📚 Local Knowledge Base MCP
Servidor MCP para RAG local com seus próprios PDFs
Transforme qualquer coleção de PDFs em uma base de conhecimento consultável por IA. Sem Docker, sem servidores externos — apenas um binário Go.
🎯 O que é isso?
Um servidor MCP (Model Context Protocol) que permite que assistentes de IA (Claude, Gemini, etc.) consultem sua própria coleção de documentos via busca semântica.
Casos de Uso
- 📖 Estudantes: Indexe seus livros e apostilas, pergunte em linguagem natural
- 👨💻 Desenvolvedores: Crie uma base de conhecimento técnico personalizada
- 📋 Profissionais: Consulte manuais, documentação interna, normas técnicas
- 🔬 Pesquisadores: Busque em papers e literatura acadêmica
✨ Características
| Característica | Descrição |
|---|---|
| Zero Dependências | Sem Docker, sem servidores externos, sem Python |
| Banco Vetorial Embutido | chromem-go persiste localmente no disco |
| Google AI Embeddings | Modelo text-embedding-004 (768 dimensões) |
| Protocolo MCP | Compatível com Claude Desktop, Antigravity, e outros |
| 100% Local | Seus PDFs nunca saem do seu computador* |
> * Apenas o texto dos chunks é enviado à API do Google para gerar embeddings.
🏛️ Arquitetura```
┌─────────────────────┐ JSON-RPC (stdio) ┌──────────────────────────────────────────┐
│ │◄──────────────────────────►│ │
│ Claude Desktop │ │ Local Knowledge Base MCP │
│ Antigravity │ │ ┌──────────────┐ ┌────────────────┐ │
│ Outro MCP Client │ │ │ chromem-go │ │ Google AI │ │
│ │ │ │ (VectorDB) │ │ (Embeddings) │ │
└─────────────────────┘ │ └──────────────┘ └────────────────┘ │
└──────────────────────────────────────────┘
---
## 🛠️ Tools Disponíveis
O servidor expõe duas ferramentas para clientes MCP:
### `consultar_base_conhecimento`
Busca semântica na base de conhecimento.
| Parâmetro | Tipo | Obrigatório | Descrição |
| ---------- | ------ | ----------- | --------------------------------- |
| `pergunta` | string | ✅ | Sua pergunta em linguagem natural |
**Retorna:** Os 5 fragmentos mais relevantes com score de similaridade, fonte e conteúdo.
### `verificar_status_vectordb`
Verifica o status do banco vetorial.
**Retorna:** Status do banco, contagem de documentos indexados e uso de memória.
---
## 🚀 Instalação
### Pré-requisitos
- **Go 1.22+**
- **Google AI API Key** — Obter gratuitamente
### 1. Compilar```bash
git clone https://github.com/Capman002/Local-Knowledge-Base-MCP---golang.git
cd Local-Knowledge-Base-MCP---golang
go build -o senior-architect-rag.exe .
go build -o ingest.exe ./cmd/ingest
2. Configurar
Crie um arquivo .env:```env
Obrigatório
GOOGLE_API_KEY=sua-api-key-aqui
Opcional - personalize para seu caso de uso
COLLECTION_NAME=minha_base_conhecimento
DB_PATH=vector_db
DOCS_DIR=meus_documentos
EMBEDDING_MODEL=text-embedding-004
### 3. Adicionar seus PDFs
Crie a pasta configurada em `DOCS_DIR` (padrão: `biblioteca_docs/`) e coloque seus PDFs:```
biblioteca_docs/
├── livro1.pdf
├── manual_tecnico.pdf
├── apostila.pdf
└── ...
4. Indexar```bash
./ingest.exe
### 5. Configurar Cliente MCP
Adicione ao Claude Desktop ou Antigravity:```json
{
"mcpServers": {
"minha-base-conhecimento": {
"command": "C:/caminho/para/senior-architect-rag.exe",
"args": [],
"env": {}
}
}
}
⚙️ Personalização
Variáveis de Ambiente
| Variável | Padrão | Descrição |
|---|---|---|
GOOGLE_API_KEY |
(obrigatório) | Chave da API Google AI |
COLLECTION_NAME |
biblioteca_arquitetura |
Nome da sua coleção |
DB_PATH |
vector_db |
Onde salvar o banco vetorial |
DOCS_DIR |
biblioteca_docs |
Pasta com seus PDFs |
EMBEDDING_MODEL |
text-embedding-004 |
Modelo de embeddings |
Exemplos de Configuração
Base de Conhecimento Jurídico:```env
COLLECTION_NAME=legislacao_brasileira
DOCS_DIR=pdfs_juridicos
**Documentação Técnica:**```env
COLLECTION_NAME=docs_empresa
DOCS_DIR=manuais
Estudos Acadêmicos:```env
COLLECTION_NAME=papers_mestrado
DOCS_DIR=literatura
---
## 📝 Sobre a Configuração Padrão
Os nomes padrão no código (`Senior-Architect-RAG`, `biblioteca_arquitetura`) refletem o caso de uso original: uma base de conhecimento de **literatura de arquitetura de software** (DDD, System Design, Microservices, etc.).
Você pode usar esses padrões ou personalizar via `.env` para qualquer domínio.
---
## Detalhes Técnicos
| Componente | Valor |
| ---------------------- | -------------- |
| Chunk Size | 800 caracteres |
| Chunk Overlap | 150 caracteres |
| Resultados por Query | Top 5 |
| Dimensões do Embedding | 768 |
| Comunicação | MCP via stdio |
---
## 📁 Estrutura do Projeto```
├── main.go # Servidor MCP
├── cmd/ingest/main.go # Ingestor de PDFs
├── biblioteca_docs/ # Seus PDFs (git-ignored)
├── vector_db/ # Banco vetorial (git-ignored)
├── .env # Configurações (git-ignored)
└── .env.example # Template
🐛 Solução de Problemas
| Problema | Solução |
|---|---|
| "GOOGLE_API_KEY não definida" | Crie o arquivo .env com sua API key |
| "Nenhum PDF encontrado" | Verifique a pasta DOCS_DIR |
| "Contagem de documentos é zero" | Execute ingest.exe |
| "Erro ao extrair texto do PDF" | O PDF pode ser imagem escaneada (use OCR) |
🤝 Contribuindo
Contribuições são bem-vindas! Veja CONTRIBUTING.md.
📄 Licença
MIT — veja LICENSE.
🔗 Dependências
- mark3labs/mcp-go — Biblioteca MCP
- philippgille/chromem-go — Banco vetorial embutido
- ledongthuc/pdf — Parser de PDF
- joho/godotenv — Carregamento de .env
