RAG MCP Server（RAGDB)

MCP対応チャットで、RAGDBを管理/検索できるMCPです。

🤖 MCP対応チャットでとMCPについて

• このシステムをインストールすると、MCP対応チャットで文書をRAGDBに保存・ベクトル検索ができるようになります。
• コマンドを入力するだけで、MCP対応チャットで文書を管理できます。
• Markdown形式のドキュメントをベクトル化して保存します。

✨ できること

📚 文書の保存と検索

• 文書を保存: Markdownファイルをemmbeddingでベクトル化してRAGDBに保存
• 質問で検索: 「この技術の使い方は？」のような質問で検索
• Markdownファイル一括登録: スクリプトMarkdownファイルをRAGDBに一括登録できます。

💾 3つのデータベース選択肢

• LibSQL :ローカルファイルで動作し、DBサーバーを必要としません。
• Qdrant :クラウド対応で、大量データ対応です。
• PostgreSQL: 大量データ対応（テスト中ですが動作確認済）

🚀 始め方

前提条件

• libsqlを利用する場合は、libsqlのデータベースファイルが自動作成されます。
• PgvectorやQdrantを利用する場合はDBサーバーが必要です。（Docker環境をお勧めします。）
• 埋め込みプロバイダーのAPIキー（OpenAI または Google）

VS CodeおよびClaude Desktopでの使用

手動インストールの場合、VS CodeのUser Settings (JSON)ファイルに以下のJSONブロックを追加してください。Ctrl + Shift + Pを押してPreferences: Open User Settings (JSON)と入力することで設定ファイルを開けます。

そのほかのDBの例は、jsonフォルダのサンプルをご覧ください。 INDEXについてはデフォルトでdocumentsを設定していて、必要に応じて追加してください。

{
    "mcpServers": {
        "rag-server": {
            "command": "node",
            "args": ["your-ragdb-mcp-path/rag-mcp/dist/index.js"],
            "env": {
                "RAG_DATABASE_TYPE": "libsql",
                "RAG_CONNECTION_URL": "file:your-ragdb-mcp-path/rag-mcp/libsql/rag.db",
                "EMBEDDING_PROVIDER": "google",
                "EMBEDDING_MODEL": "text-embedding-004",
                "EMBEDDING_API_KEY": "your-google-api-key",
                "EMBEDDING_DIMENSIONS": "768",
                "RAG_CHUNK_SIZE": "512",
                "RAG_CHUNK_OVERLAP": "50",
                "RAG_TOP_K": "5",
                "RAG_STRATEGY": "markdown",
                "AUTO_CREATE_INDEXES": "documents,technical", 
                "LOG_LEVEL": "info"
            }
        }
    }
}

環境変数の設定

環境変数	説明	例
RAG_DATABASE_TYPE	データベースタイプ	libsql, pgvector, qdrant
RAG_CONNECTION_URL	データベース接続URL	./database.db (LibSQL), postgresql://... (PostgreSQL)
RAG_QDRANT_URL	Qdrant接続URL（Qdrant使用時）	http://localhost:6333
EMBEDDING_PROVIDER	埋め込みプロバイダー	openai, google
EMBEDDING_MODEL	埋め込みモデル	text-embedding-3-small, text-embedding-gecko@003
EMBEDDING_API_KEY	APIキー	OpenAIまたはGoogleのAPIキー
RAG_CHUNK_SIZE	チャンクサイズ（オプション）	512
RAG_CHUNK_OVERLAP	チャンクオーバーラップ（オプション）	50
RAG_TOP_K	検索結果数（オプション）	5

利用可能なツール

ツール名	説明	パラメータ
create_index	インデックスを作成	indexName: インデックス名, dimension?: ベクター次元数
delete_index	インデックスを削除	indexName: インデックス名
list_indexes	インデックス一覧を表示	なし
add_document	Markdownドキュメントを追加	content: 文書内容, metadata?: メタデータ, chunkingOptions?: チャンキング設定
update_document	ドキュメントを更新	documentId: ドキュメントID, content?: 新しい内容, metadata?: メタデータ
delete_document	ドキュメントを削除	documentId: ドキュメントID, indexName?: インデックス名
search_documents	基本的なドキュメント検索	query: 検索クエリ, indexName?: インデックス名, options?: 検索オプション
rag_search	質問応答形式のRAG検索	question: 質問, indexName?: インデックス名, options?: 検索オプション
advanced_rag_search	フィルター機能付き高度検索	query: 検索クエリ, filters?: メタデータフィルター, searchOptions?: 検索設定
semantic_similarity_search	セマンティック類似検索	referenceText: 参照テキスト, indexName?: インデックス名, options?: 検索オプション
list_documents	ドキュメント一覧を表示	indexName?: インデックス名, limit?: 取得数, offset?: 開始位置, filter?: フィルター
get_rag_info	RAGシステム情報を表示	なし

基本的な使用例

1. インデックス作成：

   create_index indexName="my-docs"
   

2. ドキュメント追加：

   add_document content="# プロジェクト概要\n\nこのプロジェクトは..." metadata={"title": "プロジェクト概要", "category": "技術文書"}
   

3. 質問で検索：

   rag_search question="このプロジェクトの目的は何ですか？"
   

4. ドキュメント一覧表示：

   list_documents limit=10
   

📄 ライセンス

自由に使用・改変・商用利用可能です。 MCPを通常使用する場合、商用利用は可能ですが

ただしRAGDBとのやり取りや処理は、mastraのライブラリを利用して実装しています。

mastraはElastic License 2.0のため、例えばMastraのPlayground部分をそのままSaasサービスとして 提供したりすることできないので注意してください。

詳しくは以下もご覧ください。 https://mastra.ai/ja/docs/faq#elastic-license-20-elv2

🤝 改善提案・バグ報告

不具合を見つけた方、改善アイデアをお持ちの方は、GitHubのIssuesまでお知らせください。

---

🎉 MCP対応チャットでがあなた専用の文書検索アシスタントになります！