Vectora

Name: Vectora
Author: brunosrz

by brunosrzversion 0.1.0rc3i★ –iRuns on your computer

Registry nameio.github.brunosrz/vectora

Install

Overview

Description from the maker (original English)

AI assistant with RAG, web search, filesystem and memory. MCP sub-agent for Claude Code.

PopNx MCP’s three pillars

These three are never merged into one score: opinions, measurements and popularity are different things.

User voiceiNo reviews yetReviews open together with accounts in a later step
Our basic checksi1 of 1 passedChecked from public information; code not scanned yet
UsageiNot measured yet★ –

What you can do with it

We have not written a plain-language summary for this one yet. Below are the facts we read from the registry.

Connection: Runs on your computer
Transport: stdio
Category: Search & AI memory
You need to fill in: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY

Install

Pick the AI app you use, then copy the settings.

Before you install

Basic checks: 1 of 1 passed
Runs on your computer with your user’s permissions (files, network, apps).
You fill in yourself: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY

Values marked secret are keys to your account. Never share them or paste them into a chat.

You need

PyPIPython’s uv installed (for the uvx command)

Which app do you use?

ClaudeClaude CodeCursorVS CodeChatGPT

Pick your app above. We remember it, so next time the button says “Install in …”.

Open Claude Desktop → Settings → Developer → Edit Config, and paste this into claude_desktop_config.json

{
  "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"
      }
    }
  }
}

Run this in your terminal

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

Fill in the empty values before running it.

Open in Cursor

Or copy the settings yourself

Paste into .cursor/mcp.json in your project, or ~/.cursor/mcp.json

{
  "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"
      }
    }
  }
}

Your browser asks to open the app, then the app shows the settings and asks you to confirm. Key values are left empty for you to fill in.

Open in VS Code

Or copy the settings yourself

Paste into .vscode/mcp.json in your project

{
  "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"
      }
    }
  }
}

Your browser asks to open the app, then the app shows the settings and asks you to confirm. Key values are left empty for you to fill in.

This one runs on your computer, and ChatGPT can only connect to servers on the internet. Pick another app.

Your choice stays on this device in a cookie; no account needed.

Values you fill in

GOOGLE_API_KEY secret env
Google Gemini API key (recommended free-tier LLM provider)
COHERE_API_KEY secret required env
Cohere API key — required for RAG embeddings and reranking
TAVILY_API_KEY secret required env
Tavily API key — required for web search and URL extraction
OPENAI_API_KEY secret env
OpenAI API key (optional — alternative LLM provider)
ANTHROPIC_API_KEY secret env
Anthropic API key (optional — alternative LLM provider)
LANGSMITH_API_KEY secret env
LangSmith API key (optional — tracing and observability)

These settings are generated from the maker’s registry entry. If the README says otherwise, follow the README.

What it can do

Runs on your computer; the tool list appears in your AI app after you install it.

Basic checksi

We check information anyone can see; we have not read the code. Checks that do not apply are left out of the count. · Checked Nov 6, 2026

✓ Pass
Maker matches the repo
The registry name was verified with the GitHub account brunosrz, which owns the repo
… Not checked yet
Still maintained
We have not read this repo from GitHub yet
… Not checked yet
Has a licence
We have not read this repo from GitHub yet
– Not applicable
Endpoint responds
This one runs on your computer; there is no internet endpoint
– Not applicable
Sign-in with OAuth
Runs on your computer and uses local settings instead
… Not checked yet
No hidden instructions in tool descriptions
Runs on your computer; we can only read tool lists from internet endpoints

Compared with others in Search & AI memoryi

More stars than 0% of the other 7246 servers in this category
Published to the registry more recently than 13% of the other 7246 servers in this category
Basic checks equal to or better than 100% of the other 7246 servers in this category

Compared with every active server in this category in the registry. Stars count only when the publisher owns the repo.

Common questions

Is Vectora safe?

It passed 1 of 1 applicable basic checks. We have not read the code. Before adding a key or token, see what access the server asks for and use a key with only the permissions you need.

What keys or codes does it need?

You need to fill in: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY

Does it run on my computer or in the cloud?

It runs on your computer. Your AI app starts it when needed, and data does not pass through the maker’s servers (unless it calls an online service itself).

Is it still maintained?

The GitHub repo last changed –, and the latest version (0.1.0rc3) reached the registry 6 months ago.

Which apps can use it?

Apps that support MCP, such as Claude Desktop, Claude Code, Cursor and VS Code. You also need Python (uv) on your computer.

What can I use instead?

In the same category: Context7, Codebase Memory, Exa

Alternatives

Servers in the same category from other makers, sorted by stars.

Reading a card:★ GitHub starsiThree pillars: reviews · checks · usageiUpdated = latest version published to the registryi

Context7

by upstash

Feeds AI the latest docs for libraries and frameworks before it answers, so code it writes does not use outdated, removed functions.

Computer or cloud★ 64,224MITUpdated today

Install

Codebase Memory

by DeusData

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

Runs on your computer★ 48,148MITUpdated 20 days ago

Install

Exa

by exa-labs

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

Runs in the cloud★ 5,213MITUpdated last month

Install

README from the maker

Open the README

Copied from the maker’s repo as written. PopNx MCP has not reviewed or endorsed it. HTML, images and scripts are removed. Links lead off this site.

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 um while imperativo, 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.git

cd 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 LLM

uv 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 atual

Bump 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-builder

frontend/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) + vitest

scons 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

Only the beginning is shown; read the rest in the repo

Vectora

Overview

PopNx MCP’s three pillars

What you can do with it

Install

Before you install

Values you fill in

What it can do

Basic checksi

Maker matches the repo

Still maintained

Has a licence

Endpoint responds

Sign-in with OAuth

No hidden instructions in tool descriptions

Compared with others in Search & AI memoryi

Common questions

Alternatives

Context7

Codebase Memory

Exa

README from the maker

Vectora

Por que o Vectora?

Arquitetura

Supervisor + Subagentes (motor nativo)

Pipeline de RAG (dentro das tools search/rag)

Workbench (painel lateral)

Pré-requisitos

Início rápido (a partir do código fonte)

Instalar dependências Python

Copiar e preencher suas chaves de API

Edite o .env: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY

Instalar dependências do frontend (SPA Vite)

Terminal 1 — backend completo + SPA (porta 8080)

Terminal 2 — frontend dev (Vite, porta 3000, faz proxy p/ a API)

CLI de operação (VPS via SSH)

Build (SCons)

Produto final (do zero ao instalador)

Qualidade

Pipeline de RAG (dentro das tools `search`/`rag`)