Simple Files Vector Store Server
@lishenxydlgzs/archivos-simples-vectorstore
Un servidor de Protocolo de Contexto de Modelo (MCP) que proporciona funciones de búsqueda semántica en archivos. Este servidor supervisa directorios específicos y crea incrustaciones vectoriales del contenido de los archivos, lo que permite la búsqueda semántica en sus documentos.
Instalación y uso
Agregue a su archivo de configuración de MCP:
{
"mcpServers": {
"files-vectorstore": {
"command": "npx",
"args": [
"-y",
"@lishenxydlgzs/simple-files-vectorstore"
],
"env": {
"WATCH_DIRECTORIES": "/path/to/your/directories"
},
"disabled": false,
"autoApprove": []
}
}
}Ubicaciones de los archivos de configuración de MCP:
Extensión Cline de VSCode:
~/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.jsonAplicación de escritorio de Claude:
~/Library/Application Support/Claude/claude_desktop_config.json
Related MCP server: MCP Document Indexer
Configuración
El servidor requiere configuración a través de variables de entorno:
Variables de entorno requeridas
Debes especificar los directorios que deseas vigilar utilizando UNO de los siguientes métodos:
WATCH_DIRECTORIES: Lista separada por comas de directorios para vigilarWATCH_CONFIG_FILE: Ruta a un archivo de configuración JSON con una matrizwatchList
Ejemplo utilizando WATCH_DIRECTORIES:
{
"mcpServers": {
"files-vectorstore": {
"command": "npx",
"args": [
"-y",
"@lishenxydlgzs/simple-files-vectorstore"
],
"env": {
"WATCH_DIRECTORIES": "/path/to/dir1,/path/to/dir2"
},
"disabled": false,
"autoApprove": []
}
}
}Ejemplo usando WATCH_CONFIG_FILE:
{
"mcpServers": {
"files-vectorstore": {
"command": "npx",
"args": [
"-y",
"@lishenxydlgzs/simple-files-vectorstore"
],
"env": {
"WATCH_CONFIG_FILE": "/path/to/watch-config.json"
},
"disabled": false,
"autoApprove": []
}
}
}El archivo de configuración del reloj debe tener la siguiente estructura:
{
"watchList": [
"/path/to/dir1",
"/path/to/dir2",
"/path/to/specific/file.txt"
]
}Variables de entorno opcionales
CHUNK_SIZE: Tamaño de los fragmentos de texto para procesamiento (predeterminado: 1000)CHUNK_OVERLAP: Superposición entre fragmentos (valor predeterminado: 200)IGNORE_FILE: Ruta a un archivo de estilo .gitignore para excluir archivos/directorios según patrones
Ejemplo con todos los parámetros opcionales:
{
"mcpServers": {
"files-vectorstore": {
"command": "npx",
"args": [
"-y",
"@lishenxydlgzs/simple-files-vectorstore"
],
"env": {
"WATCH_DIRECTORIES": "/path/to/dir1,/path/to/dir2",
"CHUNK_SIZE": "2000",
"CHUNK_OVERLAP": "500",
"IGNORE_FILE": "/path/to/.gitignore"
},
"disabled": false,
"autoApprove": []
}
}
}Herramientas MCP
Este servidor proporciona las siguientes herramientas MCP:
1. búsqueda
Realizar búsqueda semántica en archivos indexados.
Parámetros:
query(obligatoria): La cadena de consulta de búsquedalimit(opcional): número máximo de resultados a devolver (predeterminado: 5, máximo: 20)
Ejemplo de respuesta:
[
{
"content": "matched text content",
"source": "/path/to/file",
"fileType": "markdown",
"score": 0.85
}
]2. obtener_estadísticas
Obtenga estadísticas sobre los archivos indexados.
Parámetros: Ninguno
Ejemplo de respuesta:
{
"totalDocuments": 42,
"watchedDirectories": ["/path/to/docs"],
"processingFiles": []
}Características
Observación e indexación de archivos en tiempo real
Búsqueda semántica mediante incrustaciones vectoriales
Compatibilidad con múltiples tipos de archivos
Tamaño de fragmento y superposición configurables
Procesamiento de archivos en segundo plano
Manejo automático de cambios y eliminaciones de archivos
Repositorio
This server cannot be deployed
Maintenance
Related MCP Connectors
Ingest, manage, and retrieve documents for RAG-powered AI applications
Universal persistent memory and knowledge retrieval layer for AI agents and LLMs.
Securely search and manage workspace context files for AI agents and teams.
Search and reason over your Obsidian-style Markdown vault, right from ChatGPT.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceProvides advanced document search and processing capabilities through vector stores, including PDF processing, semantic search, web search integration, and file operations. Enables users to create searchable document collections and retrieve relevant information using natural language queries.MIT
- AlicenseNot gradedqualityDmaintenanceEnables real-time indexing and semantic search of local documents (PDF, Word, text, Markdown, RTF) using vector embeddings and local LLMs. Monitors folders for changes and provides natural language search capabilities through Claude Desktop integration.21MIT
- AlicenseNot gradedqualityCmaintenanceProvides local vector database functionality using FAISS for document ingestion, semantic search, and Retrieval-Augmented Generation (RAG) applications with persistent storage and customizable embedding models.40 PyPI34MIT
- FlicenseBqualityDmaintenanceProvides intelligent retrieval capabilities for local files by scanning directories, generating vector indexes, and enabling semantic search through RAG (Retrieval Augmented Generation) with incremental indexing support.2-