Froggy MCP Rag

MCP搜索检索

提供方 froggy523

搜索检索 未标注 无需鉴权 社区 / 第三方

Froggy RAG是一款本地桌面应用程序,提供OpenAI和Ollama兼容的HTTP API,用于自动检索增强生成(RAG)功能,适用于本地或远程LLM集成。

一句话选型结论

按资料字段整理

Froggy MCP Rag 属于搜索检索类 MCP 服务器,传输方式未标注,无需鉴权,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类搜索检索 传输方式未标注 鉴权无需鉴权 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

搜索检索
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

RAGJavaScript本地部署LLM代理本地应用知识检索OpenAI兼容Ollama兼容

安装与配置

未标注 无需鉴权
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
联网搜索取证

让模型查最新资料并给出出处。

资料聚合

把一个主题的网页、文档集中抓回来整理。

情报与竞品检索

按关键词持续检索行业动态和竞品信息。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在搜索检索场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Froggy MCP Rag当前 未标注 未标注 未标注 无 2026-05-17
Brave Search 433812ff 2 未标注 未标注 无 2026-05-17
Sequentialthinking 1 SSE · 服务端推送 远程部署 有 2026-05-18
Baidu Netdisk 未标注 未标注 未标注 无 2026-05-17
ragflow 未标注 stdio · 本地进程 本地部署 有 2026-04-11
mindsdb (430e18) 未标注 未标注 未标注 有 2026-05-17

服务器档案

搜索检索
字段来自项目仓库与公开索引,中文说明由本站标注
提供方froggy523上游标注的维护方 froggy523
分类搜索检索本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

8.8 KB
来自项目仓库与上游目录的原文,未做删改

🐸 青蛙RAG

> 将你的应用指向Froggy。自动获取RAG。

青蛙RAG是 本地桌面应用程序 它位于法学硕士的前面
暴露 两个熟悉的HTTP API:

  • OpenAI兼容 路由(适用于期望OpenAI风格的客户端和SDK
    聊天/补全URL和有效载荷)。
  • Ollama-兼容 路由(用于已经针对本地的工具和脚本
    Ollama服务器)。

RAG在两者上的行为相同。 命名空间、检索、分块、可选
在您的请求之前,网络搜索和提示注入都在一个管道中运行
转发。您只能选择您的客户所说的API形状;你没有
重新实现RAG两次。

没有代理人。\
无工具接线。\
没有编排。

只是:```
Your app → Froggy → LLM (with context already injected)


______________________________________________________________________

# 🚀 为什么是青蛙?

大多数RAG设置都会使每个应用程序变得复杂:

- 您可以为每个堆栈连接检索工具或sidecar服务。
- 您可以手动将检索到的文本与提示合并。
- 您可以在OpenAI风格和Ollama风格的调用者之间复制逻辑。
- 或者你采用一个沉重的框架只是为了把碎片粘在一起。

**Froggy将这项工作集中在一个本地跳跃中。** 你继续使用HTTP
您已经拥有的客户端和URL;青蛙 **拦截→ 检索→ 注入→
向前**这意味着内部工具的迭代速度更快,“忘记”的次数更少
附加上下文”错误,以及一个调整摄取、名称空间和
通过行为。

> **拦截→ 检索→ 注入→ 转发**

您现有的客户不需要重新设计。将他们的基本URL指向Froggy
而不是直接针对模型,他们会从你的模型中得到有根据的答案
代码变动最小的语料库。

______________________________________________________________________

# 🧠 它实际上做了什么

当兼容的请求点击Froggy(OpenAI风格 **或** 奥利玛风格):

1. **解释请求** --使用相同的消息或完成形状
客户端已经发送,因此您不需要为维护并行请求类型
抹布。
1. **搜索活动命名空间** --从中提取嵌入和排名块
您选择的语料库,因此答案与 *你的* 文件而不是
只有模型的训练截止值。
1. **提取最相关的上下文** --表面的通道,实际上
匹配查询,从而减少对特定领域任务的幻觉。
1. **可选择添加网络搜索** --配置后,融入新鲜网
结果与检索到的文档相结合,因此答案可以结合私人知识和
当前公共信息。
1. **注入提示符** --预先构建模型可以构建的结构化上下文
引用,因此下游应用程序并不都实现自己的“系统提示”+
片段”模式。
1. **转至您的法学硕士** --将丰富的请求发送到您的上游
配置(本地或远程),保持与现有堆栈的兼容性。

**同样的步骤,同样的质量,** 无论呼入电话看起来像OpenAI还是
就像Ollama一样。只有边缘处的导线格式不同。

______________________________________________________________________

# 🧩 核心概念

## 命名空间

您可能使用的示例名称:```
personal-notes
sql-examples
work-docs
codebase

价值: 每个命名空间都是一个孤立的知识岛:它自己的文档,
嵌入和检索范围。切换命名空间是您切换命名空间的方式 哪个
语料库在不重新部署客户端或更改API密钥的情况下为模型奠定基础。那
将人力资源文档与工程笔记分开,并创建多租户或
从一个应用程序管理多个项目工作流。


通过API(OpenAI 和 奥拉马)

青蛙说话 两者 可配置端口上常见的local-LLM API方言。

  • 使用 OpenAI形状 当你的堆栈已经使用OpenAI SDK时,使用URL和JSON
    或聊天完成风格的代理(例如入站) /v1/chat/completions
    在OpenAI监听器上)。
  • 使用 奥利玛形状 当您的工作流程假设 ollama run,休息
    为Ollama硬编码的路径或工具(例如入站 /api/chat
    Ollama听众)。

价值: 你并不局限于一个生态系统。这 回收和注射
管道完全相同
对于两者:相同的命名空间、相同的块存储、相同的
注入规则,相同的可选网络搜索。选择与您匹配的表面
客户;Froggy仍然做过一次RAG工作。

身体形状示例(OpenAI风格的消息;Ollama呼叫者发送他们的原生消息
等效并获得相同的富集路径):```json
{
"messages": [
{ "role": "user", "content": "Write a SQL query..." }
]
}


Froggy丰富了对话,并将其转发到您配置的上游。

______________________________________________________________________

## 提示配置文件

可重用的行为模板,例如:

- sql生成
- sql修改
- 普通抹布

**价值:** 配置文件编码 *怎么* 检索到的上下文应该被框架化,以及
行为是适用的,因此您可以在不重写客户端代码的情况下交换“模式”。团队
可以标准化一小部分配置文件,而不是分散的一次性系统
在每次集成中都有提示。

______________________________________________________________________

## 标签和元数据```json
"tags": ["patient", "phi"],
"metadata": { "platform": "databricks" }

价值: 标记和元数据允许您在以下位置过滤或优先排序块
检索时间,因此敏感或特定环境的材料更容易确定范围
以及审计。这提高了对专门查询和支持的相关性
诸如“仅搜索此命名空间中标记了PHI的文档”之类的策略


🖥️ 桌面应用程序

Windows安装程序提供 单个本地捆绑包:矢量存储,
摄取、REST/RAG控制、直通侦听器和设置——没有单独的
服务器场可供个人或团队使用。

  • 基于安装程序(Windows)
  • 自动更新
  • 在本地运行
  • 包括UI+API

实时截图 images/ (飞溅)和
images/screenshots/ (应用内捕获)。

服务器和语料库

查看核心服务是否已启动,哪些端口正在监听,以及应用程序的运行情况
连接到您的机器--值: 你不用阅读就能快速了解健康状况
从空白终端记录或猜测。

浏览命名空间,检查房子的向量侧,并关联“我
索引为“搜索将命中什么”--值: 运营商和开发人员共享一个
surface在调试客户端调用之前验证是否存在正确的语料库。

摄入

将Froggy指向文件夹或文件,并将其拉入命名空间--值: 你
从源树或文档中不断刷新知识,而无需
为每个项目编写自定义ETL。

设置

调整应用于API的项目路径、默认值和行为
前端--值: 一个配置层支持OpenAI和
Ollama塑造了客户。

控制文档的拆分和嵌入方式--值: 经常进行更好的分块
击败了一个更大的模型;您可以根据文档形状调整块大小和重叠
无需更改代码。

配置入站侦听器、上游LLM URL和直通选项--值:
你决定Froggy在哪里听,哪个真实的模型回答,而Froggy
仍然是注射RAG的唯一地方。

当地API测试

跑 搜索 和 直通 应用程序内的练习--值: 你可以
在指出问题之前,证明检索和端到端OpenAI/Ollama兼容性
Froggy的更大系统缩短了“是客户端还是语料库?”
调试循环。


⚙️ 安装

价值: 打包的应用程序加上自动更新可以保留安全补丁和功能
无需每天维护Python环境或Docker堆栈
使用。

从下载最新的Windows安装程序 GitHub发布 为此
存储库(如果您发布构建,请替换为您的fork的发布URL
其他地方)。


⚙️ 用法

启动应用程序,启用 OpenAI兼容 和 Ollama-兼容
在设置中设置监听器,然后使用
相同的路径和身体 您将使用vanilla OpenAI HTTP API或
奥拉马-除了 基本URL现在指向Froggy。

示例(端口是可配置的;占位符显示了这个想法):http://localhost:/... # OpenAI-compatible paths http://localhost:/... # Ollama-compatible paths

两者的RAG相同: 无论你叫哪个入口,青蛙都会跑一样的路
检索、可选网络搜索和注入,然后转发到上游LLM
您已配置。从OpenAI风格的客户端切换到Ollama风格的客户端
不会更改文档在提示中的查找或合并方式。


🐸 太长,读不下去了

青蛙是 本地通行 和 OpenAI和Ollama兼容的API.
您的客户保持其原始形状; RAG在任一路径上都是相同的--一个
管道,一个管理语料库和设置的地方,每个问题都有更智能的答案
转发请求。

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
Froggy MCP Rag 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Froggy MCP Rag 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Froggy MCP Rag 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Froggy MCP Rag 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Froggy MCP Rag 能提供哪些能力?

资料显示能力标签包括 RAG、JavaScript、LLM代理。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。