使用说明

mcp-coderag-go

CodeRAG MCP Server — RAG-based code search untuk project Go via Model Context Protocol.

Diintegrasikan dengan gemini-cli, qwen-code, claude-code, atau AI client lain yang support MCP. Dirancang untuk berjalan di Termux (Android) tanpa Docker.

Fitur

Hybrid Search — Semantic (pgvector) + Full-Text (tsvector) via algoritma RRF
5 MCP Tools — search_code, get_chunk, list_packages, search_by_file, reindex
Transport — stdio (default) atau HTTP
Lightweight — Go binary tunggal, jalan di Termux tanpa Docker

Kebutuhan

Go 1.21+
PostgreSQL 14+ dengan ekstensi pgvector
Google API Key (Gemini embedding)

Platform Support

Platform	Status	Cara Setup
Termux (Android)	✅ Native	Gunakan `make setup`
Linux / macOS	✅ Manual	Lihat Quick Start Linux
Windows	⚠️ Via WSL	Belum ditest

Quick Start — Termux (Android)

Prasyarat: pkg install golang git make clang

# 1. Clone
git clone https://github.com/Faishalbhitex/mcp-coderag-go
cd mcp-coderag-go

# 2. Cek dependency
make setup-check

# 3. Setup PostgreSQL + pgvector (skip jika sudah ada)
make setup-postgres

# 4. Buat database + jalankan migration
make setup-db

# 5. Setup environment variables ke ~/.bashrc
make setup-env
source ~/.bashrc

# 6. Install binary global
make install

# 7. Index project Go kamu
indexer --path ./internal/...      # per subdirektori (lebih stabil)
indexer --path ./cmd/...
# atau sekaligus jika dependency lengkap:
# indexer --path ./...

# 8. Lihat konfigurasi AI client
make configure-mcp

Quick Start — Linux / macOS

Prasyarat: PostgreSQL + pgvector sudah terinstall dan running.

git clone https://github.com/Faishalbhitex/mcp-coderag-go
cd mcp-coderag-go
cp .env.example .env
# Edit .env: isi GOOGLE_API_KEY dan DB_URL

# Buat database
createdb coderag
psql coderag -c "CREATE EXTENSION vector;"
make db-migrate

# Install dan index
make install
indexer --path /path/to/your/project/...

# Lihat konfigurasi AI client
make configure-mcp

Konfigurasi AI Client

gemini-cli

Edit ~/.gemini/settings.json, tambahkan di dalam "mcpServers":

"gocoderag": {
  "command": "mcp-coderag",
  "args": ["serve"],
  "cwd": "/path/to/project-yang-diindex",
  "env": {
    "GOOGLE_API_KEY": "$GOOGLE_API_KEY",
    "DB_URL": "$DB_URL"
  },
  "trust": true
}

qwen-code

Edit ~/.qwen/settings.json, tambahkan di dalam "mcpServers":

"gocoderag": {
  "command": "mcp-coderag",
  "args": ["serve"],
  "cwd": "/path/to/project-yang-diindex",
  "env": {
    "GOOGLE_API_KEY": "$GOOGLE_API_KEY",
    "DB_URL": "$DB_URL"
  }
}

claude-code

claude mcp add gocoderag \
  --scope user \
  -e GOOGLE_API_KEY=$GOOGLE_API_KEY \
  -e DB_URL=$DB_URL \
  -- mcp-coderag serve

Catatan cwd: cwd menentukan working directory MCP server, yang digunakan tool reindex untuk resolve path relatif. Data yang bisa dicari ditentukan oleh apa yang sudah diindex via indexer — bukan oleh cwd.

MCP Tools

Tool	Kapan Digunakan
`list_packages`	Selalu mulai dari sini — lihat apa saja yang sudah terindex
`search_code`	Cari berdasarkan konsep, nama fungsi, atau behavior
`get_chunk`	Baca satu fungsi/struct lengkap via ID (`package.Name`)
`search_by_file`	Baca semua chunk dari satu file secara berurutan
`reindex`	Re-index setelah menulis atau mengedit file Go

Workflow yang Disarankan untuk AI Agent

1. list_packages          → orientasi: package apa yang terindex?
2. search_code("query")   → temukan kode relevan
3. get_chunk("pkg.Name")  → baca detail lengkap satu fungsi/struct
4. search_by_file("path") → baca konteks satu file penuh
5. reindex (jika perlu)   → setelah edit file, sebelum lanjut coding

Tips Indexing

# Jika ./... gagal (dependency eksternal tidak lengkap),
# index per subdirektori:
indexer --path ./internal/...
indexer --path ./cmd/...
indexer --path ./config

# Exclude file noise (monolitik, generated):
indexer --path ./... --exclude main.go,vendor

# Cek apa yang sudah terindex:
psql $DB_URL -c "SELECT package, COUNT(*) FROM code_chunks GROUP BY package ORDER BY 2 DESC;"

Makefile Targets

make setup-check    # cek dependency
make setup-postgres # install PostgreSQL + pgvector (Termux)
make setup-db       # init database + migration
make setup-env      # setup ~/.bashrc
make setup          # semua setup sekaligus
make install        # build + install binary global
make index          # index project ini sendiri
make configure-mcp  # tampilkan konfigurasi AI client
make build          # build ke ./bin/ (tanpa install)
make dev            # jalankan MCP server stdio (development)
make dev-http       # jalankan MCP server HTTP di port 8082
make db-migrate     # jalankan migration SQL
make clean          # hapus ./bin/
make uninstall      # hapus binary dari GOPATH/bin

Environment Variables

Variable	Wajib	Default	Keterangan
`GOOGLE_API_KEY`	✅	—	Gemini API key
`DB_URL`	✅	—	PostgreSQL connection string
`GEMINI_EMBED_MODEL`	❌	`gemini-embedding-001`	Model embedding
`INDEX_PATH`	❌	`./...`	Path default untuk `make index`
`INDEX_EXCLUDE`	❌	—	Comma-separated excludes
`RAG_THRESHOLD`	❌	`0.01`	Minimum RRF score

Arsitektur

cmd/
  mcp-coderag/    ← MCP server binary (serve --transport stdio|http)
  indexer/        ← Indexer binary (--path, --exclude)
internal/
  chunker/        ← AST extractor: Go source → Chunks
  store/          ← PostgreSQL + pgvector upsert
  rag/            ← Hybrid RRF search (semantic + full-text)
migrations/
  000_create_table.sql   ← schema awal (vector(1536))
  001_update_schema.sql  ← update kolom + HNSW index
  002_add_hybrid_search.sql ← content_tsv + GIN index
scripts/termux/   ← setup scripts khusus Termux
example/rest_api/ ← demo project untuk testing indexer

Database menggunakan MRL (Matryoshka Representation Learning) dengan dimensi 1536 dari gemini-embedding-001 — sweet spot antara kualitas embedding dan kompatibilitas pgvector HNSW index (limit < 2000 dimensi).