Is RAG MCP Claude safe to install?

SaferSkills independently audited RAG MCP Claude (MCP Server) and scored it 100/100 (green). The audit ran 55 deterministic rules across Security, Supply Chain, Maintenance, Transparency, and Community; it found 0 high-severity and 0 lower-severity findings. The full rule-by-rule trace and per-finding evidence are below. Free, methodology-open.

CategoryWeightCategory scoreContribution

Securityprompt, exec, net, exfil, eval

35%

100

35.0 pts

Supply chainhash, typosquat, maintainer, lockfile

20%

100

20.0 pts

Maintenancestaleness, pinning, CI

15%

100

15.0 pts

TransparencySKILL.md, perms, README

15%

100

15.0 pts

Communityinstalls, verify, response

15%

100

15.0 pts

Findings & checks · 0 flagged

Securityscore 100 · 0 findings

✓—All security checks passedNo findings in this category for the latest scan.pass

Supply chainscore 100 · 0 findings

✓—All supply chain checks passedNo findings in this category for the latest scan.pass

Maintenancescore 100 · 0 findings

✓—All maintenance checks passedNo findings in this category for the latest scan.pass

Transparencyscore 100 · 0 findings

✓—All transparency checks passedNo findings in this category for the latest scan.pass

Communityscore 100 · 0 findings

✓—All community checks passedNo findings in this category for the latest scan.pass

The primary manifest — the file an agent reads to learn what this artifact does.

README.md · 1 file

README.md11.8 KB · Markdown

RAG MCP 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)

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)

RAG MCP Claude— mcp server

Is RAG MCP Claude safe to install?

RAG MCP Claude

Features

Architecture

Quick Start

1. สร้าง OpenAI API Key

2. สร้าง .env

3. Deploy ด้วย Docker

4. ตรวจสอบ

5. Ingest transcript ตัวอย่าง

MCP Client Configuration

Project Structure

API Endpoints

MCP Tools Reference

rag_search

rag_ingest

rag_list_collections

rag_delete

Environment Variables

Docker Details

Data Flow

Cost Estimation (OpenAI)

Documentation

Audit the pieces. Scan the whole. Decide.

Is RAG MCP Claude safe to install?

RAG MCP Claude

Features

Architecture

Quick Start

1. สร้าง OpenAI API Key

2. สร้าง .env

3. Deploy ด้วย Docker

4. ตรวจสอบ

5. Ingest transcript ตัวอย่าง

MCP Client Configuration

Project Structure

API Endpoints

MCP Tools Reference

rag_search

rag_ingest

rag_list_collections

rag_delete

Environment Variables

Docker Details

Data Flow

Cost Estimation (OpenAI)

Related Projects

Documentation

Audit the pieces. Scan the whole. Decide.