knowledge-rag MCP
Локальный MCP-сервер, который превращает папку с документами в базу знаний с гибридным поиском для Claude Code и Cursor
- 300 ★ репозитория
- Последний коммит
- MIT
Расширенный доступ
Почему такой уровень
- Инструменты add_document, update_document и remove_document меняют индекс, а add_from_url забирает страницы из сети
- Подключенный клиент получает фрагменты ваших документов, в сетевом режиме без токена они доступны любому, кто достучится до порта
Установка
- Работает в
Ручная установка
pip install knowledge-ragЗатем knowledge-rag init создаст config.yaml и папку documents. Перезапустите MCP-клиент.
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Инструменты add_document, update_document и remove_document меняют индекс, а add_from_url забирает страницы из сети
- Подключенный клиент получает фрагменты ваших документов, в сетевом режиме без токена они доступны любому, кто достучится до порта
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
knowledge-rag — MCP-сервер, который превращает папку с документами в базу знаний для агента. Эмбеддинги считаются локально через FastEmbed на ONNX, хранилище основано на ChromaDB. Дополнительных серверов и ключей API не нужно. Поиск гибридный: семантическое сходство объединяется с BM25, а затем результаты переранжирует кросс-энкодер. Агент получает 13 инструментов для поиска, правки базы и загрузки страниц по ссылке. Инструмент evaluate_retrieval замеряет качество поиска по метрикам MRR@5, Recall@5 и Precision@5. По умолчанию сервер работает по stdio для одного клиента. Для нескольких клиентов его запускают в режиме streamable-http, при необходимости с авторизацией, лимитами запросов и метриками Prometheus. В репозитории также лежат десять скиллов, которые учат агента сначала проверять базу, ссылаться на источники и записывать решения обратно.
Для кого. Для разработчиков и аналитиков, которые хотят дать Claude Code, Cursor или другому MCP-клиенту поиск по своим PDF, Markdown и коду без отправки файлов в облако.
Подходит, если
- Нужен поиск по внутренней документации, архитектурным решениям и справочникам, лежащим в папке на диске
- Агент должен ссылаться на источник с путем и строкой, и для этого подходит скилл rag-cite-sources
- Несколько клиентов, например Claude и Cursor, должны делить один индекс через streamable-http
- Сеть в контуре закрыта: Docker-образ поставляется с заранее загруженными моделями
- Хочется измерить качество поиска на своем корпусе инструментом evaluate_retrieval
Не подходит, если
- Нужен поиск по коду с пониманием вызовов и зависимостей: сервер индексирует документы по тексту
- Корпус огромный, а ресурсов мало: первая загрузка модели эмбеддингов занимает около 200 МБ
- Нужно управляемое облачное хранилище: knowledge-rag рассчитан на локальную установку
Пример запроса к агенту
Найди в моей базе знаний все решения про очередь сообщений и покажи источники с путями к файламMCP
- Транспорт
- stdio, http, sse
- Авторизация
- не нужна
Ограничения
При первом запросе сервер скачивает модель эмбеддингов размером около 200 МБ, дальше работает офлайн. Инструмент add_from_url обращается к сети, а полученные тексты уходят клиенту. Содержимое базы считайте недоверенными данными: от инъекций в документах сервер защищает слабо. Claude Custom Connectors подключаются из облака Anthropic и до 127.0.0.1 не достанут, им нужен публичный HTTPS-адрес. В режимах HTTP работает блокировка единственного экземпляра, поэтому два процесса не могут делить один каталог данных.
Как отключить. Удалите запись knowledge-rag из MCP-конфигурации клиента и выполните `pip uninstall knowledge-rag`. Индекс и документы лежат в папках проекта, их можно удалить вручную.
Частые вопросы
Как подключить knowledge-rag к Claude Code?
Выполните `pip install knowledge-rag`, затем `knowledge-rag init`: команда создаст config.yaml и папку documents. Положите туда файлы, перезапустите Claude Code и вызовите search_knowledge. Первый запрос загрузит модель эмбеддингов.
Как сделать один сервер для нескольких клиентов?
Запустите `knowledge-rag --transport streamable-http`. Адрес точки доступа http://127.0.0.1:8179/mcp, укажите его как удаленный MCP-сервер в каждом клиенте.
Как защитить сетевой сервер?
В config.yaml в разделе server задайте auth.bearer_token, а HTTPS настройте через обратный прокси вроде Caddy или Nginx. По умолчанию сервер слушает 127.0.0.1. Для проверки состояния есть адрес /health, для метрик Prometheus отдельный порт.
Какие скиллы идут с knowledge-rag?
Десять, например rag-check-first, rag-cite-sources и rag-evaluate-quality. Ставятся командой `npx skills add lyonzin/knowledge-rag` или скриптом install.sh с флагами `--project` и `--only`.
Уходят ли мои документы в облако?
Нет, эмбеддинги, индексация и поиск работают локально. Найденные фрагменты получает подключенный MCP-клиент, а его модель может работать в облаке.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
MCP-серверыCLI и MCP-сервер для извлечения структурированных знаний из документов: графы, гиперграфы и поиск по фактам с источниками
Локальный RAG в контейнерах с MCP-сервером: агент ищет по вашим документам, данные остаются на своей машине
MCP Local RAG
mcp-local-rag
Локальный поиск по вашим документам, смысловой и по ключевым словам, без ключей, Docker и внешней базы. После первой загрузки модели работает офлайн
Официальный MCP-сервер векторной базы Chroma: коллекции, документы, семантический и полнотекстовый поиск
CLI-движок, который собирает из документов локальную структурированную вики: прозрачная альтернатива обычному RAG с доступом для агента по MCP
Официальный MCP-сервер Pinecone: поиск по документации, создание индексов, загрузка и поиск записей прямо из агента
Сравнение с похожими
Записи с тем же главным запросом: чем они отличаются.
| Запись | Официальный | Авторизация | Звезды репозитория | Главное отличие |
|---|---|---|---|---|
| knowledge-rag (эта запись) | нет | не нужна | 300 | |
| VectorCode | нет | не нужна | 874 | индексирует код репозитория для поиска контекста; knowledge-rag работает с документами разных форматов и измеряет качество поиска |
| M-flow | нет | API-ключ | 4 510 | MCP-память на графе знаний, где релевантность строится по цепочке доказательств; здесь классический гибридный поиск BM25 плюс векторы |
Коротко о README
README подает проект как локальный RAG с гибридным поиском и начинается с быстрого старта в три шага. Дальше идут подключение через stdio, HTTP и Docker, таблица инструментов и раздел про эксплуатацию.