kothar

Kontextbewusster MCP-Server-Berater. Sagt dir, was du für dein spezifisches Projekt installieren solltest — und warum.

Das Problem

Glama hat über 19.000 MCP-Server. Du hast ein Projekt. Niemand schließt die Lücke dazwischen.

LLMs, die direkt gefragt werden, halluzinieren Server, die nicht existieren, und empfehlen basierend auf veralteten Trainingsdaten. Verzeichnisse bieten dir eine Suche, aber keine Beratung.

kothar füllt die Lücke der Auswahl unter Kontext: nicht „hier sind 19.000 Optionen“, sondern „für dein spezifisches Projekt, genau jetzt, hier ist, was du brauchst und warum.“

Die zwei Momente, die niemand bedient

Projektstart: „Ich baue eine Python-Datenpipeline mit DuckDB und FastAPI“ → was muss ich jetzt installieren

Während des Projekts: „Ich habe gerade eine Auth-Schicht hinzugefügt / ich muss PDF-Ingestion handhaben“ → was muss ich jetzt hinzufügen, wo ich an diesem Punkt angekommen bin

Der zweite Moment ist wertvoller. Beim Projektstart können Leute googeln. Während des Projekts sind sie im Flow.

Drei Tools

recommend_for_project(description)
  → top MCP servers for your stack with rationale

recommend_next(current_stack, new_context)
  → what to add as your project evolves

explain_why(server_name, project_description)
  → why a specific server fits your project

Installation

Voraussetzungen: uv

git clone https://github.com/yahiaklk/kothar
cd kothar
uv sync

Erstelle den Index (erster Durchlauf, ca. 30s):

uv run python -m kothar.indexer

Zu Claude Code hinzufügen

claude mcp add --scope user kothar -- uv run --directory /path/to/kothar python -m kothar.server

Zu Claude Desktop hinzufügen

Füge dies zu deiner claude_desktop_config.json hinzu:

{
  "mcpServers": {
    "kothar": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/kothar", "python", "-m", "kothar.server"]
    }
  }
}

Verwendung

Sobald die Verbindung hergestellt ist, frage deinen KI-Assistenten:

recommend_for_project("Python FastAPI backend with PostgreSQL and JWT auth")

recommend_next("github,filesystem", "adding Stripe payments and PDF invoices")

explain_why("postgres", "multi-tenant SaaS with row-level security")

Funktionsweise

• Analysiert awesome-mcp-servers (über 2000 kuratierte Server)

• Bettet Beschreibungen mit all-MiniLM-L6-v2 ein (lokal, keine API-Kosten)

• Speichert in DuckDB, Abfragen mittels Kosinus-Ähnlichkeit

• Vorlagenbasierte Begründung — fundiert im Verzeichnis, nicht halluziniert

Index neu erstellen

uv run python -m kothar.indexer --force

Docker

Multi-Stage-Image mit eingebettetem Embedding-Modell + DuckDB-Index — keine Laufzeit-Netzwerkabhängigkeit.

docker build -t kothar:0.3.0 .
docker run --rm -i kothar:0.3.0   # stdio transport, for local MCP clients

In Claude Desktop einbinden:

{
  "mcpServers": {
    "kothar": {
      "command": "docker",
      "args": ["run", "--rm", "-i", "kothar:0.3.0"]
    }
  }
}

Nicht-Root-Benutzer (uid=10001), festes Python 3.12, Abhängigkeiten aufgelöst aus uv.lock, Modell zwischengespeichert unter /app/.hf_cache mit HF_HUB_OFFLINE=1 zur Laufzeit.

Stack

Python · FastMCP · DuckDB · sentence-transformers · uv

Lizenz

MIT