Prototyp · Vorschau: alle Server aus der offiziellen Registry, alle 30 Minuten synchronisiert. Mit Google anmelden, um Bewertungen zu schreiben.Prototyp · alle 30 Min. aktualisiert
PopNx MCPMCP-Server für alle, die KI nutzen · in einfachen Worten erklärt

Minirag MCP

von sfrangulovVersion 1.1.1i★ 60iLäuft auf deinem ComputerRepository ↗
Name in der Registryio.github.sfrangulov/minirag-mcp

So installierst du es

What it does

Local-first RAG MCP server: hybrid search over a folder of your own documents

  • Connects Läuft auf deinem Computer
  • Account or key Needs CHUNK_TOKEN_BUDGET
  • Category Suche & KI-Gedächtnis

Zusammen nutzen mit

Skills, die der KI diese Art Arbeit beibringen; sie funktionieren zusammen mit diesem

timesfm

TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.

von google-research★ 35.6291 Skills

Skill · Anleitung

Shadowbroker

Open-source intelligence for the global theater. Track everything from the corporate/private jets of the wealthy, and spy satellites, to seismic events in one unified interface. Hook an AI agent up to have it parse through data and find previously unseen correlations. The knowledge is available to…

von BigBodyCobain★ 11.6021 Skills

Skill · Anleitung

google-maps-scraper

scrape data from Google Maps. Extracts data such as the name, address, phone number, website URL, rating, reviews number, latitude and longitude, reviews,email and more for each place

von gosom★ 8.2091 Skills

Skill · Anleitung

Warum es hier steht

Listen sind nach einem Nutzungswert (von 100) aus diesen Teilen sortiert

Beliebtheit21/80GitHub-Sterne oder wöchentliche Downloads: der größere Wert zählt 60, der kleinere 20
Aktualität12/12Volle Punkte für Release oder Codeänderung in 30 Tagen
Antwortet noch0/8Der Cloud-Endpoint antwortete bei der letzten Prüfung
Nutzungswert33/100

Qualität: 3/3 Basisprüfungen bestanden (angezeigt, nicht zur Sortierung) · Schwung: Noch keine Daten (Nur im Tab Im Trend verwendet)

Installation

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

Mit einem Satz von deiner KI installieren lassen

Installiere bitte Minirag MCP. Folge https://mcp.popnx.com/i/sfrangulov-minirag-mcp.md, zeig mir die Befehle und warte auf mein OK, bevor du sie ausführst.

Füge ihn in eine KI ein, die auf deinem Rechner arbeitet (z. B. Claude Code oder Cursor). Sie liest unsere Schritte, zeigt dir die Befehle und wartet auf dein OK. Kein Schlüssel, keine Anmeldung. · Vollständigen Text ansehen

3/3 Prüfungen bestanden · Läuft auf deinem Computer · ✓ Befehle geprüft am 17. Nov. 2026

Zuerst: Welche KI nutzt du?

Wähle deine App, dann erscheinen die Schritte unten.

Klappt mit Claude, aber erst etwas vorbereiten

Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal) · Nur in der Claude-App für den Computer (Windows oder Mac), nicht im Web oder auf dem Handy

Von der KI installieren lassen

Kopiere diese Nachricht in einen Claude-Chat. Die KI prüft deinen Rechner, sagt dir, welche Datei sie ändert, und wartet jedes Mal auf dein OK.

Installiere bitte den MCP server Minirag MCP für Claude auf diesem Rechner, in dieser Reihenfolge: 1) Prüfe uv mit uv --version. Fehlt es, sag mir, dass ich es von https://docs.astral.sh/uv/getting-started/installation/ installiere; installiere es nicht selbst. 2) Verwende nur diese Konfiguration (von PopNx MCP geprüft): { "mcpServers": { "minirag": { "command": "uvx", "args": [ "minirag-mcp" ], "env": { "CHUNK_TOKEN_BUDGET": "your-value" } } } } 3) Nenne mir den vollständigen Pfad der Datei, die du änderst, oder den Befehl, den du ausführst, und warte auf mein OK. 4) Lass bei CHUNK_TOKEN_BUDGET "your-value" stehen und sag mir, dass ich den echten Wert selbst in die Datei oder das Feld der App einfüge. Bitte mich nie, einen Schlüssel in den Chat zu schreiben. 5) Führe das Vereinbarte aus und prüfe, dass die Tools von Minirag MCP wirklich erscheinen.

Diese Nachricht enthält keinen Schlüssel. Wird einer gebraucht, bittet dich die KI, ihn selbst in die Datei oder das Feld der App einzufügen.

  1. uv installieren (falls noch nicht vorhanden)

    Schon installiert? Zuerst prüfen · Öffne das Terminal, gib diesen Befehl ein und drücke Enter

    uv --version
    • Eine Versionsnummer wie uv … = installiert, diesen Schritt überspringen
    • "command not found" (unter Windows "is not recognized") = noch nicht installiert, oder gerade installiert und das Terminal muss neu geöffnet werden
    So öffnest du das Terminal

    Mac: ⌘ + Leertaste drücken, Terminal eingeben, Enter

    Windows: Start öffnen, Windows PowerShell eingeben, dann Öffnen

    Noch nicht installiert: uv hat keinen Klick-Installer. Kopiere den Einzeiler für dein System (macOS oder Windows) von der offiziellen uv-Seite ins Terminal · Python muss nicht extra installiert werden, uv lädt es bei Bedarf selbst

    Download-Seite von uv öffnen ↗

    Danach das Terminal schließen, neu öffnen und denselben Befehl erneut ausführen. Es muss eine Versionsnummer erscheinen: uv --version

    Einmal installieren, gilt für alles, was uv braucht

  2. Bei Minirag MCP registrieren und Schlüssel erstellen

    Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.

    Seite von Minirag MCP öffnen ↗

  3. Einstellungsdatei der Claude-Desktop-App öffnen

    SettingsDeveloperEdit Config

  4. Diese Einstellungen einfügen und speichern

    {
      "mcpServers": {
        "minirag": {
          "command": "uvx",
          "args": [
            "minirag-mcp"
          ],
          "env": {
            "CHUNK_TOKEN_BUDGET": "your-value"
          }
        }
      }
    }

    Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem

  5. Claude beenden und neu öffnen

  6. Ausprobieren

    Nutze Minirag MCP und sag mir, was du für mich tun kannst; zeig mir dann eine Sache

    ✓ Wenn Claude sagt, dass es Minirag MCP nutzt, oder ein Werkzeug von Minirag MCP in der Antwort zeigt, bist du verbunden

12 optionale Einstellung(en) (geht auch ohne)

Der Befehl oben funktioniert auch ohne diese Werte. Füge sie nur hinzu, wenn du etwas ändern willst, nach der Beschreibung des Autors.

  • BASE_DIR Ein Dokumentenstammverzeichnis; zugleich die Sicherheitsgrenze für Dateizugriffe. Standardmäßig das Arbeitsverzeichnis des Prozesses. Wird ignoriert, wenn BASE_DIRS gesetzt ist.
    Englisches Original anzeigenOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS JSON-Array der Dokumentwurzeln, z. B. "/docs/a", "/docs/b". Hat Vorrang vor BASE_DIR. Ein ungültiger Wert ist ein schwerwiegender Konfigurationsfehler.
    Englisches Original anzeigenJSON array of document roots, e.g. ["/docs/a", "/docs/b"]. Takes precedence over BASE_DIR. An invalid value is a hard configuration error.
  • DB_PATH LanceDB-Indexverzeichnis. Standardmäßig /.minirag/lancedb, sodass jedes Korpus einen eigenen Index erhält.
    Englisches Original anzeigenLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Cache des Embedding-Modells. Standardmäßig wird das Benutzer-Cache-Verzeichnis der Plattform verwendet, sodass das etwa 220 MB große Modell nur einmal heruntergeladen und gemeinsam genutzt wird.
    Englisches Original anzeigenEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME fastembed-Modell-ID. Eine Änderung macht vorhandene Vektoren mit neuen Abfragen inkompatibel; kombinieren Sie sie mit einem neuen DB_PATH oder einer vollständigen Neuerfassung.
    Englisches Original anzeigenfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · Standard sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Größenbegrenzung pro Datei in Bytes, die vor dem Parsen erzwungen wird.
    Englisches Original anzeigenPer-file size limit in bytes, enforced before parsing.
    · Standard 104857600
  • RAG_HYBRID_WEIGHT Gewichtung der Schlüsselwörter bei der gewichteten RRF-Fusion, Bereich 0.0-1.0. 0 bedeutet nur Vektoren; höhere Werte erhöhen den Beitrag von BM25.
    Englisches Original anzeigenKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · Standard 0.6
  • RAG_GROUPING Filter zur Gruppierung der Ergebnisse. 'similar' behält nur die nächstliegende Gruppe; 'related' behält zusätzlich die nächste Gruppe. Ohne Angabe wird kein Gruppierungsfilter angewendet.
    Englisches Original anzeigenResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Verwirft Ergebnisse, deren Vektordistanz diesen Wert überschreitet. Ein niedrigerer Wert ist strenger. Ohne Angabe wird kein Distanzfilter angewendet.
    Englisches Original anzeigenDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Behält Chunks aus höchstens dieser Anzahl der am besten bewerteten Dateien. Ohne Angabe erfolgt keine Filterung pro Datei.
    Englisches Original anzeigenKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Zusätzlicher Absatz, der an die Anweisungen angehängt wird, die der Server dem Client beim Verbindungsaufbau übergibt, für korpusspezifische Hinweise.
    Englisches Original anzeigenExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Erlaubt ingest_url, Hosts abzurufen, die auf Loopback-, Link-Local-, private, reservierte oder nicht spezifizierte Adressen auflösen. Standardmäßig deaktiviert.
    Englisches Original anzeigenLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · Standard false

Beschreibungen automatisch übersetzt; Variablennamen bleiben wie im Original. Im Zweifel das Original ansehen.

Menünamen am 11. Nov. 2026 mit der Hilfe von Anthropic abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen

ChatGPT kann Minirag MCP noch nicht verbinden

Minirag MCP läuft auf deinem Computer, aber ChatGPT verbindet nur Server, die im Web laufen

Das kannst du stattdessen tun

A · Eine App nutzen, die Minirag MCP verbinden kann

  • Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal) · Nur in der Claude-App für den Computer (Windows oder Mac), nicht im Web oder auf dem Handy
  • Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal)
  • Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal)
  • Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal)

B · Andere in Suche & KI-Gedächtnis, die mit ChatGPT funktionieren

Aus den meistgenutzten derselben Kategorie, nur solche, die per Adresse ohne Schlüssel verbinden

Klappt mit Claude Code, aber erst etwas vorbereiten

Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal)

Von der KI installieren lassen

Kopiere diese Nachricht in einen Claude Code-Chat. Die KI prüft deinen Rechner, sagt dir, welche Datei sie ändert, und wartet jedes Mal auf dein OK.

Installiere bitte den MCP server Minirag MCP für Claude Code auf diesem Rechner, in dieser Reihenfolge: 1) Prüfe uv mit uv --version. Fehlt es, sag mir, dass ich es von https://docs.astral.sh/uv/getting-started/installation/ installiere; installiere es nicht selbst. 2) Verwende nur diese Konfiguration (von PopNx MCP geprüft): claude mcp add --scope user minirag --env CHUNK_TOKEN_BUDGET=your-value -- uvx minirag-mcp 3) Nenne mir den vollständigen Pfad der Datei, die du änderst, oder den Befehl, den du ausführst, und warte auf mein OK. 4) Lass bei CHUNK_TOKEN_BUDGET "your-value" stehen und sag mir, dass ich den echten Wert selbst in die Datei oder das Feld der App einfüge. Bitte mich nie, einen Schlüssel in den Chat zu schreiben. 5) Führe das Vereinbarte aus und prüfe, dass die Tools von Minirag MCP wirklich erscheinen.

Diese Nachricht enthält keinen Schlüssel. Wird einer gebraucht, bittet dich die KI, ihn selbst in die Datei oder das Feld der App einzufügen.

  1. uv installieren (falls noch nicht vorhanden)

    Schon installiert? Zuerst prüfen · Öffne das Terminal, gib diesen Befehl ein und drücke Enter

    uv --version
    • Eine Versionsnummer wie uv … = installiert, diesen Schritt überspringen
    • "command not found" (unter Windows "is not recognized") = noch nicht installiert, oder gerade installiert und das Terminal muss neu geöffnet werden
    So öffnest du das Terminal

    Mac: ⌘ + Leertaste drücken, Terminal eingeben, Enter

    Windows: Start öffnen, Windows PowerShell eingeben, dann Öffnen

    Noch nicht installiert: uv hat keinen Klick-Installer. Kopiere den Einzeiler für dein System (macOS oder Windows) von der offiziellen uv-Seite ins Terminal · Python muss nicht extra installiert werden, uv lädt es bei Bedarf selbst

    Download-Seite von uv öffnen ↗

    Danach das Terminal schließen, neu öffnen und denselben Befehl erneut ausführen. Es muss eine Versionsnummer erscheinen: uv --version

    Einmal installieren, gilt für alles, was uv braucht

  2. Bei Minirag MCP registrieren und Schlüssel erstellen

    Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.

    Seite von Minirag MCP öffnen ↗

  3. Terminal öffnen

    Mac: Command+Leertaste drücken und Terminal tippen · Windows: PowerShell öffnen

  4. Diesen Befehl einfügen und Enter drücken

    claude mcp add --scope user minirag --env CHUNK_TOKEN_BUDGET=your-value -- uvx minirag-mcp

    Ersetze „your-value“ vor dem Enter durch deinen Schlüssel

    Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem

  5. /mcp in Claude Code eingeben

    Minirag MCP sollte in der Liste als verbunden erscheinen

  6. Ausprobieren

    Nutze Minirag MCP und sag mir, was du für mich tun kannst; zeig mir dann eine Sache

    ✓ Wenn Claude Code sagt, dass es Minirag MCP nutzt, oder ein Werkzeug von Minirag MCP in der Antwort zeigt, bist du verbunden

12 optionale Einstellung(en) (geht auch ohne)

Der Befehl oben funktioniert auch ohne diese Werte. Füge sie nur hinzu, wenn du etwas ändern willst, nach der Beschreibung des Autors.

  • BASE_DIR Ein Dokumentenstammverzeichnis; zugleich die Sicherheitsgrenze für Dateizugriffe. Standardmäßig das Arbeitsverzeichnis des Prozesses. Wird ignoriert, wenn BASE_DIRS gesetzt ist.
    Englisches Original anzeigenOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS JSON-Array der Dokumentwurzeln, z. B. "/docs/a", "/docs/b". Hat Vorrang vor BASE_DIR. Ein ungültiger Wert ist ein schwerwiegender Konfigurationsfehler.
    Englisches Original anzeigenJSON array of document roots, e.g. ["/docs/a", "/docs/b"]. Takes precedence over BASE_DIR. An invalid value is a hard configuration error.
  • DB_PATH LanceDB-Indexverzeichnis. Standardmäßig /.minirag/lancedb, sodass jedes Korpus einen eigenen Index erhält.
    Englisches Original anzeigenLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Cache des Embedding-Modells. Standardmäßig wird das Benutzer-Cache-Verzeichnis der Plattform verwendet, sodass das etwa 220 MB große Modell nur einmal heruntergeladen und gemeinsam genutzt wird.
    Englisches Original anzeigenEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME fastembed-Modell-ID. Eine Änderung macht vorhandene Vektoren mit neuen Abfragen inkompatibel; kombinieren Sie sie mit einem neuen DB_PATH oder einer vollständigen Neuerfassung.
    Englisches Original anzeigenfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · Standard sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Größenbegrenzung pro Datei in Bytes, die vor dem Parsen erzwungen wird.
    Englisches Original anzeigenPer-file size limit in bytes, enforced before parsing.
    · Standard 104857600
  • RAG_HYBRID_WEIGHT Gewichtung der Schlüsselwörter bei der gewichteten RRF-Fusion, Bereich 0.0-1.0. 0 bedeutet nur Vektoren; höhere Werte erhöhen den Beitrag von BM25.
    Englisches Original anzeigenKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · Standard 0.6
  • RAG_GROUPING Filter zur Gruppierung der Ergebnisse. 'similar' behält nur die nächstliegende Gruppe; 'related' behält zusätzlich die nächste Gruppe. Ohne Angabe wird kein Gruppierungsfilter angewendet.
    Englisches Original anzeigenResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Verwirft Ergebnisse, deren Vektordistanz diesen Wert überschreitet. Ein niedrigerer Wert ist strenger. Ohne Angabe wird kein Distanzfilter angewendet.
    Englisches Original anzeigenDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Behält Chunks aus höchstens dieser Anzahl der am besten bewerteten Dateien. Ohne Angabe erfolgt keine Filterung pro Datei.
    Englisches Original anzeigenKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Zusätzlicher Absatz, der an die Anweisungen angehängt wird, die der Server dem Client beim Verbindungsaufbau übergibt, für korpusspezifische Hinweise.
    Englisches Original anzeigenExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Erlaubt ingest_url, Hosts abzurufen, die auf Loopback-, Link-Local-, private, reservierte oder nicht spezifizierte Adressen auflösen. Standardmäßig deaktiviert.
    Englisches Original anzeigenLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · Standard false

Beschreibungen automatisch übersetzt; Variablennamen bleiben wie im Original. Im Zweifel das Original ansehen.

Menünamen am 11. Nov. 2026 mit der Hilfe von Anthropic abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen

Klappt mit Cursor, aber erst etwas vorbereiten

Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal)

Von der KI installieren lassen

Kopiere diese Nachricht in einen Cursor-Chat. Die KI prüft deinen Rechner, sagt dir, welche Datei sie ändert, und wartet jedes Mal auf dein OK.

Installiere bitte den MCP server Minirag MCP für Cursor auf diesem Rechner, in dieser Reihenfolge: 1) Prüfe uv mit uv --version. Fehlt es, sag mir, dass ich es von https://docs.astral.sh/uv/getting-started/installation/ installiere; installiere es nicht selbst. 2) Verwende nur diese Konfiguration (von PopNx MCP geprüft): { "mcpServers": { "minirag": { "command": "uvx", "args": [ "minirag-mcp" ], "env": { "CHUNK_TOKEN_BUDGET": "your-value" } } } } 3) Nenne mir den vollständigen Pfad der Datei, die du änderst, oder den Befehl, den du ausführst, und warte auf mein OK. 4) Lass bei CHUNK_TOKEN_BUDGET "your-value" stehen und sag mir, dass ich den echten Wert selbst in die Datei oder das Feld der App einfüge. Bitte mich nie, einen Schlüssel in den Chat zu schreiben. 5) Führe das Vereinbarte aus und prüfe, dass die Tools von Minirag MCP wirklich erscheinen.

Diese Nachricht enthält keinen Schlüssel. Wird einer gebraucht, bittet dich die KI, ihn selbst in die Datei oder das Feld der App einzufügen.

  1. uv installieren (falls noch nicht vorhanden)

    Schon installiert? Zuerst prüfen · Öffne das Terminal, gib diesen Befehl ein und drücke Enter

    uv --version
    • Eine Versionsnummer wie uv … = installiert, diesen Schritt überspringen
    • "command not found" (unter Windows "is not recognized") = noch nicht installiert, oder gerade installiert und das Terminal muss neu geöffnet werden
    So öffnest du das Terminal

    Mac: ⌘ + Leertaste drücken, Terminal eingeben, Enter

    Windows: Start öffnen, Windows PowerShell eingeben, dann Öffnen

    Noch nicht installiert: uv hat keinen Klick-Installer. Kopiere den Einzeiler für dein System (macOS oder Windows) von der offiziellen uv-Seite ins Terminal · Python muss nicht extra installiert werden, uv lädt es bei Bedarf selbst

    Download-Seite von uv öffnen ↗

    Danach das Terminal schließen, neu öffnen und denselben Befehl erneut ausführen. Es muss eine Versionsnummer erscheinen: uv --version

    Einmal installieren, gilt für alles, was uv braucht

  2. Bei Minirag MCP registrieren und Schlüssel erstellen

    Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.

    Seite von Minirag MCP öffnen ↗

  3. Mit diesem Button Cursor öffnen

    In Cursor öffnen

    Cursor fragt nach einer Bestätigung; klicke Install

  4. Schlüssel eintragen

    In den Einstellungen von Minirag MCP ist CHUNK_TOKEN_BUDGET leer; trag deinen Schlüssel ein und speichere

    Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem

  5. KI-Chat in Cursor im Agent-Modus öffnen

  6. Ausprobieren

    Nutze Minirag MCP und sag mir, was du für mich tun kannst; zeig mir dann eine Sache

    ✓ Wenn Cursor sagt, dass es Minirag MCP nutzt, oder ein Werkzeug von Minirag MCP in der Antwort zeigt, bist du verbunden

12 optionale Einstellung(en) (geht auch ohne)

Der Befehl oben funktioniert auch ohne diese Werte. Füge sie nur hinzu, wenn du etwas ändern willst, nach der Beschreibung des Autors.

  • BASE_DIR Ein Dokumentenstammverzeichnis; zugleich die Sicherheitsgrenze für Dateizugriffe. Standardmäßig das Arbeitsverzeichnis des Prozesses. Wird ignoriert, wenn BASE_DIRS gesetzt ist.
    Englisches Original anzeigenOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS JSON-Array der Dokumentwurzeln, z. B. "/docs/a", "/docs/b". Hat Vorrang vor BASE_DIR. Ein ungültiger Wert ist ein schwerwiegender Konfigurationsfehler.
    Englisches Original anzeigenJSON array of document roots, e.g. ["/docs/a", "/docs/b"]. Takes precedence over BASE_DIR. An invalid value is a hard configuration error.
  • DB_PATH LanceDB-Indexverzeichnis. Standardmäßig /.minirag/lancedb, sodass jedes Korpus einen eigenen Index erhält.
    Englisches Original anzeigenLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Cache des Embedding-Modells. Standardmäßig wird das Benutzer-Cache-Verzeichnis der Plattform verwendet, sodass das etwa 220 MB große Modell nur einmal heruntergeladen und gemeinsam genutzt wird.
    Englisches Original anzeigenEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME fastembed-Modell-ID. Eine Änderung macht vorhandene Vektoren mit neuen Abfragen inkompatibel; kombinieren Sie sie mit einem neuen DB_PATH oder einer vollständigen Neuerfassung.
    Englisches Original anzeigenfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · Standard sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Größenbegrenzung pro Datei in Bytes, die vor dem Parsen erzwungen wird.
    Englisches Original anzeigenPer-file size limit in bytes, enforced before parsing.
    · Standard 104857600
  • RAG_HYBRID_WEIGHT Gewichtung der Schlüsselwörter bei der gewichteten RRF-Fusion, Bereich 0.0-1.0. 0 bedeutet nur Vektoren; höhere Werte erhöhen den Beitrag von BM25.
    Englisches Original anzeigenKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · Standard 0.6
  • RAG_GROUPING Filter zur Gruppierung der Ergebnisse. 'similar' behält nur die nächstliegende Gruppe; 'related' behält zusätzlich die nächste Gruppe. Ohne Angabe wird kein Gruppierungsfilter angewendet.
    Englisches Original anzeigenResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Verwirft Ergebnisse, deren Vektordistanz diesen Wert überschreitet. Ein niedrigerer Wert ist strenger. Ohne Angabe wird kein Distanzfilter angewendet.
    Englisches Original anzeigenDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Behält Chunks aus höchstens dieser Anzahl der am besten bewerteten Dateien. Ohne Angabe erfolgt keine Filterung pro Datei.
    Englisches Original anzeigenKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Zusätzlicher Absatz, der an die Anweisungen angehängt wird, die der Server dem Client beim Verbindungsaufbau übergibt, für korpusspezifische Hinweise.
    Englisches Original anzeigenExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Erlaubt ingest_url, Hosts abzurufen, die auf Loopback-, Link-Local-, private, reservierte oder nicht spezifizierte Adressen auflösen. Standardmäßig deaktiviert.
    Englisches Original anzeigenLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · Standard false

Beschreibungen automatisch übersetzt; Variablennamen bleiben wie im Original. Im Zweifel das Original ansehen.

Menünamen am 11. Nov. 2026 mit der Hilfe von Cursor abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen

Klappt mit VS Code, aber erst etwas vorbereiten

Du brauchst einen Schlüssel von Minirag MCP (auf der Seite des Anbieters erstellen) · Installiere zuerst Python (uv) auf deinem Computer (nur einmal)

Von der KI installieren lassen

Kopiere diese Nachricht in einen VS Code-Chat. Die KI prüft deinen Rechner, sagt dir, welche Datei sie ändert, und wartet jedes Mal auf dein OK.

Installiere bitte den MCP server Minirag MCP für VS Code auf diesem Rechner, in dieser Reihenfolge: 1) Prüfe uv mit uv --version. Fehlt es, sag mir, dass ich es von https://docs.astral.sh/uv/getting-started/installation/ installiere; installiere es nicht selbst. 2) Verwende nur diese Konfiguration (von PopNx MCP geprüft): { "servers": { "minirag": { "type": "stdio", "command": "uvx", "args": [ "minirag-mcp" ], "env": { "CHUNK_TOKEN_BUDGET": "your-value" } } } } 3) Nenne mir den vollständigen Pfad der Datei, die du änderst, oder den Befehl, den du ausführst, und warte auf mein OK. 4) Lass bei CHUNK_TOKEN_BUDGET "your-value" stehen und sag mir, dass ich den echten Wert selbst in die Datei oder das Feld der App einfüge. Bitte mich nie, einen Schlüssel in den Chat zu schreiben. 5) Führe das Vereinbarte aus und prüfe, dass die Tools von Minirag MCP wirklich erscheinen.

Diese Nachricht enthält keinen Schlüssel. Wird einer gebraucht, bittet dich die KI, ihn selbst in die Datei oder das Feld der App einzufügen.

  1. uv installieren (falls noch nicht vorhanden)

    Schon installiert? Zuerst prüfen · Öffne das Terminal, gib diesen Befehl ein und drücke Enter

    uv --version
    • Eine Versionsnummer wie uv … = installiert, diesen Schritt überspringen
    • "command not found" (unter Windows "is not recognized") = noch nicht installiert, oder gerade installiert und das Terminal muss neu geöffnet werden
    So öffnest du das Terminal

    Mac: ⌘ + Leertaste drücken, Terminal eingeben, Enter

    Windows: Start öffnen, Windows PowerShell eingeben, dann Öffnen

    Noch nicht installiert: uv hat keinen Klick-Installer. Kopiere den Einzeiler für dein System (macOS oder Windows) von der offiziellen uv-Seite ins Terminal · Python muss nicht extra installiert werden, uv lädt es bei Bedarf selbst

    Download-Seite von uv öffnen ↗

    Danach das Terminal schließen, neu öffnen und denselben Befehl erneut ausführen. Es muss eine Versionsnummer erscheinen: uv --version

    Einmal installieren, gilt für alles, was uv braucht

  2. Bei Minirag MCP registrieren und Schlüssel erstellen

    Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.

    Seite von Minirag MCP öffnen ↗

  3. Mit diesem Button VS Code öffnen

    In VS Code öffnen

    VS Code fragt nach einer Bestätigung; klicke Install

  4. Schlüssel eintragen

    In den Einstellungen von Minirag MCP ist CHUNK_TOKEN_BUDGET leer; trag deinen Schlüssel ein und speichere

    Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem

  5. KI-Chat in VS Code im Agent-Modus öffnen

  6. Ausprobieren

    Nutze Minirag MCP und sag mir, was du für mich tun kannst; zeig mir dann eine Sache

    ✓ Wenn VS Code sagt, dass es Minirag MCP nutzt, oder ein Werkzeug von Minirag MCP in der Antwort zeigt, bist du verbunden

12 optionale Einstellung(en) (geht auch ohne)

Der Befehl oben funktioniert auch ohne diese Werte. Füge sie nur hinzu, wenn du etwas ändern willst, nach der Beschreibung des Autors.

  • BASE_DIR Ein Dokumentenstammverzeichnis; zugleich die Sicherheitsgrenze für Dateizugriffe. Standardmäßig das Arbeitsverzeichnis des Prozesses. Wird ignoriert, wenn BASE_DIRS gesetzt ist.
    Englisches Original anzeigenOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS JSON-Array der Dokumentwurzeln, z. B. "/docs/a", "/docs/b". Hat Vorrang vor BASE_DIR. Ein ungültiger Wert ist ein schwerwiegender Konfigurationsfehler.
    Englisches Original anzeigenJSON array of document roots, e.g. ["/docs/a", "/docs/b"]. Takes precedence over BASE_DIR. An invalid value is a hard configuration error.
  • DB_PATH LanceDB-Indexverzeichnis. Standardmäßig /.minirag/lancedb, sodass jedes Korpus einen eigenen Index erhält.
    Englisches Original anzeigenLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Cache des Embedding-Modells. Standardmäßig wird das Benutzer-Cache-Verzeichnis der Plattform verwendet, sodass das etwa 220 MB große Modell nur einmal heruntergeladen und gemeinsam genutzt wird.
    Englisches Original anzeigenEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME fastembed-Modell-ID. Eine Änderung macht vorhandene Vektoren mit neuen Abfragen inkompatibel; kombinieren Sie sie mit einem neuen DB_PATH oder einer vollständigen Neuerfassung.
    Englisches Original anzeigenfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · Standard sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Größenbegrenzung pro Datei in Bytes, die vor dem Parsen erzwungen wird.
    Englisches Original anzeigenPer-file size limit in bytes, enforced before parsing.
    · Standard 104857600
  • RAG_HYBRID_WEIGHT Gewichtung der Schlüsselwörter bei der gewichteten RRF-Fusion, Bereich 0.0-1.0. 0 bedeutet nur Vektoren; höhere Werte erhöhen den Beitrag von BM25.
    Englisches Original anzeigenKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · Standard 0.6
  • RAG_GROUPING Filter zur Gruppierung der Ergebnisse. 'similar' behält nur die nächstliegende Gruppe; 'related' behält zusätzlich die nächste Gruppe. Ohne Angabe wird kein Gruppierungsfilter angewendet.
    Englisches Original anzeigenResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Verwirft Ergebnisse, deren Vektordistanz diesen Wert überschreitet. Ein niedrigerer Wert ist strenger. Ohne Angabe wird kein Distanzfilter angewendet.
    Englisches Original anzeigenDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Behält Chunks aus höchstens dieser Anzahl der am besten bewerteten Dateien. Ohne Angabe erfolgt keine Filterung pro Datei.
    Englisches Original anzeigenKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Zusätzlicher Absatz, der an die Anweisungen angehängt wird, die der Server dem Client beim Verbindungsaufbau übergibt, für korpusspezifische Hinweise.
    Englisches Original anzeigenExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Erlaubt ingest_url, Hosts abzurufen, die auf Loopback-, Link-Local-, private, reservierte oder nicht spezifizierte Adressen auflösen. Standardmäßig deaktiviert.
    Englisches Original anzeigenLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · Standard false

Beschreibungen automatisch übersetzt; Variablennamen bleiben wie im Original. Im Zweifel das Original ansehen.

Menünamen am 11. Nov. 2026 mit der Hilfe von VS Code abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen

Andere Apps mit MCP, etwa Windsurf, Zed oder Gemini CLI, fügen Server unterschiedlich hinzu. Sieh in der App-Liste nach

Alle Apps mit MCP ansehen →

JSON-Einstellungen stehen unten unter „Für Entwickler“

Hängst du fest? Frag Leute, die Minirag MCP nutzen💬 Diskussion →
Für Entwickler: Terminal-Befehle und JSON-Einstellungen

Auf deinem Computer installiert

Claude Code

claude mcp add --scope user minirag --env CHUNK_TOKEN_BUDGET=your-value -- uvx minirag-mcp

Claude Desktop (claude_desktop_config.json)

{
  "mcpServers": {
    "minirag": {
      "command": "uvx",
      "args": [
        "minirag-mcp"
      ],
      "env": {
        "CHUNK_TOKEN_BUDGET": "your-value"
      }
    }
  }
}

Cursor (~/.cursor/mcp.json)

{
  "mcpServers": {
    "minirag": {
      "command": "uvx",
      "args": [
        "minirag-mcp"
      ],
      "env": {
        "CHUNK_TOKEN_BUDGET": "your-value"
      }
    }
  }
}

VS Code (mcp.json)

{
  "servers": {
    "minirag": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "minirag-mcp"
      ],
      "env": {
        "CHUNK_TOKEN_BUDGET": "your-value"
      }
    }
  }
}

Werte, die du selbst einträgst

  • BASE_DIR env
    Ein Dokumentenstammverzeichnis; zugleich die Sicherheitsgrenze für Dateizugriffe. Standardmäßig das Arbeitsverzeichnis des Prozesses. Wird ignoriert, wenn BASE_DIRS gesetzt ist.
    Englisches Original anzeigenOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS env
    JSON-Array der Dokumentwurzeln, z. B. "/docs/a", "/docs/b". Hat Vorrang vor BASE_DIR. Ein ungültiger Wert ist ein schwerwiegender Konfigurationsfehler.
    Englisches Original anzeigenJSON array of document roots, e.g. ["/docs/a", "/docs/b"]. Takes precedence over BASE_DIR. An invalid value is a hard configuration error.
  • DB_PATH env
    LanceDB-Indexverzeichnis. Standardmäßig /.minirag/lancedb, sodass jedes Korpus einen eigenen Index erhält.
    Englisches Original anzeigenLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR env
    Cache des Embedding-Modells. Standardmäßig wird das Benutzer-Cache-Verzeichnis der Plattform verwendet, sodass das etwa 220 MB große Modell nur einmal heruntergeladen und gemeinsam genutzt wird.
    Englisches Original anzeigenEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME env
    fastembed-Modell-ID. Eine Änderung macht vorhandene Vektoren mit neuen Abfragen inkompatibel; kombinieren Sie sie mit einem neuen DB_PATH oder einer vollständigen Neuerfassung.
    Englisches Original anzeigenfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
  • MAX_FILE_SIZE env
    Größenbegrenzung pro Datei in Bytes, die vor dem Parsen erzwungen wird.
    Englisches Original anzeigenPer-file size limit in bytes, enforced before parsing.
  • CHUNK_TOKEN_BUDGET geheim erforderlich env
    Größe der Abrufeinheit in den eigenen Tokens des Embedding-Modells. Bereich 16-128; die Obergrenze ist die Sequenzlänge, mit der das Modell trainiert wurde.
    Englisches Original anzeigenRetrieval-unit size in the embedding model's own tokens. Range 16-128; the ceiling is the model's trained sequence length.
  • RAG_HYBRID_WEIGHT env
    Gewichtung der Schlüsselwörter bei der gewichteten RRF-Fusion, Bereich 0.0-1.0. 0 bedeutet nur Vektoren; höhere Werte erhöhen den Beitrag von BM25.
    Englisches Original anzeigenKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
  • RAG_GROUPING env
    Filter zur Gruppierung der Ergebnisse. 'similar' behält nur die nächstliegende Gruppe; 'related' behält zusätzlich die nächste Gruppe. Ohne Angabe wird kein Gruppierungsfilter angewendet.
    Englisches Original anzeigenResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE env
    Verwirft Ergebnisse, deren Vektordistanz diesen Wert überschreitet. Ein niedrigerer Wert ist strenger. Ohne Angabe wird kein Distanzfilter angewendet.
    Englisches Original anzeigenDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES env
    Behält Chunks aus höchstens dieser Anzahl der am besten bewerteten Dateien. Ohne Angabe erfolgt keine Filterung pro Datei.
    Englisches Original anzeigenKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND env
    Zusätzlicher Absatz, der an die Anweisungen angehängt wird, die der Server dem Client beim Verbindungsaufbau übergibt, für korpusspezifische Hinweise.
    Englisches Original anzeigenExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS env
    Erlaubt ingest_url, Hosts abzurufen, die auf Loopback-, Link-Local-, private, reservierte oder nicht spezifizierte Adressen auflösen. Standardmäßig deaktiviert.
    Englisches Original anzeigenLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.

Beschreibungen automatisch übersetzt; Variablennamen bleiben wie im Original. Im Zweifel das Original ansehen.

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

Auf einen Blick

Downloads pro Wochei
111/Wo.
Verbindung
Läuft auf deinem Computer
Neueste Versioni
1.1.1
In der Registry veröffentlichti
17. Nov. 2026
Code zuletzt geänderti
17. Nov. 2026
Entwickler
sfrangulov
Pakete
pypi: minirag-mcp
Website
github.com
Registry-Status
Aktiv

Welche Apps ihn nutzen können

Basierend darauf, wie sich dieser Server verbindet, und auf der eigenen Doku jeder App, geprüft am 10. Nov. 2026.

Laufen auf deinem Computer in

ClaudeGooseLM StudioMsty StudioCherry StudioCursorVS Code + GitHub CopilotVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantClaude CodeCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatRaycast

Alle Apps, mit Vor- und Nachteilen →

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 19. Nov. 2026

  • ✓ Bestanden

    Entwickler passt zum Repo

    Der Registry-Name wurde mit dem GitHub-Konto sfrangulov bestätigt, dem das Repo gehört

  • ✓ Bestanden

    Wird noch gepflegt

    Code zuletzt geändert: vorgestern

  • ✓ Bestanden

    Hat eine Lizenz

    Nutzt MIT

  • – 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

Veröffentlichte Schwachstellen (OSV.dev)

Noch nicht geprüft

Was wir prüfen → · JSON

Entwickler: neue Prüfung anfordern oder falsche Angaben melden
Für Anbieter: Badge ins README

Wenn du das gebaut hast, füge diesen Code in dein README ein. Das Badge verlinkt auf diese Seite.

[![Featured on PopNx MCP](https://mcp.popnx.com/badge/sfrangulov-minirag-mcp.svg)](https://mcp.popnx.com/en/servers/sfrangulov-minirag-mcp)

Diskussion

Fragen, Tipps teilen oder melden, dass etwas nicht geht. Sortiert nach „hilfreich“.

Noch keine Beiträge. Stell die erste Frage oder teile einen Tipp.

Beiträge hier stammen von Nutzern, nicht vom PopNx-Team.

Anmelden, um zu posten

Nutzerbewertungen

Noch keine Bewertungen

Anmelden, um eine Bewertung zu schreiben

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

  • Mehr Sterne als 97 % der anderen 6384 Server in dieser Kategorie
  • Neuer in der Registry veröffentlicht als 95 % der anderen 6384 Server in dieser Kategorie
  • Basischecks gleich gut wie oder besser als bei 99 % der anderen 6384 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 Minirag MCP sicher?

Er hat 3 von 3 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: CHUNK_TOKEN_BUDGET

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 vorgestern geändert, und die neueste Version (1.1.1) kam vorgestern 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: OpenSEO, Exa, Microsoft Learn MCP, Docs, COTAL actions (cotal.ai)

Ähnliche Alternativen

Gleiche Kategorie, andere Entwickler, Befehle bereits geprüft. Offizielle zuerst, dann nach Sternen.

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

OpenSEO

Keyword research, site audits, rank tracking and AI visibility for your AI agent.

von every-appWeit verbreitet★ 28.166Aktualisiert vor 5 Tagen

Läuft in der Cloud✓ everyapp.com

Exa

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

von exa-labsWeit verbreitet★ 5242Aktualisiert vor 2 Monaten

Läuft in der Cloud✓ vom Dienst · exa.aiVom PopNx-Team ausprobiert

Microsoft Learn MCP

Official Microsoft Learn MCP Server – real-time, trusted docs & code samples for AI and LLMs.

von MicrosoftDocsWeit verbreitet★ 1996Aktualisiert vor 12 Monaten

Läuft in der Cloud✓ vom Dienst · microsoft.comVom PopNx-Team ausprobiert

Docs

Search and read Empryo's documentation. Read-only, no auth, no local access.

von proxysoulWachsend★ 1626Aktualisiert vor 2 Monaten

Läuft in der Cloud✓ empryo.com

COTAL actions (cotal.ai)

cotal.ai actions: product overview, site search, build log, feedback, Cloud waitlist, updates, calls

von Cotal-AIWachsend★ 399Aktualisiert vor 2 Monaten

Läuft in der Cloud✓ vom Dienst · cotal.ai
Im Vergleich mit ähnlichen
Dieser
Minirag MCP
OpenSEOExaMicrosoft Learn MCPDocsCOTAL actions (cotal.ai)
Läuft woWird auf deinem Rechner installiertLäuft in der Cloud, keine InstallationLäuft in der Cloud, keine InstallationLäuft in der Cloud, keine InstallationLäuft in der Cloud, keine InstallationLäuft in der Cloud, keine Installation
Braucht SchlüsselJaNeinNeinNeinNeinNein
Mit + in Claude hinzufügenNeinJaJaJaNeinNein
Basisprüfungen3/35/52/44/44/44/4
LizenzMITMITMITCC-BY-4.0NOASSERTIONApache-2.0
PreisKeine Kosten im RegisterKeine Kosten im RegisterKeine Kosten im RegisterKeine Kosten im RegisterKeine Kosten im RegisterKeine Kosten im Register

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.

minirag-mcp

A local-first RAG (retrieval-augmented generation) MCP server. Point it at a folder of documents and it gives your MCP client (Claude Code, Cursor, Codex, ...) hybrid search — semantic vector similarity plus a keyword boost for exact terms — over that content.

Nothing leaves your machine except two things: the one-time embedding-model download on first use, and the explicit ingest_url call when you ask it to fetch a web page. Ingesting local files, indexing, and querying never touch the network.

It is a Python, MCP-native analog of shinpr/mcp-local-rag (TypeScript), built on fastmcp, fastembed, and LanceDB.

Features

  • Hybrid search — vector similarity (fastembed/ONNX) fused with keyword ranking (LanceDB BM25 full-text search) by weighted Reciprocal Rank Fusion, so exact identifiers and error codes surface alongside semantically similar passages.
  • Every mention, counted — find_mentions lists every document that contains a word or phrase, not the top few, and says how many documents it searched, so "list all", "how many" and "it is not there" get a complete answer. See Finding every mention.
  • Look-alike documents named — a result whose document shares most of its text with other indexed documents, such as another version of it or a sibling from the same template, names them and how much text they share. See Look-alike documents.
  • Filenames are searchable — keyword search covers document titles as well as body text, and an informative filename becomes the document's title when the document's own heading is boilerplate. In many real document sets the filename is the only place the document code and subject appear at all. See Titles and filenames.
  • Multilingual by default — the default embedding model covers 50+ languages, so English and Russian corpora both work out of the box.
  • Converted once, not re-read every chat — a PDF handed to an assistant is read again, page by page, in every new conversation, and scanned pages cost the most. Here each document is converted (and OCRed) once at ingest, and a question brings back only the sections that answer it, so it costs those sections rather than the whole file.
  • Chunks sized in tokens, passages returned whole — what gets ranked is a small unit that fits the embedding model's 128-token ceiling; what comes back is the section around it — a transcript time window, a heading section, a slide, a table. See Chunking.
  • 12 file formats ingested via markitdown (PDF, DOCX, PPTX, XLSX, HTML, CSV, EPUB, Jupyter notebooks, Markdown, and plain text), plus direct text/markdown/HTML ingestion and URL fetching.
  • Scans, with the optional `[ocr]` extra — image-only PDFs are recognized page by page and standalone images become documents, locally, on the CPU. See OCR for scanned documents.
  • Document labels, with the optional `[classify]` extra — filter by kind of document, project and date, labelled locally. See Document labels (optional).
  • Searches without being asked — the server ships a routing policy that clients put in front of the model, so a question your documents can answer goes to the index instead of to the model's memory. See Search by Default.
  • MCP server and CLI over the same index — inspect and manage the index from a terminal without going through an MCP client.
  • Degrades gracefully — a broken configuration doesn't crash the server; every tool reports the error and status always answers.
  • No hidden network calls — see Security and Operation.

Quick Start

Every client below launches the same process; only the config format differs. Replace /absolute/path/to/docs with the folder you want indexed.

The invocation is uvx minirag-mcp. It resolves and caches the package on first run, so start-up is slow once and fast afterwards.

uvx resolves that name from PyPI, so the snippets below work from release 0.1.0 onward; on an earlier revision use From an unreleased revision instead. That distinction is worth checking before you paste: claude mcp add writes the entry without ever running the command, so an unresolvable package looks like a successful setup and only fails later, silently, when the client tries to launch the server.

Claude Code
claude mcp add minirag --scope user --env BASE_DIR=/absolute/path/to/docs \

-- uvx minirag-mcp

Claude Desktop (one-click)

A Claude Desktop extension, minirag-mcp.mcpb, installs without uv, a terminal or a JSON file: open it (double-click, or Settings > Extensions > Advanced settings > Install Extension…), pick the Documents folder, then ask Claude to "sync minirag". It is not published yet; build it from a clone (npx, so Node.js, runs the official packer):

uv run python mcpb/build.py                         # writes dist/minirag-mcp.mcpb

uv run python mcpb/smoke.py dist/minirag-mcp.mcpb # install and start it as Desktop does

  • Runs on Apple Silicon Macs with macOS 14 or later and on 64-bit Intel/AMD Windows. Intel Macs and Windows on ARM cannot install it: lancedb publishes no package for them.
  • Installing downloads the Python dependencies, about 650 MB on disk. The index lives in a hidden .minirag folder inside the documents folder. The [ocr] and [classify] extras are not included.
  • The file is unsigned: Desktop warns before installing it, and an organization that requires signed extensions refuses it.

Verified: the official mcpb CLI validates and packs it, and mcpb/smoke.py passes on an Apple Silicon Mac and, in CI (.github/workflows/bundle.yml), on GitHub's macOS (Apple Silicon) and Windows x64 runners. That script repeats outside the app what Claude Desktop 3.6556 does with such a file — unpack it into a folder whose path has a space, run uv sync --quiet there, start the server with the manifest's arguments, the picked folder and only the environment variables Desktop passes on — and checks initialize, the tool list and status; --search also indexes and finds a document (run on the Mac only). It uses uv 0.9.7, which Desktop downloads when a machine has no uv. Not verified: installing through the Desktop app itself, on macOS or Windows — the install dialog, the folder picker, the extension appearing under Connectors. The first start after installing took 4–9 seconds on the CI runners but about 50 on the development Mac, loading native libraries for the first time (later starts: about 2); whether Desktop waits that long is untested. If the extension shows as failed right after installing, turn it off and on in Settings > Extensions.

Claude Desktop

Edit the config file — create it if it does not exist:

macOS~/Library/Application Support/Claude/claude_desktop_config.json
Windows%APPDATA%\Claude\claude_desktop_config.json
Linux~/.config/Claude/claude_desktop_config.json
{

"mcpServers": { "minirag": { "command": "/absolute/path/to/uvx", "args": ["minirag-mcp"], "env": { "BASE_DIR": "/absolute/path/to/docs" } } } }

Then quit Claude Desktop completely (Cmd+Q on macOS, not just closing the window) and reopen it. The config is read at launch; closing the window leaves the old process running with the old config.

Two things that catch people out:

Give `command` an absolute path. Desktop apps do not inherit your shell's PATH. uvx usually lives in ~/.local/bin, which is not on the PATH a GUI-launched process sees, so a bare "uvx" fails with nothing useful in the UI. Run which uvx and paste the result. The other snippets on this page can use a bare uvx because a terminal-launched client has your PATH.

Merge, do not replace. If the file already exists it holds your other servers and preferences under the same top-level object — add minirag inside the existing mcpServers, and leave everything else alone. Back the file up first; a malformed JSON file makes Desktop start with no servers at all and says little about why.

To check the config before restarting, run the same command by hand — it should print your configuration and exit:

BASE_DIR=/absolute/path/to/docs /absolute/path/to/uvx minirag-mcp status
Cursor (~/.cursor/mcp.json)
{

"mcpServers": { "minirag": { "command": "uvx", "args": ["minirag-mcp"], "env": { "BASE_DIR": "/absolute/path/to/docs" } } } }

Codex (~/.codex/config.toml)
[mcp_servers.minirag]

command = "uvx" args = ["minirag-mcp"]

[mcp_servers.minirag.env] BASE_DIR = "/absolute/path/to/docs"

From an unreleased revision

To run a revision that hasn't been released to PyPI — an unreleased fix, or one specific commit — install from this repository instead. In any snippet above, replace uvx minirag-mcp with:

uvx --from git+https://github.com/sfrangulov/minirag-mcp minirag-mcp

As an argument list, that is ["--from", "git+https://github.com/sfrangulov/minirag-mcp", "minirag-mcp"]. Append @ to the URL to pin a revision.

From a clone

For development, or to run the CLI against a working tree you can edit:

git clone https://github.com/sfrangulov/minirag-mcp

cd minirag-mcp uv sync uv run minirag-mcp status --base-dir /absolute/path/to/docs

First use

The index starts empty — nothing is scanned until you ask for it:

  1. Ask your client to sync: "sync minirag" (calls sync_start, then poll sync_status until it reports succeeded). From a terminal you can do the same thing synchronously: minirag-mcp sync --base-dir /absolute/path/to/docs.
  2. Then query: "search minirag for ..." (calls query_documents).

The first sync (or the first ingest of any kind) downloads the embedding model — see Requirements.

Requirements

  • Python 3.11+
  • uv (provides uvx)
  • ~220 MB of disk space and a network connection the first time a document is ingested — fastembed downloads the quantized ONNX weights for the default model and caches them; every ingestion after that is fully offline.

Supported Content

Files under the document root(s) with one of these 13 extensions are picked up by sync_start/sync and ingest_file/ingest and converted to Markdown, all but .vtt by markitdown:

.md .markdown .txt .pdf .docx .pptx .xlsx .html .htm .csv .epub .ipynb .vtt

A .vtt is a WebVTT transcript, the format Teams and Zoom export a call in. Each turn becomes a **Speaker** MM:SS line followed by what was said, with the segments Teams cuts one utterance into joined back together, so a call is chunked as a transcript. It is read by a parser of its own: markitdown has no WebVTT converter and would index the raw cue ids and timings as plain text. A .vtt that cannot be parsed, or whose encoding cannot be told (save it as UTF-8), fails instead.

A scan skips dot-prefixed names and the ~$…

Nur der Anfang wird gezeigt; den Rest findest du im Repo