, создает эмбеддинги для каждого раздела и сохраняет векторы в chroma_db/. Вам нужно перезапускать это только при добавлении нового документа.

Полезные флаги:

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. Запуск сервера

python server.py

Сервер запускается по адресу http://0.0.0.0:8000.


Хостинг (доступ для команды)

Разверните на Railway или Render (оба имеют бесплатные тарифы):

  1. Отправьте эту папку mcp-server/ в git-репозиторий

  2. Создайте новый сервис, указывающий на этот репозиторий

  3. Установите команду запуска: python server.py

  4. Подключите постоянный том (persistent volume) по пути /app/chroma_db (чтобы эмбеддинги сохранялись после развертывания)

  5. Запустите python ingest.py один раз через консоль хоста после развертывания

Railway/Render автоматически предоставят HTTPS URL, например: https://glanser-guidelines-mcp.railway.app


Запись в .mcp.json для команды

Каждый член команды добавляет это в свой файл .mcp.json:

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

Доступные инструменты

Инструмент

Что он делает

search_guidelines

Семантический поиск по всем документам — используйте его в первую очередь

get_section

Получить полное содержимое конкретного раздела

list_sections

Просмотреть все заголовки разделов во всем корпусе

get_by_scope

Фильтрация правил по library, client или both

list_documents

Просмотреть все проиндексированные документы и количество разделов в них


Добавление нового документа

# 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

Локальная разработка / тестирование (без хостинга)

{
  "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