OpenCode + Qdrant MCP: RAG locale e risposte con fonti verificabili

Sai di aver scritto una cosa, ma non ricordi più in quale file? In questa puntata di GeekAndHack colleghiamo OpenCode a Qdrant per costruire una memoria esterna consultabile: un archivio in cui l’AI può cercare informazioni e indicarti il documento da cui arrivano. Dopo Ollama, facciamo il passo successivo: diamo all’agente strumenti per ritrovare informazioni nei nostri file, anche quando la domanda usa parole diverse da quelle presenti nel testo. Vediamo come: • Collegare OpenCode e Qdrant tramite MCP. • Dividere i documenti in chunk e trasformarli in embedding. • Indicizzare una cartella selezionata. • Cercare un passaggio e risalire alla fonte. • Controllare i risultati e gestire le domande senza risposta nel corpus. Il punto non è fidarsi di una risposta convincente: è poter aprire il documento citato e verificare cosa dice davvero. Affrontiamo anche i limiti: doppioni, bozze obsolete e risultati semanticamente vicini possono peggiorare la ricerca. La memoria esterna non rende infallibile il modello e non include automaticamente tutti i file del PC. 🔐 Qdrant ed embedding possono funzionare in locale. Il percorso dei dati dipende anche dal modello configurato in OpenCode: un database locale, da solo, non significa che tutto resti sul computer. 🚀 Nel prossimo episodio passiamo dalla ricerca all’azione: un compito da completare dall’inizio alla fine, per vedere dove l’agente riesce e dove sbaglia. 🔔 Iscriviti a GeekAndHack e segui la serie. 💬 Tu gli affideresti tutti i tuoi documenti o soltanto una cartella? Quale non indicizzeresti mai? RISORSE OpenCode — MCP: https://opencode.ai/docs/mcp-servers/ Qdrant — guida iniziale: https://qdrant.tech/documentation/quickstart/ Server MCP Qdrant: https://pypi.org/project/mcp-server-qdrant/ COMANDI DA INCOLLARE: 1️⃣ Verifica Docker docker --version (risultato nel video: Docker version 29.5.3) 2️⃣ Scarica Qdrant docker pull qdrant/qdrant 3️⃣ Avvia Qdrant in locale (solo dal tuo PC, porte chiuse all'esterno) docker run -d --name qdrant -p 127.0.0.1:6333:6333 -p 127.0.0.1:6334:6334 -v qdrant_storage:/qdrant/storage qdrant/qdrant ⚠️ Se dice "name already in use": docker rm -f qdrant e ripeti. 4️⃣ Verifica che risponda (Qdrant v1.18.2 nel video) Start-Sleep 5 (Invoke-WebRequest -UseBasicParsing http://127.0.0.1:6333/).Content Dashboard: http://127.0.0.1:6333/dashboard 5️⃣ Installa ponte MCP + embedding pip install mcp-server-qdrant fastembed (nel video: mcp-server-qdrant 0.8.1 su Python 3.12 — sul 3.14 non compila pydantic-core) 6️⃣ Config OpenCode (~/.config/opencode/opencode.json, sezione "mcp") "qdrant": { "type": "local", "command": ["C:\\Users\\TUO_NOME\\AppData\\Local\\Programs\\Python\\Python312\\Scripts\\mcp-server-qdrant.exe"], "enabled": true, "environment": { "QDRANT_URL": ";http://127.0.0.1:6333", "EMBEDDING_MODEL": "sentence-transformers/all-MiniLM-L6-v2" } } Poi: opencode mcp list → devi vedere qdrant connected + qdrant-store / qdrant-find. 7️⃣ Cartella di prova dir C:\GH_EP02_docs\ (5 file .md nel video) 8️⃣ Prompt ingest (in OpenCode) "Leggi tutti i file in C:\GH_EP02_docs, dividili in chunk conservando percorso e sezione, e salvali con qdrant-store. Alla fine dimmi quanti documenti hai processato." 9️⃣ Domanda di prova (in OpenCode) "In quale file ho scritto che l'endpoint di triage era /v1/systemone con tev1:0.8b? Rispondi solo se trovi la prova nell'indice e citami file e passaggio; altrimenti dimmi che non la trovi." #OpenCode #Qdrant #RAG #AgentiAI #GeekAndHack