RAG Claude

MCP (Model Context Protocol) Server สำหรับ Semantic Search บน YouTube transcripts ใช้ OpenAI Embeddings + ChromaDB

ต่างจาก keyword search ทั่วไป (FTS5) ที่ค้นได้เฉพาะ "คำตรงกัน" RAG ค้นหาด้วย ความหมาย ได้ เช่น ค้นว่า "วิธีฝึกจิตให้เข้มแข็ง" จะเจอข้อความเกี่ยวกับ "สมาธิ" แม้ไม่มีคำว่า "ฝึกจิต" ในข้อความเลย

ดูรายละเอียดเปรียบเทียบ RAG vs Keyword Search ที่ docs/concept-comparison.md

Features

• rag_search - ค้นหาด้วย semantic similarity (ความหมายใกล้เคียง)
• rag_ingest - นำ transcript / text เข้า knowledge base
• rag_list_collections - แสดง collections พร้อมสถิติ
• rag_delete - ลบข้อมูลออกจาก knowledge base

Architecture

                         rag-mcp-claude
                         Port: 3020
┌──────────────────────────────────────────────────┐
│                                                  │
│  ┌──────────┐    ┌─────────────┐                 │
│  │  Ingest   │───▶│ Text Splitter│                 │
│  │  Pipeline │    │ (chunk 500   │                 │
│  └──────────┘    │  overlap 50) │                 │
│                   └──────┬──────┘                 │
│                          ▼                        │
│                  ┌───────────────┐                │
│                  │ OpenAI API     │                │
│                  │ text-embedding │                │
│    ┌──────┐      │ -3-small       │                │
│    │Search│─────▶│ (1536 dims)   │                │
│    └──────┘      └───────┬───────┘                │
│                          ▼                        │
│                  ┌───────────────┐                │
│                  │  ChromaDB      │                │
│                  │  Vector Store  │                │
│                  │  (cosine sim)  │                │
│                  └───────────────┘                │
│                                                  │
└──────────────────────────────────────────────────┘

Quick Start

1. สร้าง OpenAI API Key

ไปที่ https://platform.openai.com/api-keys แล้วสร้าง key

2. สร้าง .env

cp .env.example .env
# แก้ไข .env ใส่ API key

OPENAI_API_KEY=sk-your-api-key-here

3. Deploy ด้วย Docker

docker compose up -d

จะ start 2 containers:

• rag-chromadb - Vector database (port 8100)
• rag-mcp-claude - MCP server (port 3020)

4. ตรวจสอบ

curl http://localhost:3020/health

5. Ingest transcript ตัวอย่าง

# Ingest ทุกไฟล์ใน data/sources/
node src/cli-ingest.js --dir ./data/sources

# Ingest ไฟล์เดียว
node src/cli-ingest.js data/sources/SF6Tskjx6Qw.md

ดูคู่มือ ingest ละเอียดที่ docs/guide-ingest.md

MCP Client Configuration

เพิ่มใน .mcp.json หรือ Claude Desktop config:

{
  "mcpServers": {
    "rag": {
      "url": "http://localhost:3020/mcp"
    }
  }
}

Project Structure

rag-mcp-claude/
├── src/
│   ├── server-sse.js    # Streamable HTTP transport server (port 3020)
│   ├── index.js         # Stdio transport server
│   ├── config.js        # Configuration
│   ├── embeddings.js    # OpenAI embedding API wrapper
│   ├── vectorstore.js   # ChromaDB operations (CRUD)
│   ├── ingest.js        # Chunk → Embed → Store pipeline
│   ├── search.js        # Semantic search
│   └── cli-ingest.js    # CLI batch ingest tool
├── data/
│   └── sources/         # Transcript files (.md)
├── docs/
│   ├── concept-comparison.md  # RAG vs FTS5 comparison
│   ├── guide-ingest.md        # คู่มือ ingest ข้อมูล
│   ├── guide-search.md        # คู่มือ search
│   └── guide-openai-key.md    # คู่มือสร้าง OpenAI API Key
├── Dockerfile
├── docker-compose.yml
├── .env.example
└── package.json

API Endpoints

Endpoint	Method	Description
/mcp	POST	MCP message endpoint (Streamable HTTP)
/mcp	GET	SSE stream endpoint
/mcp	DELETE	Session termination
/health	GET	Health check + status

MCP Tools Reference

rag_search

ค้นหาจาก knowledge base ด้วย semantic search

Parameter	Type	Required	Default	Description
query	string	Yes	-	คำค้นหา (ภาษาธรรมชาติ)
collection	string	No	youtube_transcripts	ชื่อ collection
top_k	number	No	5	จำนวนผลลัพธ์ (max 20)

Response:

{
  "query": "สมาธิเปลี่ยนสมองได้อย่างไร",
  "collection": "youtube_transcripts",
  "totalResults": 3,
  "sources": [
    {
      "source": "SF6Tskjx6Qw",
      "title": "Ep0 - Journey Within: สำรวจโลกในหัวคุณ",
      "url": "https://www.youtube.com/watch?v=SF6Tskjx6Qw",
      "channel": "The Mind Architect",
      "chunks": [
        {
          "text": "สมาธิทำให้สมองส่วน Prefrontal Cortex หนาขึ้น...",
          "score": 0.892,
          "chunk_index": 3
        }
      ]
    }
  ]
}

rag_ingest

นำข้อมูลเข้า knowledge base

Parameter	Type	Required	Description
file_path	string	No*	Path ของ transcript markdown file (.md)
text	string	No*	ข้อความที่จะ ingest โดยตรง
source	string	No	ชื่อแหล่งข้อมูล (เช่น video ID)
title	string	No	ชื่อเรื่อง
collection	string	No	ชื่อ collection

*ต้องระบุอย่างน้อย file_path หรือ text

rag_list_collections

แสดง collections ทั้งหมดพร้อมจำนวน documents

Response:

{
  "total": 1,
  "collections": [
    { "name": "youtube_transcripts", "count": 45 }
  ]
}

rag_delete

ลบข้อมูลออกจาก knowledge base

Parameter	Type	Required	Description
collection	string	Yes	ชื่อ collection
source	string	No	ลบ documents จาก source นี้
delete_collection	boolean	No	ลบทั้ง collection

Environment Variables

Variable	Default	Description
PORT	3020	Server port
HOST	0.0.0.0	Server host
OPENAI_API_KEY	(required)	OpenAI API key
EMBEDDING_MODEL	text-embedding-3-small	OpenAI embedding model
CHROMA_URL	http://localhost:8100	ChromaDB URL
CHROMA_COLLECTION	youtube_transcripts	Default collection name
CHUNK_SIZE	500	Tokens per chunk
CHUNK_OVERLAP	50	Overlap tokens between chunks
DEFAULT_TOP_K	5	Default search results

Docker Details

Container	Image	Port	Description
rag-mcp-claude	node:22-slim (custom)	3020	MCP server (Streamable HTTP)
rag-chromadb	chromadb/chroma:latest	8100	Vector database

• ChromaDB data persisted in Docker volume chroma-data
• RAG server ใช้ network_mode: host เพื่อเข้าถึง ChromaDB
• OpenAI API Key ส่งผ่าน .env file

Data Flow

YouTube Video
     │  (youtube-mcp-claude ดึง transcript)
     ▼
data/sources/*.md        ← Transcript files
     │
     ▼ (rag_ingest / cli-ingest.js)
┌────────────────┐
│ 1. Parse        │  แยก metadata + transcript text
│ 2. Chunk        │  ตัดเป็นท่อนๆ (500 tokens, overlap 50)
│ 3. Embed        │  OpenAI API → vector [1536 dims]
│ 4. Store        │  ChromaDB (cosine similarity index)
└────────────────┘
     │
     ▼ (rag_search)
┌────────────────┐
│ 1. Embed query  │  แปลงคำถามเป็น vector
│ 2. Search       │  หา vectors ที่ใกล้เคียงที่สุด
│ 3. Return       │  ส่งกลับ chunks + metadata + score
└────────────────┘

Cost Estimation (OpenAI)

Model	Price	1 transcript (~10K tokens)	1 search query
text-embedding-3-small	$0.02 / 1M tokens	~$0.0002 (< 1 สตางค์)	~$0.000002
text-embedding-3-large	$0.13 / 1M tokens	~$0.0013	~$0.000013

ใช้ text-embedding-3-small ราคาถูกมาก ingest transcript 1,000 วิดีโอ ≈ $0.20 (7 บาท)

Related Projects

Server	Port	Description
youtube-mcp-claude	3010	YouTube transcript extraction
rag-mcp-claude	3020	RAG semantic search
chat-mcp-claude	3001	Chat history (FTS5)
thudong-mcp-claude	3002	Survey analysis (FTS5)

Documentation

• Concept Comparison: RAG vs Keyword Search
• คู่มือสร้าง OpenAI API Key
• คู่มือ Ingest ข้อมูล
• คู่มือ Search