mcp-embedding-search

Ein Model Context Protocol (MCP)-Server, der eine Turso-Datenbank mit Einbettungen und Transkriptsegmenten abfragt. Mit diesem Tool können Benutzer durch Fragen nach relevanten Transkriptsegmenten suchen, ohne neue Einbettungen zu generieren.

Merkmale

• 🔍 Vektorähnlichkeitssuche für Transkriptsegmente

• 📊 Relevanzbewertung basierend auf Kosinusähnlichkeit

• 📝 Vollständige Transkript-Metadaten (Episodentitel, Zeitstempel)

• ⚙️ Konfigurierbare Suchparameter (Limit, Mindestpunktzahl)

• 🔄 Effizientes Datenbankverbindungspooling

• 🛡️ Umfassende Fehlerbehandlung

• 📈 Leistung für schnelle Antworten optimiert

Related MCP server: YouTube MCP Server

Konfiguration

Dieser Server muss über Ihren MCP-Client konfiguriert werden. Hier sind Beispiele für verschiedene Umgebungen:

Cline-Konfiguration

Fügen Sie dies zu Ihren Cline MCP-Einstellungen hinzu:

{
	"mcpServers": {
		"mcp-embedding-search": {
			"command": "node",
			"args": ["/path/to/mcp-embedding-search/dist/index.js"],
			"env": {
				"TURSO_URL": "your-turso-database-url",
				"TURSO_AUTH_TOKEN": "your-turso-auth-token"
			}
		}
	}
}

Claude Desktop-Konfiguration

Fügen Sie dies zu Ihrer Claude Desktop-Konfiguration hinzu:

{
	"mcpServers": {
		"mcp-embedding-search": {
			"command": "node",
			"args": ["/path/to/mcp-embedding-search/dist/index.js"],
			"env": {
				"TURSO_URL": "your-turso-database-url",
				"TURSO_AUTH_TOKEN": "your-turso-auth-token"
			}
		}
	}
}

API

Der Server implementiert ein MCP-Tool:

Sucheinbettungen

Suchen Sie mithilfe der Vektorähnlichkeit nach relevanten Transkriptsegmenten.

Parameter:

• question (Zeichenfolge, erforderlich): Der zu suchende Abfragetext

• limit (Zahl, optional): Anzahl der zurückzugebenden Ergebnisse (Standard: 5, Max: 50)

• min_score (Zahl, optional): Minimaler Ähnlichkeitsschwellenwert (Standard: 0,5, Bereich: 0-1)

Antwortformat:

[
	{
		"episode_title": "Episode Title",
		"segment_text": "Transcript segment content...",
		"start_time": 123.45,
		"end_time": 167.89,
		"similarity": 0.85
	}
	// Additional results...
]

Datenbankschema

Dieses Tool erwartet eine Turso-Datenbank mit folgendem Schema:

CREATE TABLE embeddings (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  transcript_id INTEGER NOT NULL,
  embedding TEXT NOT NULL,
  FOREIGN KEY(transcript_id) REFERENCES transcripts(id)
);

CREATE TABLE transcripts (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  episode_title TEXT NOT NULL,
  segment_text TEXT NOT NULL,
  start_time REAL NOT NULL,
  end_time REAL NOT NULL
);

Die embedding sollte Vektoreinbettungen enthalten, die mit der Funktion vector_distance_cos verwendet werden können.

Entwicklung

Aufstellen

1. Klonen Sie das Repository

2. Installieren Sie Abhängigkeiten:

npm install

3. Erstellen Sie das Projekt:

npm run build

4. Im Entwicklungsmodus ausführen:

npm run dev

Veröffentlichen

Das Projekt verwendet Änderungssätze zur Versionsverwaltung. So veröffentlichen Sie:

1. Erstellen Sie einen Änderungssatz:

npm run changeset

2. Versionieren Sie das Paket:

npm run version

3. Auf npm veröffentlichen:

npm run release

Beitragen

Beiträge sind willkommen! Senden Sie gerne einen Pull Request.

Lizenz

MIT-Lizenz – Einzelheiten finden Sie in der Datei LICENSE .

Danksagung

• Basierend auf dem Model Context Protocol

• Entwickelt für die effiziente Vektorähnlichkeitssuche in Transkriptdatenbanken