---
title: "Knowledge MCP — Paolo Ronco"
language: "it"
url: "https://paoloronco.it/projects/knowledge-mcp"
---

[← projects](/projects)

# Knowledge MCP

Sistema self-hosted per indicizzare e ricercare documenti locali tramite MCP, con embedding locali, ricerca ibrida, Qdrant e una dashboard web per la gestione delle fonti.

AI

Problema

Collegare un assistente AI ai propri documenti richiede un indice aggiornabile e risultati che permettano di risalire ai file di origine.

Soluzione

Il progetto indicizza le cartelle selezionate, combina ricerca semantica e lessicale ed espone tramite MCP i passaggi pertinenti con i riferimenti alle fonti.

Risultato

Una base documentale consultabile da client compatibili con MCP, con gestione web, aggiornamenti incrementali e backup degli indici.

[Repository GitHub ↗](https://github.com/paoloronco/knowledge-mcp)[Architettura ↗](https://github.com/paoloronco/knowledge-mcp/blob/main/docs/architecture.md)[Integrazione con client AI ↗](https://github.com/paoloronco/knowledge-mcp/tree/main/AI)

## Dai documenti al contesto per l’assistente

Knowledge MCP rende ricercabili PDF, documenti Word, presentazioni PowerPoint, Markdown, testo e HTML. L’indicizzazione estrae il testo, lo divide in passaggi e ne salva gli embedding in Qdrant.

La ricerca combina similarità semantica e corrispondenze lessicali, fonde i risultati e restituisce i passaggi con percorso del file e riferimenti a pagina o slide, quando disponibili. Il protocollo MCP permette al client AI di consultarli durante una conversazione.

## Un indice che segue i documenti

Il sistema confronta gli hash dei file per elaborare quelli modificati e rimuovere dall’indice quelli eliminati. La dashboard permette di scegliere cartelle e modelli, pianificare gli aggiornamenti e seguire l’avanzamento dell’indicizzazione.

## Distribuzione e modelli locali

L’immagine Docker include dashboard, servizio di indicizzazione, server MCP e Qdrant. Sono disponibili embedding E5 multilingue e BGE-M3, con esecuzione su CPU o GPU NVIDIA, oltre a funzioni di backup e ripristino.

Indicizzazione, embedding e ricerca avvengono sul server che ospita il progetto; i passaggi recuperati vengono poi forniti al client AI scelto. La documentazione include esempi di integrazione con ChatGPT, Claude e Google ADK.