kothar

Asesor de servidores MCP consciente del contexto. Te dice qué instalar para tu proyecto específico y por qué.

El problema

Glama tiene más de 19.000 servidores MCP. Tú tienes un proyecto. Nadie cierra la brecha.

Los LLM a los que se les pregunta directamente alucinan servidores que no existen y recomiendan basándose en datos de entrenamiento obsoletos. Los directorios te ofrecen búsqueda, no asesoramiento.

kothar cubre la brecha de selección bajo contexto: no es "aquí tienes 19.000 opciones", sino "para tu proyecto específico, ahora mismo, esto es lo que necesitas y por qué".

Los dos momentos que nadie está cubriendo

Inicio del proyecto: "Estoy construyendo una canalización de datos en Python con DuckDB y FastAPI" → qué instalo ahora mismo

A mitad del proyecto: "Acabo de añadir una capa de autenticación / necesito manejar la ingesta de PDF" → qué añado ahora que he llegado a este punto

El segundo momento es más valioso. Al inicio del proyecto, la gente puede usar Google. A mitad del proyecto, están en pleno flujo de trabajo.

Tres herramientas

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

Instalación

Requisitos previos: uv

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

Construye el índice (primera ejecución, ~30s):

uv run python -m kothar.indexer

Añadir a Claude Code

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

Añadir a Claude Desktop

Añádelo a tu claude_desktop_config.json:

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

Uso

Una vez conectado, pregúntale a tu asistente de IA:

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")

Cómo funciona

• Analiza awesome-mcp-servers (más de 2000 servidores seleccionados)

• Incrusta descripciones con all-MiniLM-L6-v2 (local, sin coste de API)

• Almacena en DuckDB, consulta con similitud de coseno

• Justificación basada en plantillas: fundamentada en el registro, no alucinada

Reconstruir el índice

uv run python -m kothar.indexer --force

Docker

Imagen multietapa con el modelo de incrustación + índice DuckDB integrado: sin dependencia de red en tiempo de ejecución.

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

Conéctalo a Claude Desktop:

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

Usuario no root (uid=10001), Python 3.12 fijado, dependencias resueltas desde uv.lock, modelo almacenado en caché bajo /app/.hf_cache con HF_HUB_OFFLINE=1 en tiempo de ejecución.

Stack

Python · FastMCP · DuckDB · sentence-transformers · uv

Licencia

MIT