Vectora
概要
作者による説明（英語の原文）
AI assistant with RAG, web search, filesystem and memory. MCP sub-agent for Claude Code.
PopNx MCPの3つの柱
この3つを1つのスコアにまとめることはしません。意見、測定、人気はそれぞれ別のものだからです。
- 利用者の声iレビューはまだありませんレビューは今後のステップで、アカウント機能と一緒に始まります
- 私たちの基本チェックi1項目中1項目に合格公開情報からチェック。コードはまだスキャンしていません
- 利用状況iとても新しい↓ 16/週 · ★ –
できること
このサーバーのやさしい解説はまだ書いていません。以下はレジストリから読み取った事実です。
- 接続方法: パソコンで動く
- トランスポート: stdio
- カテゴリ: 検索・AIの記憶
- 入力が必要なもの：GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY
インストール
使っているAIアプリを選んで、設定をコピーしてください。
インストールの前に
- 基本チェック：1項目中1項目に合格
- あなたのパソコンで、あなたのユーザーと同じ権限（ファイル、ネットワーク、アプリ）で動きます。
- 自分で入力するもの：
GOOGLE_API_KEY,COHERE_API_KEY,TAVILY_API_KEY,OPENAI_API_KEY,ANTHROPIC_API_KEY,LANGSMITH_API_KEY
「秘密」と表示された値は、あなたのアカウントの鍵です。絶対に人に教えたり、チャットに貼り付けたりしないでください。
必要なもの
- PyPIPythonのuvのインストール（uvxコマンドに必要）
どのアプリを使っていますか？
上でアプリを選んでください。選んだアプリを覚えておくので、次からはボタンに「…にインストール」と表示されます。
Claude Desktop → Settings → Developer → Edit Config を開き、claude_desktop_config.json にこれを貼り付けます
{
"mcpServers": {
"vectora": {
"command": "uvx",
"args": [
"vectora-agent"
],
"env": {
"GOOGLE_API_KEY": "your-value",
"COHERE_API_KEY": "your-value",
"TAVILY_API_KEY": "your-value",
"OPENAI_API_KEY": "your-value",
"ANTHROPIC_API_KEY": "your-value",
"LANGSMITH_API_KEY": "your-value"
}
}
}
}ターミナルでこれを実行します
claude mcp add vectora --env GOOGLE_API_KEY=your-value --env COHERE_API_KEY=your-value --env TAVILY_API_KEY=your-value --env OPENAI_API_KEY=your-value --env ANTHROPIC_API_KEY=your-value --env LANGSMITH_API_KEY=your-value -- uvx vectora-agent動かす前に、空欄の値を入力してください。
または、設定を自分でコピーする
プロジェクトの .cursor/mcp.json、または ~/.cursor/mcp.json に貼り付けます
{
"mcpServers": {
"vectora": {
"command": "uvx",
"args": [
"vectora-agent"
],
"env": {
"GOOGLE_API_KEY": "your-value",
"COHERE_API_KEY": "your-value",
"TAVILY_API_KEY": "your-value",
"OPENAI_API_KEY": "your-value",
"ANTHROPIC_API_KEY": "your-value",
"LANGSMITH_API_KEY": "your-value"
}
}
}
}ブラウザがアプリを開いてよいか確認し、そのあとアプリが設定を表示して確認を求めます。キーの値は空欄のままなので、自分で入力してください。
または、設定を自分でコピーする
プロジェクトの .vscode/mcp.json に貼り付けます
{
"servers": {
"vectora": {
"type": "stdio",
"command": "uvx",
"args": [
"vectora-agent"
],
"env": {
"GOOGLE_API_KEY": "your-value",
"COHERE_API_KEY": "your-value",
"TAVILY_API_KEY": "your-value",
"OPENAI_API_KEY": "your-value",
"ANTHROPIC_API_KEY": "your-value",
"LANGSMITH_API_KEY": "your-value"
}
}
}
}ブラウザがアプリを開いてよいか確認し、そのあとアプリが設定を表示して確認を求めます。キーの値は空欄のままなので、自分で入力してください。
これはパソコンで動くサーバーですが、ChatGPTがつなげるのはインターネット上のサーバーだけです。ほかのアプリを選んでください。
選んだアプリは、この端末のCookieに保存されます。アカウントは不要です。
自分で入力する値
- Google Gemini API key (recommended free-tier LLM provider)
- Cohere API key — required for RAG embeddings and reranking
- Tavily API key — required for web search and URL extraction
- OpenAI API key (optional — alternative LLM provider)
- Anthropic API key (optional — alternative LLM provider)
- LangSmith API key (optional — tracing and observability)
この設定は、作者のレジストリ登録情報から作成しています。READMEと違う場合は、READMEに従ってください。
できること
パソコンで動くサーバーです。インストールすると、ツール一覧がAIアプリに表示されます。
基本チェックi
誰でも見られる情報をチェックしており、コードは読んでいません。当てはまらない項目は数に入れていません。 · 2026年11月9日にチェック
- ✓ 合格
作者とリポジトリが一致
レジストリ名は、リポジトリを所有するGitHubアカウント brunosrz で確認済みです
- … 未チェック
今もメンテナンスされている
このリポジトリはまだGitHubから読み取っていません
- … 未チェック
ライセンスがある
このリポジトリはまだGitHubから読み取っていません
- – 対象外
エンドポイントが応答する
これはパソコンで動くため、インターネット上のエンドポイントはありません
- – 対象外
OAuthでサインイン
パソコンで動き、代わりにローカルの設定を使います
- … 未チェック
ツールの説明に隠れた指示がない
パソコンで動くサーバーです。ツール一覧を読み取れるのは、インターネット上のエンドポイントがある場合だけです
検索・AIの記憶のほかのサーバーとの比較i
- このカテゴリのほかの5749件のうち0%よりスターが多い
- このカテゴリのほかの5749件のうち14%より最近レジストリに公開
- 基本チェックの結果が、このカテゴリのほかの5749件のうち100%と同じかそれ以上
レジストリでこのカテゴリにある有効なすべてのサーバーと比較しています。スターは、公開者がリポジトリの所有者である場合だけ数えます。
よくある質問
Vectoraは安全ですか？
当てはまる基本チェック1項目のうち1項目に合格しました。コードは読んでいません。キーやトークンを追加する前に、サーバーがどんなアクセスを求めているかを確認し、必要な権限だけを持つキーを使ってください。
どんなキーやコードが必要ですか？
入力が必要なもの：GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY
パソコンで動きますか、それともクラウドですか？
あなたのパソコンで動きます。必要なときにAIアプリが起動し、データは作者のサーバーを通りません（サーバー自体がオンラインサービスを呼び出す場合を除きます）。
今もメンテナンスされていますか？
GitHubリポジトリの最終更新は–、最新バージョン（0.1.0rc3）がレジストリに届いたのは6 か月前です。
どのアプリで使えますか？
Claude Desktop、Claude Code、Cursor、VS CodeなどのMCP対応アプリで使えます。パソコンにPython (uv)も必要です。
代わりに使えるものは？
同じカテゴリには：Context7, Codebase Memory, Exa
代わりの候補
同じカテゴリで、ほかの作者が作ったサーバー。スターの多い順。
カードの見方：↓ 週あたりのダウンロードi★ GitHubスターi3つの柱：レビュー · チェック · 利用状況i更新＝最新バージョンをレジストリに公開した日i
Codebase Memory
Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.
Exa
Connect AI agents to Exa for web search, content fetching, and multi-step research.
作者のREADME
READMEを開く
作者のリポジトリから書かれたとおりにコピーしたものです。PopNx MCPは内容を確認・推奨していません。HTML、画像、スクリプトは取り除いています。リンクはこのサイトの外へ移動します。
Vectora
Vectora é um assistente de IA self-hosted para equipes de desenvolvimento — roda inteiramente no seu servidor, com um workbench completo (arquivos, git, terminal, RAG, Context Graph, browser) compartilhado entre você e o agente, e vem com um chat web multi-usuário.
No seu núcleo, o Vectora resolve o problema do abismo de conhecimento: os LLMs não conhecem sua base de código, sua documentação ou as versões mais recentes da sua stack. O Vectora preenche essa lacuna por dois caminhos complementares: RAG híbrido (BM25 + vetores densos + reranker Cohere/VoyageAI) para recuperação por similaridade, e o Context Graph — um grafo de conhecimento nativo do workspace (funções, classes, conceitos e suas relações, via tree-sitter + extração semântica por LLM) para contexto estrutural.
Por que o Vectora?
- Motor nativo — o loop de execução (
backend/engine/conversation_loop.py::run_conversation) é umwhileimperativo, não um grafo compilado. Isso dá HITL configurável por modo de permissão, backends de filesystem pluggable e um supervisor que delega para 2 subagentes especializados com instruções explícitas — sem hops de roteamento desnecessários. - Pipeline RAG híbrido — cada recuperação roda BM25 + busca vetorial densa + reranker antes de voltar para o supervisor sintetizar a resposta.
- Context Graph nativo — analisa o workspace (AST via tree-sitter para Python/JS/TS/Go/Rust/Java/C/C++, + extração semântica por LLM) e gera um grafo de conhecimento com god nodes, comunidades e perguntas sugeridas. Configurável por tipo de arquivo (ex.: só markdown, deixando o código para o RAG).
- 70+ ferramentas nativas — filesystem, git (14 operações), GitHub (
gh), terminal (PTY real), web, RAG, memória, integrações opcionais (Jira, Slack, Linear, Google Drive, Gmail, Notion) e utilitárias (hash, JWT, regex, HTTP) — sempre disponíveis, sem instalar plugins. - Resiliência de provider — fallback automático de LLM por quota (429 troca de provider sozinho, com aviso visível) e de embeddings/rerank (Cohere↔VoyageAI). O model selector reflete o provider ativo.
- Embeddings curados — resultados da busca web passam por um gate de curadoria (reranker + LLM judge) antes de serem indexados. Sua base de conhecimento nunca é contaminada.
- Chat web multi-usuário — interface React 19 (Vite + TanStack Router) com autenticação, RBAC, workspaces e a workbench (terminal, git, arquivos, context graph, memória, planos — ver abaixo).
- Memória persistente entre sessões — memória isolada por usuário, com checkpoint nativo (
SessionStore) por thread. - Infraestrutura zero no modo lite — SQLite + LanceDB. Sem Docker ou Postgres para uso local ou times pequenos. O modo complete (Postgres + Qdrant + Redis) já existe como caminho alternativo para quem precisa de mais escala.
- Multi-LLM — Google Gemini, OpenAI, Anthropic, Cohere, ou Ollama (totalmente local). O model selector lista apenas os providers com API key configurada.
Arquitetura
Supervisor + Subagentes (motor nativo)
O agente principal (backend/services/agent_factory.py) roda sobre o motor nativo (backend/engine/conversation_loop.py::run_conversation) — um loop while imperativo, não um grafo compilado. O supervisor responde direto para consultas simples ou delega, via a tool nativa delegate_to_subagent, para um dos 2 subagentes especializados:
| Agente | Papel | Ferramentas principais |
|---|---|---|
| orchestrator | Supervisor — responde direto OU delega para coder/search | create_artifact, save_memory, get_memory, delete_memory, RAG |
| coder | Filesystem, terminal, git — geração e revisão de código | file_read, file_edit, file_write, grep, list_dir, terminal, tools de git |
| search | Busca web em tempo real + RAG (não há subagente de RAG separado) | web_search, web_fetch, vector_search, embedding, ingest_docs |
HITL (Human-in-the-Loop) roda via should_require_approval (backend/engine/hitl.py), configurável por modo de permissão (perguntar sempre / aceitar edições / autônomo / plano).
Pipeline de RAG (dentro das tools search/rag)
| Score | Caminho |
|---|---|
| ≥ 0.7 | Injeção direta no contexto — alta confiança |
| 0.4–0.7 | Rerank (Cohere/VoyageAI) → injeção |
| < 0.4 | Cai para busca web, com os resultados curados (reranker + LLM judge) antes de indexar |
Workbench (painel lateral)
No modo Code, o chat vem com um painel lateral multi-aba — a workbench. Cada aba renderiza a partir de dados do backend em tempo real:
| Aba | O que faz |
|---|---|
| File System | Árvore do workspace; abre arquivos como janelas flutuantes (redimensionáveis, arrastáveis), edita via Monaco Editor, e fixa arquivos ("pin") para manter no contexto. |
| Git | Status (staged/unstaged/untracked), diff por arquivo com hunks, histórico de commits, stash e worktrees. |
| Search | Busca em todo o workspace (arquivos + conteúdo). |
| Plan | Planos, specs e guias gerados pelo agente (create_artifact, markdown em ~/.vectora/artifacts/). |
| Segundo plano | Tarefas em segundo plano da sessão + histórico de execuções. |
| Preview | Configura targets de run (servidor/comando) e mostra o preview do projeto. |
| Memory (RAG) | Memórias e citações RAG/web indexadas + settings de RAG: reranker on/off + top_k, provider de rerank/embedding (Cohere/Voyage/auto), tipos de arquivo a ingerir, e gestão de coleções (listar/apagar). |
| Context Graph | Constrói e exibe o grafo de conhecimento do workspace (god nodes, conexões, perguntas) + settings: tipos de arquivo a indexar (code/document/paper) e modo (semântico/AST). Build pausável e retomável por quota. |
| Terminal | Shell embarcado real via PTY (pywinpty/ptyprocess) renderizado com xterm.js, com tema dinâmico sincronizado ao tema da UI. |
Os artefatos do Context Graph e o cache ficam em .vectora/context-graph/ dentro do workspace; o que estiver no .vectoraignore (ignore unificado, vale para context graph, RAG, filesystem e chat) é invisível para o Vectora.
Pré-requisitos
| Requisito | Notas |
|---|---|
| Python 3.13 | Gerenciado pelo uv — fixado em 3.13 (Nuitka ainda não suporta 3.14) |
| Node.js 24+ | Para o frontend web (pnpm obrigatório) |
| Chave Cohere | Embeddings + reranking — plano gratuito |
| Chave Tavily | Busca web — plano gratuito |
| Provedor LLM | Google Gemini, OpenAI, Anthropic, Cohere, ou Ollama |
Início rápido (a partir do código fonte)
git clone https://github.com/vectora-ltda/vectora.gitcd vectora
Instalar dependências Python
uv sync
Copiar e preencher suas chaves de API
cp .env.example .env
Edite o .env: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY
Instalar dependências do frontend (SPA Vite)
pnpm --dir frontend install
Terminal 1 — backend completo + SPA (porta 8080)
uv run vectora start --port 8080
Terminal 2 — frontend dev (Vite, porta 3000, faz proxy p/ a API)
pnpm --dir frontend dev
Abra http://localhost:3000. O primeiro usuário a se cadastrar vira administrador root.
CLI de operação (VPS via SSH)
O frontend cobre toda a configuração, mas em VPS via SSH a CLI Rich expõe o essencial:
uv run vectora config keys # wizard de API keys + provider de LLMuv run vectora config docker up # sobe Postgres + Redis + Qdrant local uv run vectora start --headless # backend sem Electron (modo servidor) uv run vectora web # HTTP + Electron/Chromium, sem bandeja Python
Build (SCons)
O sistema de build usa SCons, incluído como dependência de dev, invocado a partir da raiz do repositório. Funciona direto no PowerShell, cmd, bash ou zsh — sem dependência de sintaxe shell específica.
Produto final (do zero ao instalador)
scons release Build completo + instalador nativo para o SO atualBump de versão, build dos instaladores e publicação no canal de update rodam só via GitHub Actions, disparados por uma tag v* real (criada quando o usuário mescla o PR de release acumulado que release-please.yml mantém automaticamente) ou por workflow_dispatch manual.
Pipeline executado em sequência (encadeado automaticamente por release):
build frontend (Vite) --> build híbrido do backend --> Electron + electron-builderfrontend/dist/ dist/vectora/vectora(.exe) frontend/dist-electron/
O "build híbrido" (build-hybrid.py, chamado pelo scons) compila só o pacote `backend/` em C via Nuitka --mode=package (gera backend.pyd) e depois usa PyInstaller para empacotar o launcher + backend.pyd + libs Python num único vectora.exe. Compilar só o backend (em vez de onefile puro) evita OOM ao compilar dependências gigantes (google.genai.types, LanceDB) para C. O pipeline de CI (GitHub Actions) ainda usa Nuitka onefile direto para as builds nativas de release — os dois caminhos convivem hoje.
Qualidade
scons tests Suíte completa: pytest tests/ (unit+integration+e2e+stress) + vitestscons coverage Mesma suíte com relatório de cobertura scons lint ruff + ty + bandit (Python) + tsc + oxlint (TypeScript) scons tests-storage Só testes de storage (Postgres/Redis/Qdrant — sobe docker automaticamente) scons clean Remove dist/ frontend/dist/ frontend/electron/dist* scons help Lista completa com descrições
Nota: no Windows basta abrir o PowerShell ou cmd na r
冒頭だけを表示しています。続きはリポジトリで読めます