export class ScrapelessClient {
  private api: AxiosInstance;
  
  constructor(config: ScrapelessConfig) {
    this.api = axios.create({
      baseURL: config.baseURL,
      headers: {
        "Content-Type": "application/json",
        "x-api-token": config.token,
      },
    });
  }
  
  async searchWeb(params: WebSearchParams) {
    try {
      const response = await this.api.post("/api/v1/scraper/request", {
        actor: "scraper.google.search",
        input: {
          q: params.query,
          gl: params.country || "us",
          hl: params.language || "en",
          google_domain: params.domain || "google.com"
        }
      });
      
      return {
        query: params.query,
        results: response.data
      };
    } catch (error) {
      // エラーハンドリング...
    }
  }
}

git clone git@github.com:scrapeless-ai/mcp-rag-server.git
cd mcp-rag-server

mcp-rag-server/
├── src/
│   ├── config.ts
│   ├── index.ts
│   ├── server.ts
│   ├── qdrant-client.ts
│   └── scrapeless-client.ts
├── package.json
├── tsconfig.json
└── .env

npm install

`.env`ファイルを作成する：
QDRANT_URL=http://localhost:6333
QDRANT_API_KEY=
QDRANT_COLLECTION=ml_faq_collection
SCRAPELESS_KEY=あなたの_scrapeless_api_key
SCRAPELESS_BASE_URL=https://api.scrapeless.com

設定の理解 (config.ts から):
const QDRANT_URL = process.env.QDRANT_URL?.trim() || "http://localhost:6333";
const QDRANT_API_KEY = process.env.QDRANT_API_KEY?.trim() || "";
const QDRANT_COLLECTION = process.env.QDRANT_COLLECTION?.trim() || "ml_faq_collection";
const SCRAPELESS_KEY = process.env.SCRAPELESS_KEY?.trim();
const SCRAPELESS_BASE_URL = process.env.SCRAPELESS_BASE_URL?.trim() || "https://api.scrapeless.com";


**💡問題解決:**

外部依存関係（QdrantベクトルデータベースとScrapelessリアルタイム検索）の正しい接続パラメータを提供します。デフォルト値とtrim()処理は、変数フォーマットエラーを防ぐために設定コードに組み込まれています。Scrapeless Key が欠落している場合は警告が発行されます。

### ステップ 3: Qdrant ベクトルデータベースのセットアップ

**DockerでQdrantを起動:**

**FAQベクトルコレクションの作成:**

**💡問題解決:**

意味論的ベクトル検索ストレージを設定し、1536次元およびコサイン類似度を使用し、埋め込みジェネレーターの出力とQdrantClient呼び出しに互換性を持たせます。

### ステップ 4: ScrapelessリアルタイムWeb検索の統合

**Scrapeless APIキーの取得:**

1. [Scrapeless](https://app.scrapeless.com/passport/login?utm_source=official&utm_medium=blog&utm_campaign=mcprag)にアクセスしてアカウントを作成
2. ダッシュボードからAPIトークンを取得

![APIトークンを取得](https://assets.scrapeless.com/prod/posts/mcp-rag-server-with-scrapeless/8c967ead40663ba1ba4d552fc94e8303.png)


3. SCRAPELESS_KEYの下に.envファイルに追加

**Scrapeless接続のテスト:**

問題解決: このステップは、Scrapeless APIが正しく設定されていることを確認します。システムには、APIキーが設定されているかを確認するための検証が含まれ、ウェブ検索中のランタイムエラーを防ぎます。

### ステップ 5: TypeScriptプロジェクトのビルド

TypeScriptをJavaScriptにコンパイル:

ビルド時に何が起こるか (package.jsonから):

```language
{
  "scripts": {
    "build": "tsc && chmod 755 build/index.js",
    "start": "node build/index.js"
  }
}

ls build/
# 表示されるべき: index.js, server.js, config.js, qdrant-client.js, scrapeless-client.js

サーバーを起動:
npm start

async function main() {
  try {
    console.log("MCPエージェントRAGサーバーを起動中...");
    const transport = new StdioServerTransport();
    await server.connect(transport);
    console.log("MCPサーバーはポート8080で稼働中です");
  } catch (error) {
    console.error("main()で致命的なエラー:", error);
    process.exit(1);
  }
}

private generateEmbedding(text: string): number[] {
  const seed = [...text].reduce((sum, char) => sum + char.charCodeAt(0), 0) % 10000;
  const vector: number[] = [];
  
  let value = seed;
  for (let i = 0; i < 1536; i++) {
    value = (value * 48271) % 2147483647;
    vector.push((value / 2147483647) * 2 - 1);
  }
  
  return vector;
}

async searchWeb(params: WebSearchParams) {
  try {
    if (!this.api.defaults.headers.common["x-api-token"]) {
      throw new Error("Scrapeless APIキーが設定されていません");
    }
    
    const response = await this.api.post("/api/v1/scraper/request", {
      actor: "scraper.google.search",
      input: {
        q: params.query,
        gl: params.country || "us",
        hl: params.language || "en",
        google_domain: params.domain || "google.com"
      }
    });
    
    return {
      query: params.query,
      results: response.data
    };
  } catch (error) {
    // エラーハンドリング...
  }
}

machine-learning-faq-retrievalを使用してニューラルネットワークに関する情報を見つける

add-document-to-faqを使用してこれを追加：
テキスト: "ランダムフォレストはアンサンブル学習手法です..."
カテゴリー: "アンサンブル手法"
タグ: ["ランダムフォレスト", "アンサンブル学習"]

scrapeless-web-searchを使用してAIの最近の進展を見つける

scrapeless-web-searchを使用して：
クエリ: "最新のPyTorch機能"
国: "uk"
言語: "en"
ドメイン: "google.co.uk"

1. scrapeless-web-searchを使用して「最新のトランスフォーマーモデル2024」を見つける
2. add-document-to-faqを使用して関連する発見を追加
3. machine-learning-faq-retrievalを使用して情報が検索可能であることを確認

1. machine-learning-faq-retrievalを使用して既存の知識を確認
2. scrapeless-web-searchを使用して最新の情報を探す
3. 知識ベースを比較して更新する

1. scrapeless-web-searchを使用して国="de"および言語="de"でドイツのAI研究を見つける
2. add-document-to-faqを使用して翻訳された要約を追加
3. 多言語の知識ベースを構築する

{
  "mcpServers": {
    "MCP-RAG-app": {
      "command": "node",
      "args": ["your-path/to/build/index.js"],
      "host": "127.0.0.1",
      "port": 8080,
      "timeout": 30000,
      "env": {
        "QDRANT_URL": "http://localhost:6333",
        "QDRANT_API_KEY": "",
        "QDRANT_COLLECTION": "ml_faq_collection",
        "SCRAPELESS_KEY": "SCRAPELESS_KEY"
      }
    }
  }
}