brainwires/project-rag
Developer tools이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요. 원문 보기
강력한 RAG(Retrieval-Augmented Generation) 기능을 제공하는 Rust 기반 Model Context Protocol (MCP) 서버.
개요
강력한 RAG(Retrieval-Augmented Generation) 기능을 제공하는 Rust 기반 Model Context Protocol (MCP) 서버. 이 MCP 서버는 AI 조수를 효율적으로 검색하고 큰 프로젝트를 이해하기 위해 가능하게합니다. - 코드 파일의 semantic embeddings - 로컬 벡터 데이터베이스에 저장 - 빠른 semantic 검색 기능을 제공 - 효율성을위한 지원 증가 업데이트 - : 모든 처리는 Quickembed-rs (API 키가 필요하지 않음)을 사용하여 로컬로 수행됩니다. : 최적의 결과를 위해 Reciprocal Rank Fusion (RRF)을 사용하여 BM25 키워드 매칭과 벡터 유사성을 결합합니다. : 12 언어의 semantic 단위 (기능, 클래스, 방법)을 추출하기 위해 트리 시터를 사용합니다. : 코드, 문서 (PDF → Markdown 변환), 구성 파일과 같은 40 + 파일 형식을 색인합니다. : 스마트 on-demanding (기본값)과 상호 작용하는 기록 (기본값으로 10).
개요(AI 번역)
강력한 RAG(Retrieval-Augmented Generation) 기능을 제공하는 Rust 기반 Model Context Protocol (MCP) 서버.
개요
이 MCP 서버는 AI 조수가 효율적으로 검색하고 큰 프로젝트를 이해 할 수 있습니다.
- 코드 파일의 semantic embeddings 만들기
- 로컬 벡터 데이터베이스에 저장
- 빠른 검색 기능 제공
- 효율성 지원
특징
- Local-First: 모든 처리는 fastembed-rs (API 키가 필요하지 않음)를 사용하여 로컬로 발생합니다. -Hybrid Search: 최적의 결과를 위해 Reciprocal Rank Fusion (RRF)를 사용하여 BM25 키워드와 유사한 벡터 결합
- AST-Based Chunking: 12개 언어에 대한 semantic 단위 (기능, 클래스, 방법)를 추출하기 위해 트리 시터를 사용합니다. -Comprehensive File Support: 코드, 문서 (PDF→Markdown Conversion) 및 구성 파일 포함 40+ 파일 형식
- Git History Search: 스마트 주문 지수(기본값: 10개의 커밋, 필요에 따라 더 심하게 인덱스)로 커밋 내역 검색
- Multi-Project Support: 프로젝트 필터링과 동시에 인덱스 및 쿼리 여러 codebase
이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요.
README
원문 README의 일부입니다. 원문 보기.
Project RAG - MCP Server for Code Understanding
A Rust-based Model Context Protocol (MCP) server that provides AI assistants with powerful RAG (Retrieval-Augmented Generation) capabilities for understanding massive codebases.
Overview
This MCP server enables AI assistants to efficiently search and understand large projects by:
- Creating semantic embeddings of code files
- Storing them in a local vector database
- Providing fast semantic search capabilities
- Supporting incremental updates for efficiency
Features
- Local-First: All processing happens locally using fastembed-rs (no API keys required)
- Hybrid Search: Combines vector similarity with BM25 keyword matching using Reciprocal Rank Fusion (RRF) for optimal results
- AST-Based Chunking: Uses Tree-sitter to extract semantic units (functions, classes, methods) for 12 languages
- Comprehensive File Support: Indexes 40+ file types including code, documentation (with PDF→Markdown conversion), and configuration files
- Git History Search: Search commit history with smart on-demand indexing (default: 10 commits, only indexes deeper as needed)
- Multi-Project Support: Index and query multiple codebases simultaneously with project filtering
- Smart Indexing: Automatically performs full indexing for new codebases or incremental updates for previously indexed ones
- Cross-Process Locking: Filesystem-based locks prevent multiple processes (e.g., multiple Claude Code sessions) from indexing the same codebase simultaneously
- Concurrent Access Protection: Safe lock management prevents index corruption when multiple agents try to index simultaneously
- Stable Embedded Database: LanceDB vector database (default, no external dependencies) with optional Qdrant support
- Language Detection: Automatic detection of 40+ file types (programming languages, documentation formats, and config files)
- Advanced Filtering: Search by file type, language, or path patterns
- Respects .gitignore: Automatically excludes ignored files during indexing
- Never indexes secrets:
.envfiles, private keys, certificates and.aws//.ssh/contents are always excluded - Code Navigation: Find definitions, references, and call graphs (lightweight LSP-like features)
- Adaptive Search Thresholds: Automatically lowers similarity threshold when no results found (0.7 → 0.6 → 0.5 → 0.4 → 0.3)
설치
docker run -p 6333:6333 -p 6334:6334 \설정
{
"mcpServers": {
"project-rag": {
"command": "/absolute/path/to/project-rag/target/release/project-rag",
"env": {
"RUST_LOG": "info"
}
}
}
}