Massive Context MCP

🚀 Massive Context MCP

Massive Context MCPは、chunking、sub - queries、Ollamaを介した無料のローカル推論により、大量のコンテキスト（1000万トークン以上）を扱うことができます。

flowchart TD
    A[Claude Code] --> B[RLM MCP Server]
    B --> C{rlm_ollama_status}
    C -->|cached 60s| D{provider = auto}

    D -->|Ollama running| E[🦙 Ollama<br/>gemma3:12b]
    D -->|Ollama unavailable| F[☁️ Claude SDK<br/>claude - haiku - 4 - 5]

    E --> G[["💰 $0<br/>Free local inference"]]
    F --> H[["💰 ~$0.80/1M<br/>Cloud inference"]]

    style A fill:#ff922b,color:#fff
    style B fill:#339af0,color:#fff
    style E fill:#51cf66,color:#fff
    style F fill:#748ffc,color:#fff
    style G fill:#51cf66,color:#fff
    style H fill:#748ffc,color:#fff

このプロジェクトは、Recursive Language Model patternに基づいており、richardwhiteii/rlmからインスピレーションを得ています。

🚀 クイックスタート

インストール

オプション1: PyPI（推奨）

uvx massive-context-mcp
# または
pip install massive-context-mcp

オプション付きでのインストール:

# Code Firewall統合（rlm_exec用のセキュリティフィルター）
pip install massive-context-mcp[firewall]

# Claude Agent SDK（プログラムによるClaude APIアクセス用）
pip install massive-context-mcp[claude]

# すべてのオプションを含む
pip install massive-context-mcp[firewall,claude]

オプション2: Claude Desktopのワンクリックインストール

Releasesから.mcpbファイルをダウンロードし、ダブルクリックしてインストールします。

オプション3: ソースからのインストール

git clone https://github.com/egoughnour/massive-context-mcp.git
cd massive-context-mcp
uv sync

Claude Code / Claude Desktopへの接続

~/.claude/.mcp.json（Claude Code）またはclaude_desktop_config.json（Claude Desktop）に以下を追加します。

{
  "mcpServers": {
    "massive-context": {
      "command": "uvx",
      "args": ["massive-context-mcp"],
      "env": {
        "RLM_DATA_DIR": "~/.rlm-data",
        "OLLAMA_URL": "http://localhost:11434"
      }
    }
  }
}

✨ 主な機能

セットアップとステータスツール

分析ツール

rlm_auto_analyzeによるクイック分析

ほとんどのユースケースでは、rlm_auto_analyzeを使用するだけで、すべてを自動的に処理します。

rlm_auto_analyze(
    name="my_file",
    content=file_content,
    goal="find_bugs"  # または: summarize, extract_structure, security_audit, answer:<question>
)

自動的に行われること:

1. コンテンツのタイプ（Python、JSON、Markdown、ログ、散文、コード）を検出
2. 最適なチャンク化戦略を選択
3. コンテンツのタイプに合わせてクエリを調整
4. 並列サブクエリを実行
5. 集約された結果を返す

サポートされる目標:

rlm_execによるプログラム的分析

決定論的なパターンマッチングとデータ抽出には、rlm_execを使用して、ロードされたコンテキストに対して直接Pythonコードを実行します。これは、論文のREPLアプローチに近く、分析ロジックを完全に制御できます。

ツール: rlm_exec

目的: サンドボックス化されたサブプロセスで、ロードされたコンテキストに対して任意のPythonコードを実行します。

パラメータ:

• code（必須）: 実行するPythonコード。出力をキャプチャするにはresult変数を設定します。
• context_name（必須）: 以前にロードされたコンテキストの名前。
• timeout（オプション、デフォルト30）: 最大実行時間（秒）。

機能:

• コンテキストは読み取り専用のcontext変数として利用可能
• 事前にインポートされたモジュール: re, json, collections
• サブプロセスの分離（サーバーをクラッシュさせない）
• タイムアウトの強制
• Pythonがインストールされた任意のシステムで動作（Docker不要）

例 — ロードされたコンテキスト内のパターンを見つける:

# コンテキストをロードした後
rlm_exec(
    code="""
import re
amounts = re.findall(r'\$[\d,]+', context)
result = {'count': len(amounts), 'sample': amounts[:5]}
""",
    context_name="bill"
)

例の応答:

{
  "result": {
    "count": 1247,
    "sample": ["$500", "$1,000", "$250,000", "$100,000", "$50"]
  },
  "stdout": "",
  "stderr": "",
  "return_code": 0,
  "timed_out": false
}

例 — 構造化データの抽出:

rlm_exec(
    code="""
import re
import json

# すべてのメールアドレスを見つける
emails = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', context)

# ドメインごとにカウント
from collections import Counter
domains = [e.split('@')[1] for e in emails]
domain_counts = Counter(domains)

result = {
    'total_emails': len(emails),
    'unique_domains': len(domain_counts),
    'top_domains': domain_counts.most_common(5)
}
""",
    context_name="dataset",
    timeout=60
)

rlm_execとrlm_sub_queryの使い分け:

ヒント: 大きなコンテキストの場合、両方を組み合わせることができます — rlm_execでフィルタリング/抽出を行い、その後、フィルタリングされた結果のセマンティック分析にrlm_sub_queryを使用します。

コードファイアウォールの統合（オプション）

セキュリティを強化するために、[code - firewall - mcp](https://github.com/egoughnour/code - firewall - mcp)を統合して、実行前に危険なコードパターンをフィルタリングします。

pip install massive-context-mcp[firewall]

インストールすると、rlm_execは既知の危険なパターン（例: os.system()、eval()、subprocessでshell=True）のブラックリストに対してコードを自動的にチェックできます。ファイアウォールは構造的な類似性マッチングを使用しており、コードをその骨格に正規化し、埋め込みを介してブラックリストされたパターンと比較します。

動作原理:

1. コードが構文ツリーに解析され、正規化されます（識別子 → _、文字列 → "S"）
2. 正規化された構造がOllamaを介して埋め込まれます
3. ChromaDB内のブラックリストされたパターンとの類似性がチェックされます
4. 類似性が閾値（デフォルト: 0.85）を超えると、コードはブロックされます

設定（環境変数）:

• RLM_FIREWALL_ENABLED=true — ファイアウォールチェックを有効にする（パッケージがインストールされると自動的に有効になります）
• RLM_FIREWALL_MODE=warn|block — マッチ時に警告またはブロックする（デフォルト: warn）

ブロックされるパターンの例:

• os.system(user_input) — コマンドインジェクション
• eval(untrusted_data) — コードインジェクション
• subprocess.Popen(..., shell=True) — シェルインジェクション

rlm_firewall_statusを使用して、ファイアウォールの利用可能性と設定を確認します。

プロバイダと自動検出

RLMは自動的に最適な利用可能なプロバイダを検出して使用します。

自動検出の動作原理

provider="auto"（デフォルト）を使用すると、RLMは以下のことを行います。

1. OLLAMA_URL（デフォルト: http://localhost:11434）でOllamaが実行中かどうかをチェックします
2. gemma3:12b（またはgemma3のバリアント）が利用可能かどうかをチェックします
3. Ollamaが利用可能な場合はOllamaを使用し、そうでない場合はClaude SDKにフォールバックします

ステータスは60秒間キャッシュされ、繰り返しのネットワークチェックを避けます。

Ollamaのステータスを確認する

rlm_ollama_statusを使用して、利用可能なものを確認します。

rlm_ollama_status()

Ollamaが準備できているときの応答:

{
  "running": true,
  "models": ["gemma3:12b", "llama3:8b"],
  "default_model_available": true,
  "best_provider": "ollama",
  "recommendation": "Ollama is ready! Sub - queries will use free local inference by default."
}

Ollamaが利用できないときの応答:

{
  "running": false,
  "error": "connection_refused",
  "best_provider": "claude-sdk",
  "recommendation": "Ollama not available. Sub - queries will use Claude API. To enable free local inference, install Ollama and run: ollama serve"
}

透過的なプロバイダ選択

すべてのサブクエリ応答には、実際に使用されたプロバイダが含まれています。

{
  "provider": "ollama",
  "model": "gemma3:12b",
  "requested_provider": "auto",
  "response": "..."
}

自動使用

Claudeが手動で呼び出すことなく自動的にRLMツールを使用できるようにします。

1. CLAUDE.mdの統合 CLAUDE.md.exampleの内容をプロジェクトのCLAUDE.md（またはグローバルの場合は~/.claude/CLAUDE.md）にコピーして、ClaudeにRLMツールを自動的に使用するタイミングを教えます。

2. フックのインストール .claude/hooks/ディレクトリをプロジェクトにコピーして、10KBを超えるファイルを読み取るときにRLMを自動的に提案します。

cp -r .claude/hooks/ /Users/your_username/your - project/.claude/hooks/

フックはガイダンスを提供しますが、読み取りをブロックすることはありません。

3. スキルリファレンス .claude/skills/ディレクトリをコピーして、包括的なRLMガイダンスを取得します。

cp -r .claude/skills/ /Users/your_username/your - project/.claude/skills/

これらを設定すると、Claudeは大きなファイルを直接コンテキストに読み込む代わりに、RLMを自動的に検出して使用します。

Ollamaのセットアップ（無料のローカル推論）

RLMは、Apple Siliconを搭載したmacOSでOllamaを自動的にインストールして構成できます。2つのインストール方法があり、それぞれに異なるトレードオフがあります。

インストール方法の選択

推奨事項:

• Homebrewがあり、管理された更新を望む場合はHomebrew方法を使用してください
• 自動化、ロックダウンされたマシン、または管理者アクセスがない場合は直接ダウンロードを使用してください

方法1: Homebrewによるインストール（Homebrewがある場合は推奨）

# 1. システムが要件を満たしているか確認
rlm_system_check()

# 2. Homebrewを介してインストール
rlm_setup_ollama(install=True, start_service=True, pull_model=True)

これが行うこと:

• Homebrewを介してOllamaをインストールします (brew install ollama)
• Ollamaを管理されたバックグラウンドサービスとして起動します (brew services start ollama)
• gemma3:12bモデルをダウンロードします（約8GB）

要件:

• Apple Silicon（M1/M2/M3/M4）を搭載したmacOS
• 16GB以上のRAM（gemma3:12bを実行するには約8GB必要）
• Homebrewがインストールされている

方法2: 直接ダウンロード（完全にヘッドレス、sudo不要）

# 1. システムをチェック（この方法ではHomebrewは必要ありません）
rlm_system_check()

# 2. 直接ダウンロードによるインストール - sudo不要、Homebrew不要
rlm_setup_ollama_direct(install=True, start_service=True, pull_model=True)

これが行うこと:

• https://ollama.com/download/Ollama - darwin.zip からOllamaをダウンロード
• ~/Applications/Ollama.appに抽出（ユーザーディレクトリ、管理者アクセス不要）
• ollama serveを介してOllamaを起動（バックグラウンドプロセス）
• gemma3:12bモデルをダウンロード

要件:

• Apple Silicon（M1/M2/M3/M4）を搭載したmacOS
• 16GB以上のRAM
• 特別な権限は必要ありません！

PATHに関する注意: 直接インストールした後、CLIは以下の場所にあります。

~/Applications/Ollama.app/Contents/Resources/ollama

必要に応じてシェル設定に追加してください。

export PATH="$HOME/Applications/Ollama.app/Contents/Resources:$PATH"

少ないRAMのシステムの場合

どちらのインストール方法でも、より小さなモデルを使用できます。

rlm_setup_ollama(install=True, start_service=True, pull_model=True, model="gemma3:4b")
# または
rlm_setup_ollama_direct(install=True, start_service=True, pull_model=True, model="gemma3:4b")

手動セットアップ

手動でのインストールを好む場合、または異なるプラットフォームを使用している場合は、以下の手順を実行します。

1. Ollamaをインストール https://ollama.ai から、またはHomebrewを介して:

   brew install ollama
   

2. サービスを起動:

   brew services start ollama
   # または: ollama serve
   

3. モデルをダウンロード:

   ollama pull gemma3:12b
   

4. 動作を確認:

   rlm_ollama_status()
   

プロバイダの選択

RLMはOllamaが利用可能な場合は自動的に使用します。特定のプロバイダを強制的に使用することもできます。

# 自動検出（デフォルト） - Ollamaが利用可能な場合はOllamaを使用
rlm_sub_query(query="Summarize", context_name="doc")

# 明示的にOllamaを使用
rlm_sub_query(query="Summarize", context_name="doc", provider="ollama")

# 明示的にClaude SDKを使用
rlm_sub_query(query="Summarize", context_name="doc", provider="claude-sdk")

💻 使用例

基本パターン

# 0. （オプション）macOSでの初回セットアップ - 1つの方法を選択:

# オプションA: Homebrew（ある場合）
rlm_system_check()
rlm_setup_ollama(install=True, start_service=True, pull_model=True)

# オプションB: 直接ダウンロード（sudo不要、完全にヘッドレス）
rlm_system_check()
rlm_setup_ollama_direct(install=True, start_service=True, pull_model=True)

# 0b. （オプション）Ollamaが無料推論で利用可能か確認
rlm_ollama_status()

# 1. 大きなドキュメントをロード
rlm_load_context(name="report", content=<large document>)

# 2. 構造を検査
rlm_inspect_context(name="report", preview_chars=500)

# 3. 管理可能な部分にチャンク化
rlm_chunk_context(name="report", strategy="paragraphs", size=1)

# 4. チャンクに対して並列でサブクエリを実行（Ollamaが利用可能な場合は自動的に使用）
rlm_sub_query_batch(
    query="What is the main topic? Reply in one sentence.",
    context_name="report",
    chunk_indices=[0, 1, 2, 3],
    concurrency=4
)

# 5. 結果を保存して集約
rlm_store_result(name="topics", result=<response>)

# 6. すべての結果を取得
rlm_get_results(name="topics")

2MBのドキュメントの処理

H.R.1 Bill（2MB）でテストされています。

# ロード
rlm_load_context(name="bill", content=<2MB XML>)

# 40個の部分にチャンク化（各50K文字）
rlm_chunk_context(name="bill", strategy="chars", size=50000)

# 8つのチャンクをサンプリング（20%）して並列クエリを実行
# （Ollamaが実行中の場合は自動的に使用、そうでない場合はClaude SDK）
rlm_sub_query_batch(
    query="What topics does this section cover?",
    context_name="bill",
    chunk_indices=[0, 5, 10, 15, 20, 25, 30, 35],
    concurrency=4
)

結果: Ollamaを使用すると$0、Claudeを使用すると約$0.02のコストで包括的なトピック抽出が可能です。

「戦争と平和」（3.3MB）の分析

Project Gutenbergからのトルストイの叙事詩小説の文学的分析。

# テキストをダウンロード
curl -o war_and_peace.txt https://www.gutenberg.org/files/2600/2600-0.txt

# RLMにロード（3.3MB、66K行）
rlm_load_context(name="war_and_peace", content=open("war_and_peace.txt").read())

# 行でチャンク化（1チャンクあたり1000行 = 67チャンク）
rlm_chunk_context(name="war_and_peace", strategy="lines", size=1000)

# 本全体に均等に分布した10個のチャンクをサンプリング（15%のカバレッジ）
sample_indices = [0, 7, 14, 21, 28, 35, 42, 49, 56, 63]

# サンプリングされた各セクションからキャラクターを抽出
rlm_sub_query_batch(
    query="List major characters in this section with brief descriptions.",
    context_name="war_and_peace",
    chunk_indices=sample_indices,
    provider="claude-sdk",  # Haiku 4.5
    concurrency=8
)

結果: 小説全体の完全なキャラクターアーク — ピエールの理想主義者から囚人、そして夫への旅、ナターシャの成長、ニコライ・ロストーヴの兵士から地主への旅 — すべて約$0.03で可能です。

📚 詳細ドキュメント

データストレージ

graph TD
    A[("$RLM_DATA_DIR")] --> B["📁 contexts/"]
    A --> C["📁 chunks/"]
    A --> D["📁 results/"]

    B --> B1[".txt files"]
    B --> B2[".meta.json"]
    C --> C1["by context name"]
    D --> D1[".jsonl files"]

    style A fill:#339af0,color:#fff
    style B fill:#51cf66,color:#fff
    style C fill:#51cf66,color:#fff
    style D fill:#51cf66,color:#fff

コンテキストはセッションをまたいで保持されます。チャンク化されたコンテキストは再利用のためにキャッシュされます。

学習用プロンプト

Claude Codeでこれらのプロンプトを使用して、コードベースを探索し、RLMパターンを学習します。コードが唯一の真実の源です。

ツールの理解

src/rlm_mcp_server.pyを読み、すべてのRLMツールとそのパラメータと目的をリストします。

rlm_chunk_contextで利用可能なチャンク化戦略を説明します。
それぞれをいつ使用するのですか？

rlm_sub_queryとrlm_sub_query_batchの違いは何ですか？
実装を見せてください。

アーキテクチャの理解

src/rlm_mcp_server.pyを読み、コンテキストがどのように保存され、永続化されるかを説明します。
データはどこにありますか？

claude-sdkプロバイダは応答からテキストをどのように抽出しますか？
_call_claude_sdkを解説してください。

rlm_load_contextを呼び出したときに何が起こりますか？ 完全なフローを追跡してください。

実践的な学習

READMEをコンテキストとしてロードし、段落でチャンク化し、最初のチャンクに対してサブクエリを実行して要約します。

rlm_sub_query_batchを使用して大きなファイルを並列処理する方法を教えてください。
実際の例を使用してください。

1MBのログファイルがあります。RLMパターンを使ってすべてのエラーを抽出する手順を教えてください。

RLMの拡張

テストファイルを読み、カバーされているシナリオを説明します。
気をつけるべきエッジケースは何ですか？

新しいチャンク化戦略（例: 正規表現区切り文字による）を追加するにはどうすればいいですか？
コードを変更する場所を教えてください。

新しいプロバイダ（例: OpenAI）を追加するにはどうすればいいですか？
どの関数を変更する必要がありますか？

📄 ライセンス

MIT