프로젝트 RAG 메모리 MCP 서버. 각 프로젝트는 자체 벡터 수집을 얻으므로 LLM은 코드베이스에 대한 컨텍스트를 색인하고 신속하게 검색 할 수 있습니다.

서버는 ** 두 개의 모드에서 실행 ** 단일 바이너리에서:

• MCP stdio mode (기본값): enowx-rag]] - Model Context Protocol을 통해 stdio에 AI 코딩 도구에 대해 이야기합니다.
• ** HTTP serve mode**: enowx-rag --serve — REST API, SSE 이벤트 스트림, 임베디드 React 대시보드, ** 및 MCP over HTTP at [[T2]** 그래서 에이전트는 원격 데몬 (예: VPS)으로 enowx-rag에 연결할 수 있습니다.

원격 데몬 (MCP over HTTP)

호스트에 enowx-rag --serve를 실행하고 에이전트를 원격으로 연결합니다. RAG_ADMIN_TOKEN] 를 보안하기 위해 - 두 개의 문 /api/*과 /mcp] 와 곰버 토큰 (무선 = 없음, 신뢰할 수있는 네트워크에만). 대중적인 사용을 위한 정면에 있는 TLS 반전 프록시를 두십시오.

daemon에서 MCP 클라이언트를 점:

모든 MCP 도구는 로컬 stdio 모드와 동일하게 작동합니다. **Docs → 리모트 / 데몬 ** 자세한 내용은 페이지.

---

왜 enowx-rag?

LLM 코딩 에이전트는 세션 사이에 모든 것을 잊고 파일 만 볼 수 있습니다. 페이스트. enowx-rag는 에이전트에게 **가장, 프로젝트 메모리 ** 그것은 할 수 있습니다

enowx-rag

Per-project RAG memory MCP server. Each project gets its own vector collection, so an LLM can index context about a codebase and retrieve it quickly.

The server runs in two modes from a single binary:

• MCP stdio mode (default): enowx-rag — talks to AI coding tools over stdio via the Model Context Protocol.
• HTTP serve mode: enowx-rag --serve — starts an HTTP server with a REST API, SSE event stream, an embedded React dashboard, and MCP over HTTP at /mcp so agents can connect to enowx-rag as a remote daemon (e.g. on a VPS).

Remote daemon (MCP over HTTP)

Run enowx-rag --serve on a host and connect agents remotely. Set RAG_ADMIN_TOKEN to secure it — it gates both /api/* and /mcp with a bearer token (unset = no auth, only for trusted networks). Put a TLS reverse proxy in front for public use.

RAG_ADMIN_TOKEN=$(openssl rand -hex 32) ./enowx-rag --serve --addr :7777

Point an MCP client at the daemon:

{
  "mcpServers": {
    "enowx-rag": {
      "url": "https://rag.example.com/mcp",
      "headers": { "Authorization": "Bearer " }
    }
  }
}

All MCP tools work identically to local stdio mode. See the Docs → Remote / daemon page for details.

---

Why enowx-rag?

LLM coding agents forget everything between sessions and only see the files you paste. enowx-rag gives an agent a persistent, per-project memory it can search — so it recalls your architecture decisions, gotchas, and conventions without you re-explaining them every time.

• Per-project isolation. Each project is its own vector collection (project_), so an agent working in one repo never retrieves context leaked from another. Index a codebase once; query it in isolation.
• Retrieval that actually finds things. Dense semantic search, optional hybrid (dense + lexical RRF), reranking (Voyage rerank-2.5), and near-duplicate compression — tunable per query. See the ranked results, scores, and matched snippets live in the Playground.
• Persistent memory, durable metrics. Design decisions and facts survive across sessions and restarts; query latency (p50/p95), token usage, and retrieval breakdown are persisted to a local SQLite DB (pure-Go, no cgo).
• Bring your own stack. Vector stores: a built-in SQLite file (nothing to install), Qdrant, pgvector, Chroma. Embedders: Voyage AI, any OpenAI-compatible /v1/embeddings API, or self-hosted TEI. Swap models or move stores later with the built-in