kothar

Контекстно-зависимый советник по MCP-серверам. Подскажет, что установить для вашего конкретного проекта — и почему.

Проблема

В Glama более 19 000 MCP-серверов. У вас есть проект. Но никто не помогает выбрать подходящее решение.

LLM при прямом запросе часто галлюцинируют, выдумывая несуществующие серверы, или рекомендуют устаревшие данные из обучающей выборки. Каталоги предлагают поиск, а не совет.

Kothar заполняет пробел в выборе с учетом контекста: не «вот вам 19 000 вариантов», а «для вашего конкретного проекта прямо сейчас нужно вот это, и вот почему».

Два момента, которые никто не учитывает

Начало проекта: «Я создаю конвейер обработки данных на Python с использованием DuckDB и FastAPI» → что мне установить прямо сейчас?

В процессе работы: «Я только что добавил уровень аутентификации / мне нужно обрабатывать загрузку PDF» → что мне добавить теперь, когда я дошел до этого этапа?

Второй момент более ценен. В начале проекта люди могут воспользоваться Google. В процессе работы они находятся в потоке.

Три инструмента

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

Установка

Предварительные требования: uv

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

Создайте индекс (первый запуск, ~30 секунд):

uv run python -m kothar.indexer

Добавление в Claude Code

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

Добавление в Claude Desktop

Добавьте в ваш claude_desktop_config.json:

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

Использование

После подключения спросите своего ИИ-ассистента:

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")

Как это работает

• Парсит awesome-mcp-servers (более 2000 курируемых серверов)

• Векторизует описания с помощью all-MiniLM-L6-v2 (локально, без затрат на API)

• Хранит данные в DuckDB, выполняет запросы через косинусное сходство

• Обоснование на основе шаблонов — опирается на реестр, а не на галлюцинации

Пересборка индекса

uv run python -m kothar.indexer --force

Docker

Многоэтапный образ с моделью эмбеддингов и индексом DuckDB внутри — никаких сетевых зависимостей во время выполнения.

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

Подключите к Claude Desktop:

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

Пользователь без прав root (uid=10001), зафиксированная версия Python 3.12, зависимости разрешены через uv.lock, модель кэшируется в /app/.hf_cache с параметром HF_HUB_OFFLINE=1 во время выполнения.

Стек

Python · FastMCP · DuckDB · sentence-transformers · uv

Лицензия

MIT