# sunub-obsidian-mcp-server [Health: Active]

**Category:** 🧠 Knowledge & Memory  
**Repository:** https://github.com/sunub/obsidian-mcp-server  
**GitHub Stars:** 2  
**Views:** 1  
**Installs:** 0  
**Upvotes:** 0  
**Directory Page:** https://allmcps.com/mcp/sunub-obsidian-mcp-server

## Description
Search your Obsidian vault to quickly find notes by title or keyword, summarize related content, a…

## Tools
Capabilities this server exposes over MCP:

- **search** — 키워드와 의미 기반 검색을 결합한 하이브리드 후보 탐색
- **read** — 특정 노트 본문과 메타데이터 조회
- **list_all** — Vault 문서 목록 조회
- **stats** — Vault 및 인덱스 상태 조회
- **collect_context** — 주제와 연관된 문서를 선별해 `memory_packet` 생성
- **load_memory** — 저장된 컨텍스트 메모리 스냅샷 로드
- **generate_property** — 문서 내용을 바탕으로 frontmatter 후보 생성
- **write_property** — frontmatter 쓰기
- **create_document_with_properties** — 문서 분석 후 속성 생성/쓰기 2단계 워크플로우
- **organize_attachments** — 문서 내 첨부파일 정리 및 링크 갱신

## Claude Desktop Quick Installation
Install path detected from listing signals. Uses `npx` (confidence: high):

```json
"mcpServers": {
  "sunub-obsidian-mcp-server": {
    "command": "npx",
    "args": ["-y","@sunub/obsidian-mcp-server"]
  }
}
```

## Documentation & README

# Obsidian MCP Server

[![npm version](https://img.shields.io/npm/v/@sunub/obsidian-mcp-server.svg)](https://www.npmjs.com/package/@sunub/obsidian-mcp-server)

`obsidian-mcp-server`는 Obsidian Vault의 Markdown 문서를 AI 에이전트가 조회하고, 관련 근거를 선별하고, 컨텍스트로 압축해 활용할 수 있게 해주는 로컬 우선 MCP 서버입니다.

이 프로젝트에서 RAG는 특정 벡터 DB나 검색 엔진 선택을 뜻하지 않습니다. RAG는 Vault에서 후보 문서를 찾고, Agent 작업에 맞는 근거를 고르고, 컨텍스트 윈도우에 맞게 압축해 제공하는 **Agent Context Pipeline**입니다.

## 핵심 방향

- **로컬 우선 동작**: 외부 서비스나 별도로 운영해야 하는 검색 엔진 없이 사용자 머신에서 Vault 검색과 컨텍스트 준비를 수행합니다.
- **컨텍스트 선별**: 키워드 검색과 시맨틱 검색을 결합해 Agent에게 제공할 근거 후보를 찾습니다.
- **명시적 RAG 통합**: 모든 프롬프트에 백그라운드 검색을 붙이지 않고, Vault 관련 명령이나 도구 참조가 있을 때 문맥 수집 경로를 엽니다.
- **토큰 절약**: 원문 전체를 밀어넣기보다 excerpt, evidence snippet, `memory_packet` 형태로 압축합니다.
- **로컬 모델 기반 검색**: `@huggingface/transformers`, LanceDB, local reranker를 사용해 semantic retrieval을 로컬에서 수행합니다.

Elasticsearch 같은 검색 엔진도 retrieval backend로 사용할 수 있는 대안입니다. 다만 이 프로젝트의 기본 목표는 외부 서비스나 별도 검색 엔진에 의존하지 않는 로컬 단독 작업이므로, embedded retrieval stack을 기본값으로 선택합니다.

## 제공 기능

### MCP Tools

- `vault`
  - `search`: 키워드와 의미 기반 검색을 결합한 하이브리드 후보 탐색
  - `read`: 특정 노트 본문과 메타데이터 조회
  - `list_all`: Vault 문서 목록 조회
  - `stats`: Vault 및 인덱스 상태 조회
  - `collect_context`: 주제와 연관된 문서를 선별해 `memory_packet` 생성
  - `load_memory`: 저장된 컨텍스트 메모리 스냅샷 로드
- `generate_property`: 문서 내용을 바탕으로 frontmatter 후보 생성
- `write_property`: frontmatter 쓰기
- `create_document_with_properties`: 문서 분석 후 속성 생성/쓰기 2단계 워크플로우
- `organize_attachments`: 문서 내 첨부파일 정리 및 링크 갱신

### Retrieval Pipeline

현재 기본 retrieval backend는 다음 순서로 동작합니다.

1. **Keyword Search**: 내부 `Indexer`로 정확한 단어 매칭 후보를 찾습니다.
2. **Vector Search**: LanceDB와 로컬 embedding model로 의미적으로 유사한 청크를 찾습니다.
3. **RRF Fusion**: 키워드 결과와 벡터 결과의 순위를 결합합니다.
4. **Local Reranking**: 상위 후보를 reranker로 다시 평가합니다.
5. **Compression**: 필요한 excerpt, source ref, memory packet만 Agent context로 제공합니다.

로컬 embedding/reranking 모델이 설치되지 않은 경우 서버는 키워드 검색으로 폴백합니다.

## 설치

### 요구사항

- Node.js 22 이상
- 접근 가능한 Obsidian Vault 절대 경로

### MCP 서버 설치 및 모델 준비

```bash
npx @sunub/obsidian-mcp-server setup
```

이 명령은 로컬 semantic search와 reranking에 필요한 모델을 캐시에 설치합니다.

이미 패키지를 설치한 환경에서는 다음처럼 실행할 수도 있습니다.

```bash
obsidian-mcp-server setup
```

모델 설치가 없으면 기본 키워드 검색은 동작하지만, semantic search와 reranking 품질은 사용할 수 없습니다.

## MCP 클라이언트 설정

Claude Desktop, Cursor, Copilot 등 MCP 클라이언트에는 다음처럼 등록합니다.

```json
{
  "mcpServers": {
    "obsidian": {
      "command": "npx",
      "args": ["-y", "@sunub/obsidian-mcp-server@latest"],
      "env": {
        "VAULT_DIR_PATH": "/Users/username/Documents/MyVault"
      }
    }
  }
}
```

`VAULT_DIR_PATH`는 반드시 본인의 Vault 절대 경로로 바꿔야 합니다.

## 환경 변수

| 환경변수 | 기본값 | 용도 | 필수 |
| --- | --- | --- | --- |
| `VAULT_DIR_PATH` | 없음 | Obsidian Vault 절대 경로 | 예 |
| `LOGGING_LEVEL` | `info` | `debug`, `info`, `warn`, `error` | 아니오 |
| `LLM_API_URL` | `http://127.0.0.1:8080` | CLI UI가 사용할 OpenAI 호환 로컬 LLM endpoint | CLI 사용 시 |
| `LLM_CHAT_MODEL` | `llama3` | CLI UI 답변 생성 모델명 | CLI 사용 시 |

MCP 서버의 Vault 검색/읽기 도구에는 `VAULT_DIR_PATH`가 핵심 설정입니다. `LLM_API_URL`과 `LLM_CHAT_MODEL`은 저장소에 포함된 개발용 CLI UI에서 대화형 스트리밍 답변을 받을 때 필요합니다.

## 개발용 CLI AI Agent UI

<img width="2020" height="744" alt="banner" src="https://github.com/user-attachments/assets/16337be2-f728-4761-b8d8-b1ec7425e2e4" />

이 저장소에는 터미널 기반 AI Agent UI가 포함되어 있습니다. 이 CLI는 npm 패키지의 공개 `bin`이 아니라 저장소 개발 환경에서 실행하는 진입점입니다.

이 CLI의 목적은 Obsidian Vault를 단순히 검색하는 수준을 넘어서, **MCP 도구 호출**, **조건부 RAG 기반 문맥 수집**, **OpenAI 호환 LLM endpoint 스트리밍 응답**을 하나의 대화형 작업 흐름으로 묶는 데 있습니다. 즉, 단순한 "채팅 UI"만 구현하는 곳이 아니라, Vault와 도구, 모델 사이를 연결하는 **오케스트레이션 레이어**입니다.

### 왜 이 CLI가 필요한가

프로젝트의 문서와 설계 방향을 기준으로 보면, 이 CLI는 다음 문제를 해결하거나 완화하기 위해 만들어졌습니다.

- **외부 AI 서비스 의존성 감소**: 프로젝트가 로컬 Vault와 로컬 도구를 다루는 만큼, 가능한 한 로컬 실행 환경에서 독립적으로 동작하도록 지향합니다.
- **문맥 손실 감소**: Vault 관련 도구가 트리거된 질문에서는 관련 문서를 수집하고 요약해 LLM에 함께 전달할 수 있습니다.
- **토큰 낭비 감소**: `collect_context` 기반 압축 요약과 대량 입력 오프로딩을 통해 긴 문서나 대형 paste를 그대로 모델에 밀어넣지 않습니다.
- **터미널 입력 안정성 개선**: Raw mode 기반 입력 환경에서 발생하는 paste storm, 다중 Enter 트리거, 버퍼 오염 같은 문제를 제어합니다.
- **장시간 세션 안정성 확보**: 스트리밍 취소, 히스토리 pruning, scrollback 위임 같은 구조를 통해 메모리 사용량과 렌더링 부담을 줄입니다.

### 이 CLI가 하는 일

#### 1. 대화형 AI 인터페이스

사용자는 터미널에서 자연어로 질문을 입력하고, CLI는 LLM 서버와 통신해 답변을 스트리밍합니다.

- 응답을 실시간으로 출력합니다.
- 모델의 thinking 영역이 있으면 중간 추론 상태도 별도로 렌더링합니다.
- 완료된 대화는 히스토리에 반영하고, 진행 중 응답은 별도 `pending` 상태로 관리합니다.

#### 2. MCP 도구 실행 인터페이스

CLI는 MCP 서버에 연결된 도구를 터미널에서 직접 사용할 수 있게 합니다.

- `/search`, `/read`, `/stats`, `/context`, `/tools` 같은 슬래시 커맨드를 제공합니다.
- 사용자의 명시적 명령뿐 아니라, LLM이 tool call을 생성했을 때도 이를 실행할 수 있는 루프를 제공합니다.
- 여러 MCP 서버에 연결하고, 각 서버의 도구 목록과 연결 상태를 함께 관리합니다.

#### 3. 조건부 RAG 기반 문맥 주입

이 CLI는 모든 일반 질문에 대해 자동으로 RAG를 수행하지는 않습니다. 현재 구현 기준으로는 입력 텍스트에서 `vault` 도구나 관련 서버/도구 이름이 트리거된 경우에만 Vault 문맥 수집을 시도하고, 이를 `<context>` 블록으로 정리해 프롬프트에 주입합니다.

- `collect_context` 액션을 활용해 관련 문서를 배치 단위로 수집합니다.
- `memory_packet`과 고연관 문서 excerpt를 조합해 LLM 입력을 구성합니다.
- 따라서 이 CLI는 항상 RAG가 붙는 채팅창이라기보다, **필요 시 Vault-aware 동작을 수행하는 agent UI**에 가깝습니다.

#### 4. 대용량 입력 최적화

긴 코드, 로그, 문서가 붙여넣기되면 이를 그대로 모델에 보내는 대신 안전하게 축약/오프로딩합니다.

- 큰 paste는 임시 파일로 분리해 저장합니다.
- LLM에는 전체 본문 대신 파일 위치와 미리보기, 처리 지시문을 전달합니다.
- 이 방식은 토큰 사용량을 줄이고, 필요할 때만 도구를 통해 원문을 읽게 만듭니다.

#### 5. 스트리밍 중심 사용자 경험

CLI UI는 응답이 끝난 뒤 한 번에 보여주는 구조가 아니라, 생성 중인 상태를 즉시 보여주는 흐름을 중심으로 설계되어 있습니다.

- 입력 직후 버퍼를 비워 다음 작업을 준비합니다.
- 첫 토큰 전에는 thinking/processing 상태를 보여줍니다.
- 완료된 기록은 정적 영역으로 넘기고, 현재 응답만 동적으로 다시 렌더링합니다.

### 주요 실행 흐름

1. 사용자가 메시지 또는 슬래시 커맨드를 입력합니다.
2. 질문 내용에서 Vault 관련 도구가 트리거되면 관련 문맥 수집을 시도합니다.
3. LLM 스트리밍 요청을 시작합니다.
4. 필요 시 MCP 도구를 호출합니다.
5. 응답을 실시간으로 출력합니다.
6. 완료된 결과를 히스토리에 반영하고 다음 입력을 기다립니다.

### 아키텍처 관점에서의 역할

| 영역 | 역할 | 대표 파일 |
| --- | --- | --- |
| 부팅 및 환경 확인 | LLM endpoint 확인, 초기 로더/에러 화면 제어 | `AppContainer.tsx`, `ui/LLMHealthChecker.tsx`, `ui/LLMStatusLoader.tsx` |
| MCP 연결 관리 | 설정 파일 기반 MCP 서버 연결, 도구 목록 수집, 멀티 서버 상태 관리 | `hooks/useMcpManager.ts`, `services/McpClientService.ts`, `config/mcpServersConfig.ts` |
| 입력 시스템 | Raw key 처리, paste 버퍼링, 멀티라인 편집, 히스토리 탐색 | `context/KeypressContext.tsx`, `ui/InputPrompt.tsx`, `key/` |
| 명령 디스패치 | 슬래시 커맨드를 MCP 도구 호출로 변환 | `hooks/useDispatcher.ts` |
| RAG 컨텍스트 수집 | Vault 관련 도구가 트리거된 질문에서만 문맥을 수집해 프롬프트에 주입 | `hooks/useRagContext.ts` |
| LLM 스트리밍 루프 | 스트리밍 응답, tool call 실행, thinking 파싱 | `hooks/useLlmStream/useLlmStream.ts` |
| 렌더링 및 세션 관리 | 히스토리 출력, pending 응답 표시, transient UI 메시지 관리 | `ui/MainContent.tsx`, `hooks/useHistoryManager.ts` |
| 대량 입력 최적화 | 큰 붙여넣기 입력 오프로딩 및 임시 파일 정리 | `services/InputOffloadService.ts` |

### 설계 원칙

이 CLI는 다음 원칙을 중심으로 설계됩니다.

- **입력과 렌더링의 분리**
- **스트리밍 우선 UX**
- **설정 파일 기반 MCP 연결**
- **도구 호출과 대화 흐름의 통합**
- **토큰/메모리 효율 최적화**
- **중단 가능성과 복구 가능성 보장**

### 제공하는 주요 명령

현재 코드 기준으로 기본 제공되는 대표 슬래시 커맨드는 다음과 같습니다.

- `/search <keyword>`: Vault 하이브리드 검색
- `/read "filename"`: 특정 문서 열람
- `/semantic <query>`: 시맨틱 검색
- `/stats`: Vault 상태 확인
- `/index`: 벡터 인덱스 갱신
- `/context <topic>`: 토픽 기반 문맥 수집
- `/organize <keyword>`: 첨부 정리 도구 실행
- `/genprop <filename>`: frontmatter 생성 도구 호출
- `/tools`: 연결된 MCP 도구 목록 확인
- `/help`: 도움말 표시
- `/clear`: 화면/대화 상태 초기화
- `/quit`, `/exit`: CLI 종료

### 실행 방법

현재 CLI 진입점은 **저장소 개발 환경용 실행 방식**입니다. 패키지의 `bin` 엔트리는 MCP 서버용이며, CLI UI는 루트에서 별도 스크립트로 실행됩니다.

저장소 루트에서 의존성을 설치하고 서버를 먼저 빌드합니다.

```bash
npm install
npm run build
```

이 저장소 루트에는 기본 `mcp-servers.json`이 포함되어 있으며, `node ./build/index.js`로 서버를 실행합니다.

그 다음 OpenAI 호환 로컬 LLM 서버를 실행합니다. 예를 들어 `llama.cpp`의 `llama-server`를 `8080` 포트에 띄울 수 있습니다.

```bash
llama-server -m /path/to/model.gguf --port 8080
```

CLI는 다음처럼 환경 변수를 주입하여 실행합니다:

```bash
VAULT_DIR_PATH="/Users/username/Documents/MyVault" \
LLM_API_URL="http://127.0.0.1:8080" \
LLM_CHAT_MODEL="llama3" \
npm run cli
```

#### MCP 설정 파일

CLI는 실행 시 현재 작업 디렉터리에서 다음 파일을 순서대로 찾습니다.

1. `mcp-servers.json`
2. `.mcp-servers.json`

설정 파일이 없으면 환경 변수 기반 fallback을 시도하지만, 가장 안전한 실행 방식은 **저장소 루트에서**, `build/index.js`가 준비된 상태로 실행하는 것입니다.

#### 실행 시 주의할 점

- 이 CLI 실행 방법은 **개발용 CLI UI 진입점** 기준입니다. 배포된 `npx @sunub/obsidian-mcp-server`는 MCP 서버를 띄울 뿐 CLI UI를 실행하지 않습니다.
- CLI가 MCP 서버에 연결되려면 현재 디렉터리의 `mcp-servers.json` 또는 `.mcp-servers.json`이 유효해야 합니다.
- `VAULT_DIR_PATH`가 없거나 잘못되면 Vault 관련 도구가 동작하지 않습니다.
- semantic search와 reranking을 쓰려면 서버 `setup`으로 로컬 모델을 설치해야 합니다.

## 주의 사항

- `VAULT_DIR_PATH`가 없거나 잘못되면 Vault 관련 도구가 동작하지 않습니다.
- semantic search와 reranking을 쓰려면 `setup`으로 로컬 모델을 설치해야 합니다.
- CLI UI를 쓰려면 별도의 OpenAI 호환 로컬 LLM 서버가 실행 중이어야 합니다.
- CLI의 명시적 RAG는 `vault` 관련 명령, 서버명, 도구명이 입력에서 트리거될 때만 사전 문맥 수집을 시도합니다.
- `collect_context`는 긴 주제 정리와 메모리 패킷 생성에 적합하고, 단건 조회는 `search`나 `read`가 더 단순합니다.
- 쓰기 계열 도구는 Vault 바깥 경로에 쓰지 않도록 차단합니다.

## 참고 문서

- [Tool Reference](docs/tool-reference.md)
- [Tool Usage Guide](docs/tools-usage-guide.md)
- [collect_context Guide](docs/collect-context-guide.md)

## 라이선스

Apache-2.0