Copilot Elasticsearch MCP

MCP server yang menghubungkan GitHub Copilot Chat di VS Code ke knowledge base internal yang disimpan di Elasticsearch (text + vector search).

Struktur

• index.js — MCP server (stdio) dengan tool search_vector_db & list_indices.
• docker-compose.yml — Elasticsearch 8.x single-node untuk development.
• scripts/seed.js — Mengisi index rag_documents dengan dokumen contoh.
• scripts/search-test.js — Tes pencarian dari CLI (tanpa MCP).
• .vscode/mcp.json — Konfigurasi MCP server untuk VS Code.

Fase 1 — Jalankan Elasticsearch

docker compose up -d
# tunggu ~1 menit, lalu verifikasi:
curl http://localhost:9200

Fase 2 — Install Dependencies & Seed Data

npm install
npm run seed          # mengisi index "rag_documents" dengan dokumen contoh
npm run search "microservices"   # opsional: tes pencarian

Fase 3 — Aktifkan MCP di VS Code

File .vscode/mcp.json sudah dikonfigurasi otomatis. Setelah membuka folder d:\repo\mcp di VS Code:

1. Buka Command Palette → MCP: List Servers (atau panel Copilot MCP).
2. Pilih elasticsearch-rag → Start Server.
3. Buka Copilot Chat dalam mode Agent, pastikan tool search_vector_db muncul di daftar tools.

Konfigurasi User-level (opsional)

Jika Anda ingin server ini aktif di semua workspace, tambahkan ke settings.json (User):

"mcp": {
  "servers": {
    "elasticsearch-rag": {
      "type": "stdio",
      "command": "node",
      "args": ["d:\\repo\\mcp\\index.js"],
      "env": { "ES_NODE": "http://localhost:9200", "ES_INDEX": "rag_documents" }
    }
  }
}

Catatan: gunakan path absolut dengan double backslash di Windows.

Cara Pengujian

Buka Copilot Chat (mode Agent), lalu coba prompt:

Tolong cari di search_vector_db bagaimana standar arsitektur microservices kita.

Copilot akan memanggil MCP, mengambil dokumen dari Elasticsearch, dan menjawab berdasarkan data internal Anda.

Mengganti BM25 → Vector / kNN

Untuk pencarian semantik, ubah body query di index.js menjadi:

query: {
  knn: {
    field: "embedding",
    query_vector: <embedding dari query>,
    k: 5,
    num_candidates: 50
  }
}

dan saat indexing, simpan field embedding (dense_vector dims sesuai model embedding yang Anda pakai, mis. 768/1024/1536). Embedding bisa dihasilkan oleh model lokal (Ollama, sentence-transformers) atau API (OpenAI, Azure OpenAI, dsb.).

Variabel Lingkungan

| Variable | Default | Keterangan | |---|---|---| | ES_NODE | http://localhost:9200 | URL Elasticsearch | | ES_INDEX | rag_documents | Nama index | | ES_API_KEY | — | API key (jika security on) | | ES_USERNAME / ES_PASSWORD | — | Basic auth alternatif | | SEARCH_SIZE | 5 | Jumlah hasil default |