Skip to main content
Glama
deenesjakoruzh
unlomtrois

scholar-mcp

by unlomtrois
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

little-librarian

Ein lokaler MCP-Server, der .epub-Dateien indiziert und semantische Suchwerkzeuge bereitstellt, die auf pplx-embed-context-v1 (Late Chunking) und Qdrant basieren.

MCP client (Claude Desktop, Claude Code, …)
     │
     ▼  tool calls via MCP
 server.py
  pplx-embed-context-v1-0.6b  +  Qdrant (local)

Dateien

Datei

Rolle

server.py

MCP-Server — EPUB-Ingestion, Embedding, Suche, Qdrant-Speicherung

code_librarian.py

Separater MCP-Server für Code (AST-basiertes Chunking)

Related MCP server: ragi

Warum pplx-embed-context-v1

Verwendet Late Chunking: Alle Chunks eines Kapitels durchlaufen einen einzigen Forward-Pass, sodass jedes Chunk-Embedding den vollständigen Dokumentkontext erfasst, ohne dass zur Inferenzzeit ein Dokument-Präfix erforderlich ist. Erreicht 81,96 nDCG@10 auf ConTEB.

Schnellstart

# 1. install
pip install -e .

# 2. ingest your library (runs embedding, then exits)
HF_HUB_OFFLINE=0 python server.py --index ./library

# 3. start the MCP server
python server.py

# optional: preload the model at startup
python server.py --preload

MCP-Werkzeuge

Werkzeug

Beschreibung

search(query, top_k)

Semantische Suche, gibt die Top-k-Textstellen mit Scores zurück

search_groups(query, group_by, limit, group_size)

Suche gruppiert nach "book" oder "chapter" — am besten für die Recherche über mehrere Bände hinweg

get_passage(book, chapter, max_chars)

Ruft den vollständigen Text für ein Buch/Kapitel ab

list_books()

Listet alle indizierten Bücher mit Kapitelanzahl auf

collection_stats()

Qdrant-Sammlungsinformationen (Anzahl der Punkte, Vektorgröße)

library_stats()

Vollständige Inhaltsübersicht: Bücher, Kapitel, Chunks pro Buch, durchschnittliche Chunk-Länge

get_device()

Zeigt an, welches Gerät (CPU/GPU) für Embeddings verwendet wird

Claude Desktop Konfiguration

{
  "mcpServers": {
    "little-librarian": {
      "command": "python",
      "args": ["/path/to/server.py"]
    }
  }
}

Hardware-Empfehlungen

Setup

Min. VRAM

Nur CPU

0 GB

GPU (pplx-embed-0.6b)

~2 GB

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityInactive
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • mcp-context

    ericlimabr
    F
    license
    Not graded
    quality
    D
    maintenance
    Local MCP server that provides semantic search (RAG) over code repositories, enabling AI clients like Claude and Gemini to access project context without manual re-upload.
    -

  • ragi

    SusuTawar
    A
    license
    A
    quality
    D
    maintenance
    Local-first RAG indexing and semantic search MCP server. Enables document retrieval and context-aware queries using local embedding models.
    3
    13 npm
    MIT

  • corpus-rag

    monahand1023
    A
    license
    Not graded
    quality
    A
    maintenance
    MCP server for local RAG over personal notes, PDFs, and documents, enabling plain-English querying and hybrid search with multi-hop context expansion.
    MIT