Servidor MCP de RagDocs

Un servidor de Protocolo de Contexto de Modelo (MCP) que proporciona capacidades RAG (Recuperación-Generación Aumentada) mediante la base de datos vectorial Qdrant e incrustaciones de Ollama/OpenAI. Este servidor permite la búsqueda semántica y la gestión de documentación mediante similitud vectorial.

Características

• Añadir documentación con metadatos

• Búsqueda semántica a través de documentos

• Enumerar y organizar la documentación

• Eliminar documentos

• Soporte para incrustaciones tanto de Ollama (gratuitas) como de OpenAI (pagadas)

• Generación automática de fragmentos e incrustaciones de texto

• Almacenamiento de vectores con Qdrant

Related MCP server: Qdrant Retrieve MCP Server

Prerrequisitos

• Node.js 16 o superior

• Una de las siguientes configuraciones de Qdrant:

  • Instancia local usando Docker (gratis)

  • Cuenta en la nube de Qdrant con clave API (servicio administrado)

• Uno de los siguientes para incrustaciones:

  • Ollama ejecutándose localmente (predeterminado, gratuito)

  • Clave API de OpenAI (opcional, de pago)

Herramientas disponibles

1. agregar_documento

Agregar un documento al sistema RAG.

Parámetros:

• url (obligatorio): URL/identificador del documento

• content (obligatorio): Contenido del documento

• metadata (opcional): metadatos del documento

  • title : Título del documento

  • contentType : Tipo de contenido (p. ej., "texto/markdown")

2. buscar_documentos

Busque en documentos almacenados utilizando similitud semántica.

Parámetros:

• query (obligatoria): consulta de búsqueda en lenguaje natural

• options (opcionales):

  • limit : Número máximo de resultados (1-20, predeterminado: 5)

  • scoreThreshold : Puntuación mínima de similitud (0-1, valor predeterminado: 0,7)

  • filters :

    • domain : Filtrar por dominio

    • hasCode : Filtro para documentos que contienen código

    • after : Filtro para documentos después de la fecha (formato ISO)

    • before : Filtro para documentos anteriores a la fecha (formato ISO)

3. lista_de_documentos

Enumere todos los documentos almacenados con opciones de paginación y agrupación.

Parámetros (todos opcionales):

• page : Número de página (predeterminado: 1)

• pageSize : Número de documentos por página (1-100, predeterminado: 20)

• groupByDomain : Agrupa documentos por dominio (predeterminado: falso)

• sortBy : Campo de ordenación ("marca de tiempo", "título" o "dominio")

• sortOrder : Orden de clasificación ("asc" o "desc")

4. eliminar_documento

Eliminar un documento del sistema RAG.

Parámetros:

• url (obligatorio): URL del documento a eliminar

Instalación

npm install -g @mcpservers/ragdocs

Configuración del servidor MCP

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "http://127.0.0.1:6333",
        "EMBEDDING_PROVIDER": "ollama"
      }
    }
  }
}

Usando Qdrant Cloud:

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "https://your-cluster-url.qdrant.tech",
        "QDRANT_API_KEY": "your-qdrant-api-key",
        "EMBEDDING_PROVIDER": "ollama"
      }
    }
  }
}

Usando OpenAI:

{
  "mcpServers": {
    "ragdocs": {
      "command": "node",
      "args": ["@mcpservers/ragdocs"],
      "env": {
        "QDRANT_URL": "http://127.0.0.1:6333",
        "EMBEDDING_PROVIDER": "openai",
        "OPENAI_API_KEY": "your-api-key"
      }
    }
  }
}

Qdrant local con Docker

docker run -d --name qdrant -p 6333:6333 -p 6334:6334 qdrant/qdrant

Variables de entorno

• QDRANT_URL : URL de su instancia de Qdrant

  • Para local: " http://127.0.0.1:6333 " (predeterminado)

  • Para la nube: " https://your-cluster-url.qdrant.tech "

• QDRANT_API_KEY : Clave API para Qdrant Cloud (necesaria al usar una instancia en la nube)

• EMBEDDING_PROVIDER : Elección del proveedor de incrustación ("ollama" o "openai", predeterminado: "ollama")

• OPENAI_API_KEY : clave API de OpenAI (obligatoria si se usa OpenAI)

• EMBEDDING_MODEL : Modelo a utilizar para incrustaciones

  • Para Ollama: el valor predeterminado es "nomic-embed-text"

  • Para OpenAI: el valor predeterminado es "text-embedding-3-small"

Licencia

Licencia Apache 2.0