ExpertPack MCP

Name: ExpertPack MCP
Author: brianhearn

von brianhearnVersion 0.7.0i★ –iLäuft auf deinem Computer

Name in der Registryio.github.brianhearn/ep-mcp

Installieren

Überblick

Beschreibung vom Entwickler (englisches Original)

Serve ExpertPack knowledge packs over MCP with hybrid search, graph traversal and provenance.

Die drei Säulen von PopNx MCP

Diese drei werden nie zu einer Punktzahl zusammengefasst: Meinungen, Messungen und Beliebtheit sind verschiedene Dinge.

Stimmen der NutzeriNoch keine BewertungenBewertungen starten in einem späteren Schritt zusammen mit Benutzerkonten
Unsere Basischecksi1 von 1 bestandenAnhand öffentlicher Informationen geprüft; Code noch nicht gescannt
NutzungiGanz neu↓ 20/Wo. · ★ –

Was du damit machen kannst

Für diesen Server haben wir noch keine Zusammenfassung in einfacher Sprache geschrieben. Unten stehen die Fakten, die wir aus der Registry gelesen haben.

Verbindung: Läuft auf deinem Computer
Transport: stdio
Kategorie: Suche & KI-Gedächtnis
Das musst du eintragen: GEMINI_API_KEY, AZURE_OPENAI_API_KEY

Installation

Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.

Bevor du installierst

Basischecks: 1 von 1 bestanden
Läuft auf deinem Computer mit den Rechten deines Benutzerkontos (Dateien, Netzwerk, Apps).
Das trägst du selbst ein: GEMINI_API_KEY, AZURE_OPENAI_API_KEY

Als geheim markierte Werte sind Schlüssel zu deinem Konto. Gib sie nie weiter und füge sie nie in einen Chat ein.

Du brauchst

PyPIuv für Python installiert (für den Befehl uvx)

Welche App nutzt du?

ClaudeClaude CodeCursorVS CodeChatGPT

Wähle oben deine App. Wir merken sie uns, damit der Button beim nächsten Mal „In … installieren“ anzeigt.

Öffne Claude Desktop → Settings → Developer → Edit Config und füge dies in claude_desktop_config.json ein

{
  "mcpServers": {
    "ep": {
      "command": "uvx",
      "args": [
        "ep-mcp",
        "serve",
        "--config",
        "your-value",
        "--transport",
        "stdio"
      ],
      "env": {
        "GEMINI_API_KEY": "your-value",
        "AZURE_OPENAI_API_KEY": "your-value"
      }
    }
  }
}

Führe das in deinem Terminal aus

claude mcp add ep --env GEMINI_API_KEY=your-value --env AZURE_OPENAI_API_KEY=your-value -- uvx ep-mcp serve --config your-value --transport stdio

Trag die leeren Werte ein, bevor du ihn startest.

Dieser Server braucht Werte in seiner Befehlszeile, also kopier die Einstellungen und trag sie ein.

Oder kopier die Einstellungen selbst

In .cursor/mcp.json in deinem Projekt oder in ~/.cursor/mcp.json einfügen

{
  "mcpServers": {
    "ep": {
      "command": "uvx",
      "args": [
        "ep-mcp",
        "serve",
        "--config",
        "your-value",
        "--transport",
        "stdio"
      ],
      "env": {
        "GEMINI_API_KEY": "your-value",
        "AZURE_OPENAI_API_KEY": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

Dieser Server braucht Werte in seiner Befehlszeile, also kopier die Einstellungen und trag sie ein.

Oder kopier die Einstellungen selbst

In .vscode/mcp.json in deinem Projekt einfügen

{
  "servers": {
    "ep": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "ep-mcp",
        "serve",
        "--config",
        "your-value",
        "--transport",
        "stdio"
      ],
      "env": {
        "GEMINI_API_KEY": "your-value",
        "AZURE_OPENAI_API_KEY": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

Dieser Server läuft auf deinem Computer, und ChatGPT kann sich nur mit Servern im Internet verbinden. Wähle eine andere App.

Deine Auswahl bleibt in einem Cookie auf diesem Gerät; kein Konto nötig.

Werte, die du selbst einträgst

GEMINI_API_KEY geheim env
Gemini API key for embeddings (or set AZURE_OPENAI_API_KEY when using Azure OpenAI)
AZURE_OPENAI_API_KEY geheim env
Azure OpenAI key, if the config uses the Azure embedding provider

Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.

Was er kann

Läuft auf deinem Computer; die Tool-Liste erscheint nach der Installation in deiner KI-App.

Basischecksi

Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 9. Nov. 2026

✓ Bestanden
Entwickler passt zum Repo
Der Registry-Name wurde mit dem GitHub-Konto brianhearn bestätigt, dem das Repo gehört
… Noch nicht geprüft
Wird noch gepflegt
Dieses Repo haben wir noch nicht von GitHub gelesen
… Noch nicht geprüft
Hat eine Lizenz
Dieses Repo haben wir noch nicht von GitHub gelesen
– Nicht zutreffend
Endpunkt antwortet
Dieser Server läuft auf deinem Computer; es gibt keinen Endpunkt im Internet
– Nicht zutreffend
Anmeldung mit OAuth
Läuft auf deinem Computer und nutzt stattdessen lokale Einstellungen
… Noch nicht geprüft
Keine versteckten Anweisungen in Tool-Beschreibungen
Läuft auf deinem Computer; Tool-Listen können wir nur von Endpunkten im Internet lesen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Mehr Sterne als 0 % der anderen 5767 Server in dieser Kategorie
Neuer in der Registry veröffentlicht als 67 % der anderen 5767 Server in dieser Kategorie
Basischecks gleich gut wie oder besser als bei 100 % der anderen 5767 Server in dieser Kategorie

Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.

Häufige Fragen

Ist ExpertPack MCP sicher?

Er hat 1 von 1 zutreffenden Basischecks bestanden. Den Code haben wir nicht gelesen. Bevor du einen Schlüssel oder Token hinzufügst, sieh nach, welche Zugriffe der Server verlangt, und nutze einen Schlüssel, der nur die Berechtigungen hat, die du brauchst.

Welche Schlüssel oder Codes braucht er?

Das musst du eintragen: GEMINI_API_KEY, AZURE_OPENAI_API_KEY

Läuft er auf meinem Computer oder in der Cloud?

Er läuft auf deinem Computer. Deine KI-App startet ihn bei Bedarf, und die Daten laufen nicht über die Server des Entwicklers (außer der Server ruft selbst einen Onlinedienst auf).

Wird er noch gepflegt?

Das GitHub-Repo wurde zuletzt – geändert, und die neueste Version (0.7.0) kam vor 20 Tagen in die Registry.

Welche Apps können ihn nutzen?

Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Außerdem brauchst du Python (uv) auf deinem Computer.

Was kann ich stattdessen nutzen?

In derselben Kategorie: Context7, Codebase Memory, Exa

Alternativen

Server derselben Kategorie von anderen Entwicklern, sortiert nach Sternen.

So liest du eine Karte:↓ Downloads pro Wochei★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti

Context7

Up-to-date docs for AI agents

von upstashWeit verbreitet↓ 972.664/Wo.★ 64.224Aktualisiert vor 3 Tagen

Computer oder Cloud

Installieren

Codebase Memory

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

von DeusDataWeit verbreitet↓ 17.962/Wo.★ 48.148Aktualisiert vor 23 Tagen

Läuft auf deinem Computer

Installieren

Exa

Connect AI agents to Exa for web search, content fetching, and multi-step research.

von exa-labsWeit verbreitet★ 5213Aktualisiert vor 2 Monaten

Läuft in der Cloud✓ exa.ai

Installieren

README vom Entwickler

README öffnen

Unverändert aus dem Repo des Entwicklers übernommen. PopNx MCP hat den Inhalt weder geprüft noch empfiehlt es ihn. HTML, Bilder und Skripte wurden entfernt. Links führen von dieser Website weg.

ep-mcp

Expertise-as-a-Service over the Model Context Protocol.

An MCP server that turns any ExpertPack into a live, queryable knowledge service. Any MCP-compatible agent (Claude Desktop, Cursor, Windsurf, Claude.ai, custom hosts) can connect and retrieve high-quality, provenance-rich domain expertise via standardized tools.

[🌐 expertpack.ai](https://expertpack.ai) · [📦 ExpertPack Framework](https://github.com/brianhearn/expert-pack) · [📖 Architecture](ARCHITECTURE.md)

97.6% retrieval hit rate / 0 full misses on a 22-question benchmark against a production v4.1 atomic-conceptual pack (658 chunks). Prior v4.0 baseline on the same pack and eval set: 65.1%.

Features

Schema-aware hybrid retrieval: BM25 + vector search (sqlite-vec), metadata boosting, MMR re-ranking, adaptive threshold filtering, length penalty
`requires:` expansion (schema v4.1 atomic-conceptual): When a top-K atom's frontmatter declares requires: [B, C], the referenced atoms are auto-appended to results as additional SearchResults flagged requires_expanded=True. Directional (A→B does not imply B→A), transitive up to 2 hops, capped at 3 atoms and 3,500 cumulative tokens, appended after the max_results slice so it never displaces top-K.
Intent-aware routing: Automatic query classification (ENTITY/HOW/WHY/WHEN/GENERAL) adjusts vector/BM25 fusion weights per query — no LLM required
Query embedding cache: SQLite-backed cache keyed by (model, dimension, sha256(query)) — warm query latency drops from ~4s (live Gemini API) to ~1ms
Deep graph traversal: Optional multi-hop BFS expansion over knowledge graph edges with per-hop score decay and drift prevention
Reserved-slot graph merge: Configurable protected slots in the final top-K reserved for graph-expanded neighbors so related files surface even against dominant core results
BM25 fallback mode: Embedding provider outage degrades gracefully to lexical-only search (coverage + density + path + length scoring) instead of a hard error
Cross-encoder reranker: Optional second-pass precision reranker (disabled by default, ~70ms warm latency when enabled)
Provenance-first: Every result includes id, content_hash, verified_at, source_file
Reconstruct mode (RFC-003): Opt-in reconstruct=true / reconstruct: true enriches results with fragment_id, line_range, original_markdown, span-level content_hash, excerpt, stale, and byte offsets so agents can prove exactly what source text grounded an answer
EP-native chunking: Files are treated as atomic retrieval units (split at ##/### only for oversized content). Split chunks keep the original span as content/span_hash, carry a computed line_range, and record a heading_path (0.7.0+)
Heading paths (0.7.0+): every hit carries heading_path (e.g. ["Routing", "Setup", "Ports"]) so an H3 hit keeps its H2 parent; ep_read(path, section=..., neighbors=true) reads just that section plus its previous/next siblings
Freshness (0.7.0+, ExpertPack Core 4.2): hits and ep_read carry verified_age_days, age_stale (verified_at older than the file's refresh or the manifest freshness.refresh_cycle), expired and expires_at (volatile TTL). stale keeps its old meaning — index drift (file changed since indexing, reconstruct mode only). Optional down-rank via retrieval.freshness_penalty (default 0.0 = off)
Skills over MCP (0.7.0+, opt-in): set mcp.skills.enabled: true in a pack's manifest.yaml to declare the io.modelcontextprotocol/skills extension (SEP-2640). Each pack becomes one skill at skill://{slug}/SKILL.md (generated) with every non-on_demand file served verbatim at skill://{slug}/{path}; skills/list / skills/get publish the manifest with SHA-256 digests, sizes, ttlMs and cacheScope. Host support is still thin, so the ep_* tools remain the primary path
Frontmatter aware: Strips metadata for embedding, extracts type, tags, requires, etc. for boosting/expansion/filtering
Incremental indexing: Content-hash based staleness detection — only re-embeds changed files
Multi-pack support: Path-based routing at /packs/{slug}/mcp
Graph-aware retrieval: optional post-retrieval expansion via _graph.yaml adjacency, including accepted ontology/entity nodes when graph export provides them
`context_prefix` (RFC-004): sidecar situating strings are prepended at index time for embed + BM25 only; returned/reconstruct text stays the original atom body
Tier / navigation filter: retrieval_strategy: navigation, _index.md, source-coverage.md, and context.on_demand files are excluded from the RAG pool (still readable via ep_read / resources)
Tools:
ep_search — primary hybrid retrieval tool
ep_read — load a whole atom by path or provenance id (consume-loop step 2)
ep_list_topics — browse pack structure and available content types
ep_graph_traverse
Multi-pack stdio support: All tools accept a pack parameter for routing when multiple packs are configured. Single-pack configs make pack optional (defaults to the only configured pack).
Resources:
ep://{slug}/manifest
ep://{slug}/authority
ep://{slug}/files
ep://{slug}/file/{+path} (raw content with frontmatter)
skill://{slug}/SKILL.md, skill://{slug}/{+path} (only when mcp.skills.enabled: true)
Transports: Streamable HTTP (primary, cloud-ready), stdio (local dev)
stdio multi-pack support (0.6.0+): When using --transport stdio with multiple packs configured, all tools accept an optional pack parameter (slug string) to specify which pack to query. For single-pack configurations, the pack parameter is optional and defaults to the only configured pack. This allows MCP hosts (Cursor, Claude Desktop) to use a single stdio process for multiple packs instead of requiring one process per pack.
HTTP endpoint: GET /search (for non-MCP HTTP clients)
Golden retrieval eval (0.7.0+): tests/eval/ — YAML query sets (expected best-first, must_not, category) scored as recall@1/3/5, MRR and must_not violations per pack and category. Skipped in the default run; pytest tests/eval -m golden --golden --packs-root with EP_EVAL_TODAY=2026-10-20 and optional EP_EVAL_MIN="recall@5=0.9,mrr=0.7", or python tests/eval/golden_eval.py --golden --today 2026-10-20
Auth: API key (Phase 1), designed for OAuth 2.1 (Phase 2)

Quick Start

Installation

git clone https://github.com/brianhearn/ep-mcp.git

cd ep-mcp pip install -e .[dev]

Configuration

Create config.yaml with at minimum:

server:

host: "127.0.0.1" port: 8000 log_level: "info"

Required for public Host headers (SDK v2 DNS-rebinding protection).

See DEPLOYMENT.md — omit and Streamable HTTP returns 421.

mcp_allowed_hosts:

"localhost"
"localhost:*"
"127.0.0.1"
"127.0.0.1:*"

packs:

slug: "my-pack" path: "/path/to/your/expertpack" api_keys:
"your-secret-key-here"

embedding: provider: "gemini" # "gemini" (default) or "azure-openai" model: "gemini-embedding-001"

For the full configuration reference — embedding providers, retrieval tuning (mmr_lambda, min_score, default_max_results, graph expansion, reranker, requires: expansion, etc.), production systemd setup, and deployment gotchas — see [DEPLOYMENT.md](DEPLOYMENT.md).

Running

ep-mcp serve --config config.yaml

The server builds/updates the SQLite index (FTS5 + sqlite-vec) on startup. 0.5.0 requires a rebuild of existing indexes (index_features=context_prefix_v1+nav_filter_v1); startup does this automatically, or delete /.ep-mcp/ first.

The GET /search HTTP endpoint is available at:

GET /search?q= &pack= &n=10

Add &reconstruct=true to include original markdown spans and provenance blocks for verification.

with header Authorization: Bearer .

Environment Variables

Only the key for your configured embedding provider is required.

Variable	Required	Description
`GEMINI_API_KEY`	If `embedding.provider: gemini`	Gemini embedding API key
`AZURE_OPENAI_ENDPOINT`	If `embedding.provider: azure-openai`	Azure OpenAI resource endpoint
`AZURE_OPENAI_API_KEY`	If `embedding.provider: azure-openai`	Azure OpenAI API key
`EP_MCP_KEY_{SLUG}`	Optional	Per-pack API key override (uppercase slug, hyphens→underscores)
`EP_MCP_REMOTE_HOST`	Optional	Deploy target for `scripts/deploy.sh`
`EP_MCP_REMOTE_SRC`	Optional	Remote source path for `deploy.sh`
`EP_MCP_REMOTE_SITE_PKG`	Optional	Remote site-packages path for `deploy.sh`

Tech Stack

Language: Python 3.12+
MCP Framework: official mcp SDK v2 (MCPServer, spec 2026-07-28, dual-era with 2025 clients)
Storage: SQLite with FTS5 + sqlite-vec
Embeddings: Gemini (default), configurable Azure OpenAI / OpenAI providers
Web: Starlette + Uvicorn (for Streamable HTTP)
CLI: Click

See pyproject.toml for exact dependencies.

Project Structure

See ARCHITECTURE.md for detailed module breakdown, retrieval pipeline, indexing strategy, and design decisions.

[expertpack.ai](https://expertpack.ai) — Framework website, community packs, and documentation
[ExpertPack](https://github.com/brianhearn/expert-pack) — Schema framework, validation tools, Obsidian compatibility, community packs
[ExpertPacks](https://github.com/brianhearn/expert-packs) — Published knowledge packs (private)
EasyTerritory MCP (future) — Domain-specific layer built on top of this repo + ezt-designer pack

License

Author

Brian Hearn — Built in 3 days (April 10–11, 2026).

ExpertPack MCP

Überblick

Die drei Säulen von PopNx MCP

Was du damit machen kannst

Installation

Bevor du installierst

Werte, die du selbst einträgst

Was er kann

Basischecksi

Entwickler passt zum Repo

Wird noch gepflegt

Hat eine Lizenz

Endpunkt antwortet

Anmeldung mit OAuth

Keine versteckten Anweisungen in Tool-Beschreibungen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Häufige Fragen

Alternativen

Context7

Codebase Memory

Exa

README vom Entwickler

ep-mcp

Features

Quick Start

Installation

Configuration

Required for public Host headers (SDK v2 DNS-rebinding protection).

See DEPLOYMENT.md — omit and Streamable HTTP returns 421.

Running

Environment Variables

Tech Stack

Project Structure

Related

License

Author