Prototipo · Versión preliminar: todos los servidores del registro oficial, sincronizados cada 30 minutos. Inicia sesión con Google para escribir reseñas.Prototipo · se actualiza cada 30 min
PopNx MCPServidores MCP para quienes usan IA · en palabras sencillas

Minirag MCP

de sfrangulovversión 1.1.1i★ 60iSe ejecuta en tu computadoraRepositorio ↗
Nombre en el registroio.github.sfrangulov/minirag-mcp

Cómo instalar

What it does

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

  • Connects Se ejecuta en tu computadora
  • Account or key Needs CHUNK_TOKEN_BUDGET
  • Category Búsqueda y memoria de IA

Úsalo junto con

Skills que enseñan a la IA este tipo de trabajo; funcionan junto a este

timesfm

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

de google-research★ 35.6291 skills

Skill · Guía de trabajo

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…

de BigBodyCobain★ 11.6021 skills

Skill · Guía de trabajo

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

de gosom★ 82091 skills

Skill · Guía de trabajo

Por qué está en este puesto

Las listas se ordenan por una puntuación de uso (sobre 100) con estas partes

Popularidad21/80Estrellas de GitHub o descargas semanales: la mayor cuenta 60, la menor 20
Actualidad12/12Puntuación completa con una versión o cambio de código en 30 días
Sigue respondiendo0/8El endpoint en la nube respondió en la última revisión
Puntuación de uso33/100

Calidad: Pasó 3/3 revisiones básicas (se muestra, no ordena) · Impulso: Sin datos aún (Solo se usa en la pestaña En auge)

Instalación

Elige la app de IA que usas y copia la configuración.

Que tu IA lo instale con una frase

Instala Minirag MCP. Sigue https://mcp.popnx.com/i/sfrangulov-minirag-mcp.md, enséñame los comandos y espera mi OK antes de ejecutarlos.

Pégala en una IA que trabaje en tu equipo (como Claude Code o Cursor). Lee nuestros pasos, te muestra los comandos y espera tu OK. Sin clave ni registro. · Ver el texto completo que lee tu IA

Pasó 3/3 revisiones · Funciona en tu computadora · ✓ Comandos revisados el 17 nov 2026

Primero: ¿qué IA usas?

Elige tu app y los pasos aparecen abajo.

Funciona con Claude, pero hay que preparar algo antes

Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez) · Solo en la app de Claude para computadora (Windows o Mac), no en la web ni en el móvil

Que la IA lo instale

Copia este mensaje en un chat de Claude. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.

Instala el MCP server Minirag MCP para Claude en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): { "mcpServers": { "minirag": { "command": "uvx", "args": [ "minirag-mcp" ], "env": { "CHUNK_TOKEN_BUDGET": "your-value" } } } } 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) En CHUNK_TOKEN_BUDGET deja "your-value" y dime que pegue yo el valor real en el archivo o en el campo de la app. Nunca me pidas escribir una clave en el chat. 5) Haz lo acordado y comprueba que las herramientas de Minirag MCP aparecen de verdad.

Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.

  1. Instala uv (si no lo tienes)

    ¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter

    uv --version
    • Aparece un número de versión, p. ej. uv … = ya está instalado, sáltate este paso
    • Aparece "command not found" (en Windows, "is not recognized") = aún no está instalado, o acabas de instalarlo y debes cerrar y volver a abrir la Terminal
    Cómo abrir la Terminal

    Mac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter

    Windows: abre Inicio, escribe Windows PowerShell y elige Abrir

    Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita

    Abrir la página de descarga de uv ↗

    Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version

    Se instala una vez y sirve para todo lo que usa uv

  2. Regístrate y crea una clave de Minirag MCP

    Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.

    Abrir el sitio de Minirag MCP ↗

  3. Abre el archivo de configuración de la app de Claude de escritorio

    SettingsDeveloperEdit Config

  4. Pega esta configuración y guarda el archivo

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

    Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie

  5. Cierra Claude y vuelve a abrirlo

  6. Pruébalo

    Usa Minirag MCP y dime qué puedes hacer por mí; luego muéstrame una cosa

    ✓ Si Claude dice que está usando Minirag MCP o muestra una herramienta de Minirag MCP en la respuesta, ya está conectado

12 ajuste(s) opcional(es) (funciona sin ellos)

El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.

  • BASE_DIR Una raíz de documentos; también es el límite de seguridad para el acceso a archivos. Por defecto, el directorio de trabajo del proceso. Se ignora cuando se define BASE_DIRS.
    Ver original en inglésOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS Matriz JSON de raíces de documentos, p. ej. "/docs/a", "/docs/b". Tiene prioridad sobre BASE_DIR. Un valor no válido es un error de configuración grave.
    Ver original en inglésJSON 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 Directorio del índice de LanceDB. El valor predeterminado es /.minirag/lancedb, de modo que cada corpus tiene su propio índice.
    Ver original en inglésLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Caché del modelo de embeddings. Por defecto usa el directorio de caché de usuario de la plataforma, por lo que el modelo de 220 MB se descarga una sola vez y se comparte.
    Ver original en inglésEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME ID del modelo de fastembed. Cambiarlo hace que los vectores existentes sean incompatibles con las nuevas consultas; combínelo con un nuevo DB_PATH o una reingestión completa.
    Ver original en inglésfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · valor por defecto sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Límite de tamaño por archivo en bytes, aplicado antes del análisis.
    Ver original en inglésPer-file size limit in bytes, enforced before parsing.
    · valor por defecto 104857600
  • RAG_HYBRID_WEIGHT Peso de las palabras clave en la fusión RRF ponderada, en el rango 0.0-1.0. 0 equivale a solo vectores; valores más altos aumentan la contribución de BM25.
    Ver original en inglésKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · valor por defecto 0.6
  • RAG_GROUPING Filtro de agrupación de resultados. 'similar' conserva solo el grupo más cercano; 'related' también conserva el siguiente grupo. Si no se establece, no hay filtro de agrupación.
    Ver original en inglésResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Descarta los resultados cuya distancia vectorial supere este valor. Cuanto menor sea, más estricto. Si no se define, no se aplica filtro de distancia.
    Ver original en inglésDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Conserva los fragmentos de como máximo este número de archivos con mejor puntuación. Si no se define, no se aplica ningún filtro por archivo.
    Ver original en inglésKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Párrafo adicional que se añade a las instrucciones que el servidor entrega al cliente al conectarse, para orientación específica del corpus.
    Ver original en inglésExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Permite que ingest_url obtenga datos de hosts que resuelvan a direcciones de loopback, link-local, privadas, reservadas o no especificadas. Desactivado por defecto.
    Ver original en inglésLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · valor por defecto false

Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.

Nombres de menú comprobados con la ayuda de Anthropic el 11 nov 2026 · tu pantalla puede variar un poco según la versión

ChatGPT todavía no puede conectar Minirag MCP

Minirag MCP se instala en tu computadora, pero ChatGPT solo conecta servidores que funcionan en la web

Lo que puedes hacer en su lugar

A · Usa una app que pueda conectar Minirag MCP

  • Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez) · Solo en la app de Claude para computadora (Windows o Mac), no en la web ni en el móvil
  • Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
  • Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
  • Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)

B · Otros en Búsqueda y memoria de IA que funcionan con ChatGPT

Elegidos entre los más usados de la misma categoría, solo los que se conectan con una dirección y sin clave

Funciona con Claude Code, pero hay que preparar algo antes

Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)

Que la IA lo instale

Copia este mensaje en un chat de Claude Code. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.

Instala el MCP server Minirag MCP para Claude Code en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): claude mcp add --scope user minirag --env CHUNK_TOKEN_BUDGET=your-value -- uvx minirag-mcp 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) En CHUNK_TOKEN_BUDGET deja "your-value" y dime que pegue yo el valor real en el archivo o en el campo de la app. Nunca me pidas escribir una clave en el chat. 5) Haz lo acordado y comprueba que las herramientas de Minirag MCP aparecen de verdad.

Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.

  1. Instala uv (si no lo tienes)

    ¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter

    uv --version
    • Aparece un número de versión, p. ej. uv … = ya está instalado, sáltate este paso
    • Aparece "command not found" (en Windows, "is not recognized") = aún no está instalado, o acabas de instalarlo y debes cerrar y volver a abrir la Terminal
    Cómo abrir la Terminal

    Mac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter

    Windows: abre Inicio, escribe Windows PowerShell y elige Abrir

    Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita

    Abrir la página de descarga de uv ↗

    Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version

    Se instala una vez y sirve para todo lo que usa uv

  2. Regístrate y crea una clave de Minirag MCP

    Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.

    Abrir el sitio de Minirag MCP ↗

  3. Abre la Terminal

    Mac: pulsa Command+Espacio y escribe Terminal · Windows: abre PowerShell

  4. Pega este comando y pulsa Enter

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

    Cambia “your-value” por tu clave antes de pulsar Enter

    Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie

  5. Escribe /mcp en Claude Code

    Deberías ver Minirag MCP en la lista como conectado

  6. Pruébalo

    Usa Minirag MCP y dime qué puedes hacer por mí; luego muéstrame una cosa

    ✓ Si Claude Code dice que está usando Minirag MCP o muestra una herramienta de Minirag MCP en la respuesta, ya está conectado

12 ajuste(s) opcional(es) (funciona sin ellos)

El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.

  • BASE_DIR Una raíz de documentos; también es el límite de seguridad para el acceso a archivos. Por defecto, el directorio de trabajo del proceso. Se ignora cuando se define BASE_DIRS.
    Ver original en inglésOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS Matriz JSON de raíces de documentos, p. ej. "/docs/a", "/docs/b". Tiene prioridad sobre BASE_DIR. Un valor no válido es un error de configuración grave.
    Ver original en inglésJSON 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 Directorio del índice de LanceDB. El valor predeterminado es /.minirag/lancedb, de modo que cada corpus tiene su propio índice.
    Ver original en inglésLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Caché del modelo de embeddings. Por defecto usa el directorio de caché de usuario de la plataforma, por lo que el modelo de 220 MB se descarga una sola vez y se comparte.
    Ver original en inglésEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME ID del modelo de fastembed. Cambiarlo hace que los vectores existentes sean incompatibles con las nuevas consultas; combínelo con un nuevo DB_PATH o una reingestión completa.
    Ver original en inglésfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · valor por defecto sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Límite de tamaño por archivo en bytes, aplicado antes del análisis.
    Ver original en inglésPer-file size limit in bytes, enforced before parsing.
    · valor por defecto 104857600
  • RAG_HYBRID_WEIGHT Peso de las palabras clave en la fusión RRF ponderada, en el rango 0.0-1.0. 0 equivale a solo vectores; valores más altos aumentan la contribución de BM25.
    Ver original en inglésKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · valor por defecto 0.6
  • RAG_GROUPING Filtro de agrupación de resultados. 'similar' conserva solo el grupo más cercano; 'related' también conserva el siguiente grupo. Si no se establece, no hay filtro de agrupación.
    Ver original en inglésResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Descarta los resultados cuya distancia vectorial supere este valor. Cuanto menor sea, más estricto. Si no se define, no se aplica filtro de distancia.
    Ver original en inglésDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Conserva los fragmentos de como máximo este número de archivos con mejor puntuación. Si no se define, no se aplica ningún filtro por archivo.
    Ver original en inglésKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Párrafo adicional que se añade a las instrucciones que el servidor entrega al cliente al conectarse, para orientación específica del corpus.
    Ver original en inglésExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Permite que ingest_url obtenga datos de hosts que resuelvan a direcciones de loopback, link-local, privadas, reservadas o no especificadas. Desactivado por defecto.
    Ver original en inglésLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · valor por defecto false

Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.

Nombres de menú comprobados con la ayuda de Anthropic el 11 nov 2026 · tu pantalla puede variar un poco según la versión

Funciona con Cursor, pero hay que preparar algo antes

Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)

Que la IA lo instale

Copia este mensaje en un chat de Cursor. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.

Instala el MCP server Minirag MCP para Cursor en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): { "mcpServers": { "minirag": { "command": "uvx", "args": [ "minirag-mcp" ], "env": { "CHUNK_TOKEN_BUDGET": "your-value" } } } } 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) En CHUNK_TOKEN_BUDGET deja "your-value" y dime que pegue yo el valor real en el archivo o en el campo de la app. Nunca me pidas escribir una clave en el chat. 5) Haz lo acordado y comprueba que las herramientas de Minirag MCP aparecen de verdad.

Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.

  1. Instala uv (si no lo tienes)

    ¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter

    uv --version
    • Aparece un número de versión, p. ej. uv … = ya está instalado, sáltate este paso
    • Aparece "command not found" (en Windows, "is not recognized") = aún no está instalado, o acabas de instalarlo y debes cerrar y volver a abrir la Terminal
    Cómo abrir la Terminal

    Mac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter

    Windows: abre Inicio, escribe Windows PowerShell y elige Abrir

    Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita

    Abrir la página de descarga de uv ↗

    Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version

    Se instala una vez y sirve para todo lo que usa uv

  2. Regístrate y crea una clave de Minirag MCP

    Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.

    Abrir el sitio de Minirag MCP ↗

  3. Pulsa este botón para abrir Cursor

    Abrir en Cursor

    Cursor te pedirá confirmar; pulsa Install

  4. Escribe tu clave

    En la configuración de Minirag MCP, CHUNK_TOKEN_BUDGET está vacío; añade tu clave y guarda

    Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie

  5. Abre el chat de IA de Cursor en modo Agent

  6. Pruébalo

    Usa Minirag MCP y dime qué puedes hacer por mí; luego muéstrame una cosa

    ✓ Si Cursor dice que está usando Minirag MCP o muestra una herramienta de Minirag MCP en la respuesta, ya está conectado

12 ajuste(s) opcional(es) (funciona sin ellos)

El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.

  • BASE_DIR Una raíz de documentos; también es el límite de seguridad para el acceso a archivos. Por defecto, el directorio de trabajo del proceso. Se ignora cuando se define BASE_DIRS.
    Ver original en inglésOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS Matriz JSON de raíces de documentos, p. ej. "/docs/a", "/docs/b". Tiene prioridad sobre BASE_DIR. Un valor no válido es un error de configuración grave.
    Ver original en inglésJSON 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 Directorio del índice de LanceDB. El valor predeterminado es /.minirag/lancedb, de modo que cada corpus tiene su propio índice.
    Ver original en inglésLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Caché del modelo de embeddings. Por defecto usa el directorio de caché de usuario de la plataforma, por lo que el modelo de 220 MB se descarga una sola vez y se comparte.
    Ver original en inglésEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME ID del modelo de fastembed. Cambiarlo hace que los vectores existentes sean incompatibles con las nuevas consultas; combínelo con un nuevo DB_PATH o una reingestión completa.
    Ver original en inglésfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · valor por defecto sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Límite de tamaño por archivo en bytes, aplicado antes del análisis.
    Ver original en inglésPer-file size limit in bytes, enforced before parsing.
    · valor por defecto 104857600
  • RAG_HYBRID_WEIGHT Peso de las palabras clave en la fusión RRF ponderada, en el rango 0.0-1.0. 0 equivale a solo vectores; valores más altos aumentan la contribución de BM25.
    Ver original en inglésKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · valor por defecto 0.6
  • RAG_GROUPING Filtro de agrupación de resultados. 'similar' conserva solo el grupo más cercano; 'related' también conserva el siguiente grupo. Si no se establece, no hay filtro de agrupación.
    Ver original en inglésResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Descarta los resultados cuya distancia vectorial supere este valor. Cuanto menor sea, más estricto. Si no se define, no se aplica filtro de distancia.
    Ver original en inglésDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Conserva los fragmentos de como máximo este número de archivos con mejor puntuación. Si no se define, no se aplica ningún filtro por archivo.
    Ver original en inglésKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Párrafo adicional que se añade a las instrucciones que el servidor entrega al cliente al conectarse, para orientación específica del corpus.
    Ver original en inglésExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Permite que ingest_url obtenga datos de hosts que resuelvan a direcciones de loopback, link-local, privadas, reservadas o no especificadas. Desactivado por defecto.
    Ver original en inglésLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · valor por defecto false

Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.

Nombres de menú comprobados con la ayuda de Cursor el 11 nov 2026 · tu pantalla puede variar un poco según la versión

Funciona con VS Code, pero hay que preparar algo antes

Necesitas una clave de Minirag MCP (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)

Que la IA lo instale

Copia este mensaje en un chat de VS Code. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.

Instala el MCP server Minirag MCP para VS Code en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): { "servers": { "minirag": { "type": "stdio", "command": "uvx", "args": [ "minirag-mcp" ], "env": { "CHUNK_TOKEN_BUDGET": "your-value" } } } } 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) En CHUNK_TOKEN_BUDGET deja "your-value" y dime que pegue yo el valor real en el archivo o en el campo de la app. Nunca me pidas escribir una clave en el chat. 5) Haz lo acordado y comprueba que las herramientas de Minirag MCP aparecen de verdad.

Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.

  1. Instala uv (si no lo tienes)

    ¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter

    uv --version
    • Aparece un número de versión, p. ej. uv … = ya está instalado, sáltate este paso
    • Aparece "command not found" (en Windows, "is not recognized") = aún no está instalado, o acabas de instalarlo y debes cerrar y volver a abrir la Terminal
    Cómo abrir la Terminal

    Mac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter

    Windows: abre Inicio, escribe Windows PowerShell y elige Abrir

    Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita

    Abrir la página de descarga de uv ↗

    Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version

    Se instala una vez y sirve para todo lo que usa uv

  2. Regístrate y crea una clave de Minirag MCP

    Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.

    Abrir el sitio de Minirag MCP ↗

  3. Pulsa este botón para abrir VS Code

    Abrir en VS Code

    VS Code te pedirá confirmar; pulsa Install

  4. Escribe tu clave

    En la configuración de Minirag MCP, CHUNK_TOKEN_BUDGET está vacío; añade tu clave y guarda

    Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie

  5. Abre el chat de IA de VS Code en modo Agent

  6. Pruébalo

    Usa Minirag MCP y dime qué puedes hacer por mí; luego muéstrame una cosa

    ✓ Si VS Code dice que está usando Minirag MCP o muestra una herramienta de Minirag MCP en la respuesta, ya está conectado

12 ajuste(s) opcional(es) (funciona sin ellos)

El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.

  • BASE_DIR Una raíz de documentos; también es el límite de seguridad para el acceso a archivos. Por defecto, el directorio de trabajo del proceso. Se ignora cuando se define BASE_DIRS.
    Ver original en inglésOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS Matriz JSON de raíces de documentos, p. ej. "/docs/a", "/docs/b". Tiene prioridad sobre BASE_DIR. Un valor no válido es un error de configuración grave.
    Ver original en inglésJSON 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 Directorio del índice de LanceDB. El valor predeterminado es /.minirag/lancedb, de modo que cada corpus tiene su propio índice.
    Ver original en inglésLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR Caché del modelo de embeddings. Por defecto usa el directorio de caché de usuario de la plataforma, por lo que el modelo de 220 MB se descarga una sola vez y se comparte.
    Ver original en inglésEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME ID del modelo de fastembed. Cambiarlo hace que los vectores existentes sean incompatibles con las nuevas consultas; combínelo con un nuevo DB_PATH o una reingestión completa.
    Ver original en inglésfastembed model id. Changing it makes existing vectors incompatible with new queries; pair with a new DB_PATH or a full re-ingest.
    · valor por defecto sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • MAX_FILE_SIZE Límite de tamaño por archivo en bytes, aplicado antes del análisis.
    Ver original en inglésPer-file size limit in bytes, enforced before parsing.
    · valor por defecto 104857600
  • RAG_HYBRID_WEIGHT Peso de las palabras clave en la fusión RRF ponderada, en el rango 0.0-1.0. 0 equivale a solo vectores; valores más altos aumentan la contribución de BM25.
    Ver original en inglésKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
    · valor por defecto 0.6
  • RAG_GROUPING Filtro de agrupación de resultados. 'similar' conserva solo el grupo más cercano; 'related' también conserva el siguiente grupo. Si no se establece, no hay filtro de agrupación.
    Ver original en inglésResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE Descarta los resultados cuya distancia vectorial supere este valor. Cuanto menor sea, más estricto. Si no se define, no se aplica filtro de distancia.
    Ver original en inglésDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES Conserva los fragmentos de como máximo este número de archivos con mejor puntuación. Si no se define, no se aplica ningún filtro por archivo.
    Ver original en inglésKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND Párrafo adicional que se añade a las instrucciones que el servidor entrega al cliente al conectarse, para orientación específica del corpus.
    Ver original en inglésExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS Permite que ingest_url obtenga datos de hosts que resuelvan a direcciones de loopback, link-local, privadas, reservadas o no especificadas. Desactivado por defecto.
    Ver original en inglésLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.
    · valor por defecto false

Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.

Nombres de menú comprobados con la ayuda de VS Code el 11 nov 2026 · tu pantalla puede variar un poco según la versión

Otras apps que usan MCP, como Windsurf, Zed o Gemini CLI, añaden servidores de forma distinta. Míralo en la lista de apps

Ver todas las apps que usan MCP →

La configuración JSON está en “Para desarrolladores”, abajo

¿Te atascaste? Pregunta a quien usa Minirag MCP💬 Conversación →
Para desarrolladores: comandos de Terminal y configuración JSON

Instalado en tu computadora

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"
      }
    }
  }
}

Valores que debes completar

  • BASE_DIR env
    Una raíz de documentos; también es el límite de seguridad para el acceso a archivos. Por defecto, el directorio de trabajo del proceso. Se ignora cuando se define BASE_DIRS.
    Ver original en inglésOne document root; also the security boundary for file access. Defaults to the process working directory. Ignored when BASE_DIRS is set.
  • BASE_DIRS env
    Matriz JSON de raíces de documentos, p. ej. "/docs/a", "/docs/b". Tiene prioridad sobre BASE_DIR. Un valor no válido es un error de configuración grave.
    Ver original en inglésJSON 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
    Directorio del índice de LanceDB. El valor predeterminado es /.minirag/lancedb, de modo que cada corpus tiene su propio índice.
    Ver original en inglésLanceDB index directory. Defaults to /.minirag/lancedb, so each corpus gets its own index.
  • CACHE_DIR env
    Caché del modelo de embeddings. Por defecto usa el directorio de caché de usuario de la plataforma, por lo que el modelo de 220 MB se descarga una sola vez y se comparte.
    Ver original en inglésEmbedding model cache. Defaults to the platform user cache dir, so the ~220 MB model is downloaded once and shared.
  • MODEL_NAME env
    ID del modelo de fastembed. Cambiarlo hace que los vectores existentes sean incompatibles con las nuevas consultas; combínelo con un nuevo DB_PATH o una reingestión completa.
    Ver original en inglésfastembed 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
    Límite de tamaño por archivo en bytes, aplicado antes del análisis.
    Ver original en inglésPer-file size limit in bytes, enforced before parsing.
  • CHUNK_TOKEN_BUDGET secreto obligatorio env
    Tamaño de la unidad de recuperación en los tokens propios del modelo de embeddings. Rango 16-128; el límite máximo es la longitud de secuencia con la que se entrenó el modelo.
    Ver original en inglésRetrieval-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
    Peso de las palabras clave en la fusión RRF ponderada, en el rango 0.0-1.0. 0 equivale a solo vectores; valores más altos aumentan la contribución de BM25.
    Ver original en inglésKeyword weight in the weighted RRF fusion, range 0.0-1.0. 0 is vector-only; higher values raise the BM25 contribution.
  • RAG_GROUPING env
    Filtro de agrupación de resultados. 'similar' conserva solo el grupo más cercano; 'related' también conserva el siguiente grupo. Si no se establece, no hay filtro de agrupación.
    Ver original en inglésResult grouping filter. 'similar' keeps only the closest group; 'related' also keeps the next one. Unset means no grouping filter.
  • RAG_MAX_DISTANCE env
    Descarta los resultados cuya distancia vectorial supere este valor. Cuanto menor sea, más estricto. Si no se define, no se aplica filtro de distancia.
    Ver original en inglésDrop results whose vector distance exceeds this value. Lower is stricter. Unset means no distance filter.
  • RAG_MAX_FILES env
    Conserva los fragmentos de como máximo este número de archivos con mejor puntuación. Si no se define, no se aplica ningún filtro por archivo.
    Ver original en inglésKeep chunks from at most this many best-scoring files. Unset means no per-file filter.
  • RAG_INSTRUCTIONS_APPEND env
    Párrafo adicional que se añade a las instrucciones que el servidor entrega al cliente al conectarse, para orientación específica del corpus.
    Ver original en inglésExtra paragraph appended to the instructions the server hands the client at connect time, for corpus-specific guidance.
  • ALLOW_PRIVATE_URLS env
    Permite que ingest_url obtenga datos de hosts que resuelvan a direcciones de loopback, link-local, privadas, reservadas o no especificadas. Desactivado por defecto.
    Ver original en inglésLet ingest_url fetch hosts resolving to loopback, link-local, private, reserved or unspecified addresses. Off by default.

Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.

Esta configuración se genera a partir de la ficha del creador en el registro. Si el README dice otra cosa, sigue el README.

De un vistazo

Descargas por semanai
111/sem
Conexión
Se ejecuta en tu computadora
Última versióni
1.1.1
Publicado en el registroi
17 nov 2026
Último cambio de códigoi
17 nov 2026
Creador
sfrangulov
Paquetes
pypi: minirag-mcp
Sitio web
github.com
Estado en el registro
Activo

Qué apps pueden usarlo

Según cómo se conecta este servidor y la documentación de cada app, comprobado el 10 nov 2026.

Se ejecutan en tu computadora en

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

Todas las apps, con ventajas y desventajas →

Qué puede hacer

Se ejecuta en tu computadora; la lista de herramientas aparece en tu app de IA después de instalarlo.

Revisiones básicasi

Revisamos información que cualquiera puede ver; no hemos leído el código. Las revisiones que no aplican no se cuentan. · Revisado el 19 nov 2026

  • ✓ Superada

    El creador coincide con el repo

    El nombre en el registro se verificó con la cuenta de GitHub sfrangulov, dueña del repo

  • ✓ Superada

    Sigue en mantenimiento

    Último cambio de código: anteayer

  • ✓ Superada

    Tiene licencia

    Usa MIT

  • – No aplica

    El endpoint responde

    Este se ejecuta en tu computadora; no hay endpoint en internet

  • – No aplica

    Inicio de sesión con OAuth

    Se ejecuta en tu computadora y usa ajustes locales en su lugar

  • … Aún sin revisar

    Sin instrucciones ocultas en las descripciones de herramientas

    Se ejecuta en tu computadora; solo podemos leer listas de herramientas de endpoints en internet

Vulnerabilidades publicadas (OSV.dev)

Aún no revisado

Qué revisamos → · JSON

Creadores: pedir otra revisión o avisar de un dato erróneo
Para autores: añade una insignia a tu README

Si lo creaste tú, pega este código en tu README. La insignia enlaza a esta página.

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

Conversación

Pregunta, comparte un consejo o avisa de que no funciona. Ordenado por lo que la gente marcó como útil.

Aún no hay publicaciones. Sé la primera persona en preguntar o compartir.

Lo publicado aquí lo escriben usuarios, no el equipo de PopNx.

Inicia sesión para publicar

Reseñas de usuarios

Aún no hay reseñas

Inicia sesión para escribir una reseña

Comparado con otros en Búsqueda y memoria de IAi

  • Más estrellas que el 97% de los otros 6394 servidores de esta categoría
  • Publicado en el registro más recientemente que el 95% de los otros 6394 servidores de esta categoría
  • Revisiones básicas iguales o mejores que el 99% de los otros 6394 servidores de esta categoría

Comparado con todos los servidores activos de esta categoría en el registro. Las estrellas solo cuentan cuando quien lo publica es dueño del repo.

Preguntas frecuentes

¿Es seguro Minirag MCP?

Superó 3 de 3 revisiones básicas aplicables. No hemos leído el código. Antes de agregar una clave o un token, revisa qué acceso pide el servidor y usa una clave que tenga solo los permisos que necesitas.

¿Qué claves o códigos necesita?

Debes completar: CHUNK_TOKEN_BUDGET

¿Se ejecuta en mi computadora o en la nube?

Se ejecuta en tu computadora. Tu app de IA lo inicia cuando hace falta, y los datos no pasan por los servidores del creador (a menos que el propio servidor llame a un servicio en línea).

¿Sigue en mantenimiento?

El repo de GitHub cambió por última vez anteayer, y la última versión (1.1.1) llegó al registro anteayer.

¿Qué apps pueden usarlo?

Las apps compatibles con MCP, como Claude Desktop, Claude Code, Cursor y VS Code. También necesitas Python (uv) en tu computadora.

¿Qué puedo usar en su lugar?

En la misma categoría: OpenSEO, Exa, Microsoft Learn MCP, Docs, COTAL actions (cotal.ai)

Alternativas parecidas

Misma categoría, otros creadores, comandos ya revisados. Primero los oficiales, luego por estrellas.

Cómo leer una tarjeta:↓ Descargas por semanai★ Estrellas de GitHubiTres pilares: reseñas · revisiones · usoiActualizado = fecha en que se publicó la última versión en el registroi

OpenSEO

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

de every-appMuy usado★ 28,2 milActualizado hace 5 días

Se ejecuta en la nube✓ everyapp.com

Exa

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

de exa-labsMuy usado★ 5,2 milActualizado hace 2 meses

Se ejecuta en la nube✓ del servicio · exa.aiProbado por el equipo de PopNx

Microsoft Learn MCP

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

de MicrosoftDocsMuy usado★ 2 milActualizado hace 12 meses

Se ejecuta en la nube✓ del servicio · microsoft.comProbado por el equipo de PopNx

Docs

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

de proxysoulEn crecimiento★ 1,6 milActualizado hace 2 meses

Se ejecuta en la nube✓ empryo.com

COTAL actions (cotal.ai)

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

de Cotal-AIEn crecimiento★ 399Actualizado hace 2 meses

Se ejecuta en la nube✓ del servicio · cotal.ai
Comparado con otros parecidos
Este
Minirag MCP
OpenSEOExaMicrosoft Learn MCPDocsCOTAL actions (cotal.ai)
Dónde se ejecutaSe instala en tu equipoFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nada
Necesita claveSíNoNoNoNoNo
Se añade con + en ClaudeNoSíSíSíNoNo
Revisiones básicas3/35/52/44/44/44/4
LicenciaMITMITMITCC-BY-4.0NOASSERTIONApache-2.0
PrecioSin coste en el registroSin coste en el registroSin coste en el registroSin coste en el registroSin coste en el registroSin coste en el registro

README del creador

Abrir el README

Copiado tal cual del repo del creador. PopNx MCP no lo ha revisado ni lo respalda. Se quitaron HTML, imágenes y scripts. Los enlaces llevan fuera de este sitio.

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 ~$…

Solo se muestra el principio; lee el resto en el repo