Firebase Docs MCP

このプロジェクトはFirebaseドキュメントの索引付けと検索システムで、Goで書かれたドキュメントインデクサー、Model Context Protocolに基づくサーバー、およびテスト用のGenkitクライアント実装が含まれています。

開発者ツール検索ツール #ドキュメント索引付け #MCPサービス #検索システム #Geminiモデル .TypeScript

スコア : 2ポイント

ダウンロード数 : 8

更新時間 : 2025-04-28

Firebase Docs MCP Serverとは？

これはFirebaseドキュメント専用のインテリジェントな検索システムで、Firebase公式ドキュメントの内容を自動的に索引付けし、自然言語によるクエリを通じて開発者が関連するドキュメントを迅速に見つけるのを支援します。システムはGeminiモデルを使用して意味理解を行い、より正確な検索結果を提供します。

Firebase Docs MCP Serverの使い方は？

使用手順は主に3つのステップに分かれます：1) APIキーの設定 2) ドキュメントの索引付け 3) ドキュメントのクエリ。システムはコマンドラインツールと可视化インターフェイスを含む複数のクエリ方法を提供します。

適用シナリオ

Firebase開発者が以下のシナリオで使用するのに特に適しています：特定の機能のドキュメントを迅速に探す、開発中に遭遇した問題を解決する、Firebaseの新機能を学ぶ際に関連資料を取得する。

主な機能

ドキュメント索引付けFirebase公式ドキュメントの内容を自動的に取得し、索引付けして検索可能な形式に変換します。

意味検索Geminiモデルを使用してクエリの意図を理解し、最も関連するドキュメントの断片を返します。

多プラットフォーム対応コマンドラインツールとWebインターフェイスの2種類のクエリ方法を提供します。

オフラインキャッシュ索引付けされたドキュメントはローカルのSQLiteデータベースに保存され、オフラインでのクエリをサポートします。

利点と制限

利点

正確な意味検索能力で、開発者のクエリ意図を理解します。

応答速度が速く、ローカルキャッシュによりクエリ効率が確保されます。

複数の使用方法をサポートし、さまざまなシナリオに柔軟に対応します。

制限

Google AI StudioのAPIキーが必要です。

ドキュメントを更新するには再索引付けが必要です。

一部の複雑なクエリでは正確性が不十分な場合があります。

使い方

APIキーの取得

Google AI StudioからGeminiモデルのAPIキーを取得します。

ドキュメントの索引付け

索引付けプログラムを実行してFirebaseドキュメントを取得し、処理します。

サーバーの起動

MCPサーバーを起動してクエリ要求を受け付ける準備をします。

クエリの実行

コマンドラインツールまたはWebインターフェイスを通じてクエリ要求を送信します。

使用例

認証ドキュメントの検索開発者がFirebase認証機能の設定方法を知りたい場合。

ストレージ料金の照会開発者がFirebaseストレージサービスの料金体系を知りたい場合。

よくある質問

なぜGoogle AI StudioのAPIキーが必要なのですか？

索引付けされたドキュメントの内容を更新するにはどうすればいいですか？

なぜVSCodeのターミナルで正常に実行できないのですか？

🚀 Firebase ドキュメント MCP サーバー設定ガイド

このガイドは、Firebase ドキュメントの MCP サーバーを設定する方法を説明します。

💻 使用例

🔍 インデックスの開始

API キーを設定します。ドキュメントの処理には双子星埋め込みモデル（Gemini embedding model）を使用するため、AI スタジオから API キーを取得する必要があります。キーを設定するには、ターミナルで export genaikey="APIKEY" を呼び出します。
出力ディレクトリが空であることを確認します。ファイルはユーザーのホームディレクトリ内の .indexResp という名前のフォルダに書き込まれます。Go は Firebase ドキュメントサイトからドキュメントを取得し、Markdown 形式でディスクに保存し、SQL Lite データベースにインデックスを付けます。インデックス作成に失敗した場合、リトライ戦略を実行し、ドキュメントを Markdown 形式で再インデックスします。
docs-mcp フォルダで go run . を呼び出します。これにより、main.go ファイルの 291 行目付近に記載されているファイルパスのインデックス作成プロセスが開始されます。

🔍 インデクサーのテスト

API キーを設定します。ドキュメントの処理には双子星埋め込みモデル（Gemini embedding model）を使用するため、AI スタジオから API キーを取得する必要があります。キーを設定するには、ターミナルで export genaikey="APIKEY" を呼び出します。
docs-mcp-server フォルダに切り替えます。
インデックスデータベースを現在の docs-mcp-server フォルダにコピーします。これは cp $HOME/.indexResp/db.sqlite . を呼び出すことで行えます。
依存関係をインストールし、プロジェクトをビルドします。npm ci を実行してから npm run build を実行します。ビルドが完了したら、npm run build && npx @modelcontextprotocol/inspector node build/index.js を実行してプロジェクトをテストします。これにより、インスペクターが起動し、STDIO サーバーを確認するための URL が表示されます。
インスペクタービューで「接続」をクリックし、ツールメニューから「List Tools -> find-firebase-doc」を選択します。ここで、テストに使用するリクエスト内容を入力します。

⚠️ 重要提示

筆者は VSCode のターミナルを使用すると問題が発生することを発見したため、同様の問題が発生した場合はシステムのターミナルを使用してみてください。

🔍 Genkit を使用したテスト

コード内で API キーを設定します。docs-mcp-server/src/helpers/embeddings.ts ファイル内の以下の内容を：
```
const genAiKey = process.env.genaikey || "";
```
次のように変更します：
```
const genAiKey = process.env.genaikey || "MYAPIKEY";
```
genkit-mcp-tester ディレクトリに切り替えます。
インデックスデータベースを現在の genkit-mcp-tester フォルダにコピーします。これは cp $HOME/.indexResp/db.sqlite . を呼び出すことで行えます。
依存関係をインストールし、プロジェクトをビルドします。npm ci を実行してから npm run build を実行します。ビルドが完了したら、npm start を実行して Genkit テストを開始します。
ターミナルに以下の内容を入力してテストを開始します：
```
mcp-tester
```
指示に従って、処理する内容を入力してテストを行います。