iflow-mcp_niksh06-rag-duckdb-with-mcp

# MCP RAG Service **MCP сервис для интеграции с Python RAG Server (DuckDB VSS) v2.0** Улучшенный MCP сервис для работы с продвинутыми методами векторного поиска, основанный на принципе KISS (Keep It Simple, Stupid). ## 🚀 Возможности ### Основные функции: - **`rag_upload_file`** - Загрузка файлов в RAG сервер - **`rag_search`** - Продвинутый поиск по документам (гибридный, семантический, ключевой) с переранжированием и расширением запроса. - **`rag_get_file_content`** - Получение полного содержимого файла из базы данных. - **`rag_similar_documents`** - Поиск похожих документов - **`rag_analyze_collection`** - Анализ коллекции (кластеры, выбросы, центральность) - **`rag_get_collection_stats`** - Получение быстрой статистики по RAG коллекции. - **`rag_query_direct`** - Прямые SQL запросы к DuckDB VSS ### Поддерживаемые форматы файлов: - Текстовые: `.txt`, `.md` - Документы: `.pdf` - Программный код: `.py`, `.js`, `.java`, `.c`, `.cpp` - Конфигурационные: `.json`, `.yaml`, `.yml`, `.ini`, `.toml` ## 📋 Требования - Python 3.8+ - Работающий Python RAG Server с DuckDB VSS - MCP совместимый клиент (например, Claude Desktop) ## 🛠️ Установка и запуск ```bash # Клонирование репозитория cd mcp-rag-service # Установка в режиме разработки pip install -e . # Или с dev зависимостями pip install -e ".[dev]" ``` ### Запуск через Docker (Рекомендуется) 1. Сборка Docker образа: ```bash docker build -t mcp-rag-service:latest . ``` 2. Запуск контейнера: ```bash docker run --rm -it \ --network="host" \ -v "/path/to/your/rag-server/data:/data" \ mcp-rag-service:latest ``` Контейнеру нужен доступ к RAG серверу (по умолчанию http://localhost:8000) и к файлу базы данных rag.duckdb. - `--network="host"`: Позволяет контейнеру обращаться к localhost хост-машины. - `-v "/path/to/your/rag-server/data:/data"`: Монтирует папку с rag.duckdb внутрь контейнера. ### Настройка MCP клиента (например, Cursor или Claude Desktop) Добавьте в конфигурационный файл вашего клиента: ``…