# Scholar RAG MCP

Складывает научные PDF в локальную базу знаний и даёт агенту искать по ним: семантический поиск, чтение по разделам, добавление и удаление статей.

- MCP-сервер · `type=mcp` · Claude Code, Codex, Cursor, GitHub Copilot, Windsurf (Devin Desktop), Cline, Zed, Gemini CLI · ★ 5
- Автор: notwhiteblank
- Лицензия: MIT · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/notwhiteblank/scholar-rag-mcp
- Обновлён: 2026-09-04
- HTML: https://affpapa.org/nevibecode/mcp/scholar-rag-mcp

## Что делает

Scholar RAG MCP принимает папку с PDF-статьями и прогоняет каждую через разбор MinerU: извлекает метаданные, размечает разделы, режет текст на куски и считает эмбеддинги. Всё лежит в Qdrant — либо в автоматически запущенном экземпляре, либо во внешнем. Дальше агент ищет по кускам, фильтрует по `doc_id`, `section`, `year` или `journal` и читает полный текст постранично.

Наружу торчат 11 инструментов по stdio: `list_kbs`, `create_kb`, `delete_kb`, `add_document`, `remove_document`, `get_document`, `get_document_text`, `list_documents`, `search_documents`, `search_chunks`, `get_job`. Создание базы и добавление статей идут фоновыми задачами, прогресс виден через `get_job`, а прерванную загрузку можно перезапустить — она продолжится. Чтение отдаёт сначала оглавление, страницы по запросу, поэтому контекст не раздувается.

Перед запуском нужны три OpenAI-совместимых эндпоинта: chat, embed и rerank. Без них сервер не заработает, а переменные `SCHOLAR_RAG_CHAT_MODEL`, `SCHOLAR_RAG_EMBED_MODEL` и `SCHOLAR_RAG_RERANK_MODEL` обязательны — скрипт запуска моделей просто выходит с сообщением. Готовый `scripts/serve_models.sh` тянет vLLM и работает только на Linux с CUDA; на Windows и macOS придётся указать свои серверы вроде Ollama или LM Studio. Реранк-эндпоинт должен отдавать `/v1/rerank`, иначе остаётся режим только с эмбеддингами.

## Требования
- Нужно: Python и uv (команды через uvx)
- Переменные окружения: `SCHOLAR_RAG_DATA_DIR`, `SCHOLAR_RAG_CHAT_BASE_URL`, `SCHOLAR_RAG_EMBED_BASE_URL`, `SCHOLAR_RAG_RERANK_BASE_URL` — это ключи и токены: значения спроси у человека, в репозиторий и общие файлы не записывай.

## Установка

### Claude Code (родная платформа)

**Командой платформы**
```bash
claude mcp add --env SCHOLAR_RAG_DATA_DIR=<SCHOLAR_RAG_DATA_DIR> --env SCHOLAR_RAG_CHAT_BASE_URL=<SCHOLAR_RAG_CHAT_BASE_URL> --env SCHOLAR_RAG_EMBED_BASE_URL=<SCHOLAR_RAG_EMBED_BASE_URL> --env SCHOLAR_RAG_RERANK_BASE_URL=<SCHOLAR_RAG_RERANK_BASE_URL> --transport stdio scholar-rag-mcp -- uvx scholar-rag-mcp
```
Вместо <…> подставьте свои значения. uvx запускает команду с именем пакета; если в README она другая — uvx --from scholar-rag-mcp <команда>

### Codex

**Командой платформы**
```bash
codex mcp add scholar-rag-mcp --env SCHOLAR_RAG_DATA_DIR=<SCHOLAR_RAG_DATA_DIR> --env SCHOLAR_RAG_CHAT_BASE_URL=<SCHOLAR_RAG_CHAT_BASE_URL> --env SCHOLAR_RAG_EMBED_BASE_URL=<SCHOLAR_RAG_EMBED_BASE_URL> --env SCHOLAR_RAG_RERANK_BASE_URL=<SCHOLAR_RAG_RERANK_BASE_URL> -- uvx scholar-rag-mcp
```
Вместо <…> подставьте свои значения. uvx запускает команду с именем пакета; если в README она другая — uvx --from scholar-rag-mcp <команда>

### Cursor

**Файл настроек**
Файл `.cursor/mcp.json`:
```json
{
    "mcpServers": {
        "scholar-rag-mcp": {
            "command": "uvx",
            "args": [
                "scholar-rag-mcp"
            ],
            "env": {
                "SCHOLAR_RAG_DATA_DIR": "<SCHOLAR_RAG_DATA_DIR>",
                "SCHOLAR_RAG_CHAT_BASE_URL": "<SCHOLAR_RAG_CHAT_BASE_URL>",
                "SCHOLAR_RAG_EMBED_BASE_URL": "<SCHOLAR_RAG_EMBED_BASE_URL>",
                "SCHOLAR_RAG_RERANK_BASE_URL": "<SCHOLAR_RAG_RERANK_BASE_URL>"
            }
        }
    }
}
```
Вместо <…> подставьте свои значения. uvx запускает команду с именем пакета; если в README она другая — uvx --from scholar-rag-mcp <команда>

### GitHub Copilot

**Файл настроек**
Файл `.vscode/mcp.json`:
```json
{
    "servers": {
        "scholar-rag-mcp": {
            "type": "stdio",
            "command": "uvx",
            "args": [
                "scholar-rag-mcp"
            ],
            "env": {
                "SCHOLAR_RAG_DATA_DIR": "<SCHOLAR_RAG_DATA_DIR>",
                "SCHOLAR_RAG_CHAT_BASE_URL": "<SCHOLAR_RAG_CHAT_BASE_URL>",
                "SCHOLAR_RAG_EMBED_BASE_URL": "<SCHOLAR_RAG_EMBED_BASE_URL>",
                "SCHOLAR_RAG_RERANK_BASE_URL": "<SCHOLAR_RAG_RERANK_BASE_URL>"
            }
        }
    }
}
```
Вместо <…> подставьте свои значения. uvx запускает команду с именем пакета; если в README она другая — uvx --from scholar-rag-mcp <команда>

### Gemini CLI

**Командой платформы**
```bash
gemini mcp add -e SCHOLAR_RAG_DATA_DIR=<SCHOLAR_RAG_DATA_DIR> -e SCHOLAR_RAG_CHAT_BASE_URL=<SCHOLAR_RAG_CHAT_BASE_URL> -e SCHOLAR_RAG_EMBED_BASE_URL=<SCHOLAR_RAG_EMBED_BASE_URL> -e SCHOLAR_RAG_RERANK_BASE_URL=<SCHOLAR_RAG_RERANK_BASE_URL> scholar-rag-mcp uvx scholar-rag-mcp
```
Вместо <…> подставьте свои значения. uvx запускает команду с именем пакета; если в README она другая — uvx --from scholar-rag-mcp <команда>

## Когда брать
- собрать локальную базу знаний из папки научных PDF
- найти нужный фрагмент статьи по смыслу, а не по ключевым словам
- прочитать статью по разделам, не забивая контекст целиком
- добавить или убрать одну статью из уже собранной базы
- отфильтровать выдачу по году, журналу или разделу

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md