MCP Rag Context

🚀 RAG Context MCP Server

この軽量なモデルコンテキストプロトコル（MCP）サーバーは、ローカルのベクトルストレージとデータベースを使用して永続的なメモリとコンテキスト管理を提供します。このサーバーにより、AIアシスタントは意味検索とインデックス検索の両方を使用して、コンテキスト情報を効率的に保存および取得することができます。

✨ 主な機能

• ローカルベクトルストレージ：Vectraを使用して効率的なベクトル類似性検索を行います。
• 永続的なメモリ：SQLiteデータベースを使用して信頼性の高いデータの永続化を実現します。
• 意味検索：Xenova/all - MiniLM - L6 - v2モデルを使用して自動的にテキストの埋め込みを行います。
• ハイブリッド検索：意味検索とインデックス付きデータベースクエリを組み合わせます。
• シンプルなAPI：setContext と getContext の2つのツールのみです。
• 軽量：依存関係が少なく、完全にローカルで実行されます。
• プライバシー重視：すべてのデータがローカルに保存され、外部API呼び出しは行われません。

📦 インストール

npmを使用する場合

npm install -g @rag-context/mcp-server

npxを使用する場合（インストール不要）

npx @rag-context/mcp-server

📚 ドキュメント

Claude Desktopの場合

Claude Desktopの設定ファイルに以下を追加してください。

• macOS：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows：%APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "rag-context": {
      "command": "npx",
      "args": ["@rag-context/mcp-server"],
      "env": {
        "RAG_CONTEXT_DATA_DIR": "/path/to/your/data/directory"
      }
    }
  }
}

Cursorの場合

Cursorの設定で、MCPサーバーを追加してください。

env RAG_CONTEXT_DATA_DIR=/path/to/your/data/directory npx @rag-context/mcp-server

環境変数

• RAG_CONTEXT_DATA_DIR：データベースとベクトルインデックスが保存されるディレクトリ（デフォルト: ~/.rag-context-mcp）

💻 使用例

基本的な使用法

サーバーは2つの主要なツールを公開しています。

setContext

自動ベクトル化を伴って情報をメモリに保存します。

{
  "tool": "setContext",
  "arguments": {
    "key": "user_preferences",
    "content": "The user prefers dark mode and uses VS Code as their primary editor",
    "metadata": {
      "category": "preferences",
      "timestamp": "2024-01-15"
    }
  }
}

getContext

意味検索を使用して関連するコンテキストを取得します。

{
  "tool": "getContext",
  "arguments": {
    "query": "What are the user's editor preferences?",
    "limit": 5,
    "threshold": 0.7
  }
}

高度な使用法

AIアシスタントのシステムプロンプト

このMCPサーバーを効果的に使用するには、AIアシスタントのシステムプロンプトに以下を追加してください。

## メモリとコンテキスト管理
あなたはRAG Context MCPサーバーを介して永続的なメモリシステムにアクセスできます。これにより、会話をまたいで情報を保存および取得することができます。

### コンテキストを保存するタイミング
- ユーザーが好み、設定、または個人情報を共有したとき
- 重要なプロジェクトの詳細や設定について話し合ったとき
- 重要な決定や合意が行われたとき
- 有用なコードスニペットや解決策が作成されたとき
- ユーザーのワークフロー、ツール、または環境について学んだとき

### コンテキストを保存する方法
`setContext` ツールを使用し、以下を指定します。
- 説明的で一意のキー（例: "project_setup_nextjs", "user_pref_editor"）
- 本質的な情報を捉えた明確で簡潔な内容
- 関連するメタデータ（カテゴリ、プロジェクト、日付など）

例:
```json
{
  "key": "project_api_structure",
  "content": "The project uses a REST API with /api/v1 prefix. Authentication is handled via JWT tokens in the Authorization header. Main endpoints: /users, /posts, /comments",
  "metadata": {
    "project": "blog-platform",
    "type": "architecture",
    "date": "2024-01-15"
  }
}

コンテキストを取得するタイミング

• 以前に話し合ったトピックについて新しい会話を始めるとき
• ユーザーが過去の会話や決定を参照したとき
• 特定の技術的な詳細や好みを思い出す必要があるとき
• 以前の作業や解決策を基に構築するとき

コンテキストを取得する方法

getContext ツールを使用し、以下を指定します。

• 探しているものを説明する自然言語のクエリ
• 適切な制限（通常は3 - 5件の結果）
• 精度と再現率のバランスを取るための閾値0.7

例:

{
  "query": "API authentication setup for the blog project",
  "limit": 3,
  "threshold": 0.7
}

ベストプラクティス

1. 選択的に保存する：重要で再利用可能な情報を保存し、すべての詳細を保存しないでください。
2. 明確なキーを使用する：キーを説明的で検索しやすいものにします。
3. メタデータを追加する：プロジェクト名、カテゴリ、日付を含めます。
4. 既存の情報を更新する：重複を作成するのではなく、同じキーを使用して情報を更新します。
5. 自然なクエリを行う：同僚に尋ねるようにクエリを書きます。

覚えておいてください：このメモリはすべての会話をまたいで持続し、重要なコンテキストやユーザーの好みを覚えることで、時間の経過とともにより役に立つ存在になります。

## 🔧 技術詳細
### アーキテクチャ
サーバーは最適なパフォーマンスを得るためにハイブリッドアプローチを採用しています。
1. **SQLiteデータベース**：メタデータ付きの実際のコンテンツを保存し、高速なキーベースの検索を提供します。
2. **ベクトルインデックス**：埋め込みを使用して意味検索を可能にします。
3. **ローカル埋め込み**：Xenova/transformersを使用して、プライバシーを保護したローカルのテキスト埋め込みを行います。
### データストレージ
すべてのデータは指定されたデータディレクトリにローカルに保存されます。

<RAG_CONTEXT_DATA_DIR>/ ├── memories.db # SQLite database └── vectors.index # Vectra vector index

## 🛠️ 開発
### ソースからビルドする
```bash
# リポジトリをクローンする
git clone https://github.com/yourusername/rag-context-mcp.git
cd rag-context-mcp

# 依存関係をインストールする
npm install

# プロジェクトをビルドする
npm run build

# 開発モードで実行する
npm run dev

テストを実行する

npm test

🛡️ プライバシーとセキュリティ

• すべてのデータはあなたのマシンにローカルに保存されます。
• 埋め込みに外部API呼び出しは行われません（ローカルモデルを使用します）。
• テレメトリやデータ収集は行われません。
• あなたが RAG_CONTEXT_DATA_DIR を介してデータの保存場所を制御できます。

🐞 トラブルシューティング

一般的な問題

1. "VectorStore not initialized" エラー
   • データディレクトリが存在し、書き込み権限があることを確認してください。
   • RAG_CONTEXT_DATA_DIR のパスが有効であることを確認してください。
2. 初回起動が遅い
   • 初回使用時に埋め込みモデルがダウンロードされます（約30MB）。
   • それ以降の起動ははるかに高速になります。
3. メモリ使用量が多い
   • 埋め込みモデルには約200MBのRAMが必要です。
   • 保存するコンテキストの数を制限することを検討してください。

🤝 コントリビューション

コントリビューションは大歓迎です！プルリクエストを送信してください。

📄 ライセンス

MITライセンス - 詳細についてはLICENSEファイルを参照してください。

🙏 謝辞

このプロジェクトは、AnthropicのMCPメモリサーバーの例に触発されていますが、以下の点で強化されています。

• より良い検索性能のためのローカルベクトルストレージ
• 信頼性の高いデータの永続化のためのSQLite
• ハイブリッド検索機能
• プライバシーに配慮した設計