shinpr/mcp-local-rag

해결하는 문제

외부 임베딩 API로 데이터를 전송하지 않고도 개인 로컬 문서(PDF, DOCX, Markdown 및 텍스트 파일)를 검색할 수 있는 방법을 제공합니다. AI 어시스턴트나 사용자가 터미널을 통해 로컬 파일에 대해 의미론적 검색 및 키워드 검색을 수행하면서 데이터를 오프라인 상태로 유지할 수 있게 합니다.

작동 방식

이 프로젝트는 Model Context Protocol (MCP)을 사용하는 로컬 RAG(검색 증강 생성) 시스템을 구현합니다. 지정된 로컬 디렉토리의 문서를 인덱싱하며, 의미론적 유사성(로컬 임베딩 모델 사용)과 기술 용어에 대한 키워드 매칭을 결합합니다. MCP 호환 클라이언트(Claude Code, Cursor, Codex 등)에 통합하거나 독립형 CLI 도구로 사용할 수 있습니다. 로컬 모델 캐싱을 지원하며, 선택적으로 로컬 비전 모델을 사용하여 PDF 내 그림에 대한 캡션을 생성할 수 있습니다.

대상 사용자

• 개인 문서를 오프라인에서 검색해야 하는 개발자 및 연구원.
• 에이전트에게 로컬 지식 베이스에 대한 액세스 권한을 부여하려는 MCP 호환 AI 클라이언트 사용자.
• API 비용과 개인정보 보호 문제로 인해 로컬 우선 AI 도구를 선호하는 사용자.

주요 특징

• 완전 로컬: API 키, Docker 또는 외부 데이터베이스가 필요하지 않으며, 모델 다운로드 후에는 데이터 수집 및 검색이 오프라인에서 작동합니다.
• 하이브리드 검색: 의미론적 의도와 API 이름 및 오류 코드에 대한 정확한 키워드 매칭을 결합합니다.
• 광범위한 형식 지원: PDF, DOCX, Markdown 및 텍스트 파일을 인덱싱합니다.
• MCP 통합: Model Context Protocol을 통해 AI 에이전트와 원활하게 연결됩니다.
• 비전 기능: PDF 내 그림에 대해 선택적으로 로컬 캡션을 생성하여 검색 가능하게 만듭니다.