Weaviate Claude Skills MCP — Anwendungsfälle, Installieren & Live-Demo

Warum nutzen

Hauptfunktionen

Fünf Fähigkeiten, die den gesamten lokalen Weaviate-Lebenszyklus abdecken
Docker-Compose-Vorlage für eine lokale Instanz
Stapelaufnahme und dateibasierte Importe
RAG-Abfragen mit Filtern, Hybridsuche und Analysen
Python-venv-Setup mit „requirements.txt“.

Live-Demo

In der Praxis

weaviate-claude-skills.replay ▶ bereit

0/0

Installieren

Wählen Sie Ihren Client

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "weaviate-claude-skills": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/saskinosie/weaviate-claude-skills",
        "~/.claude/skills/weaviate-claude-skills"
      ],
      "_inferred": true
    }
  }
}

Öffne Claude Desktop → Settings → Developer → Edit Config. Nach dem Speichern neu starten.

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "weaviate-claude-skills": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/saskinosie/weaviate-claude-skills",
        "~/.claude/skills/weaviate-claude-skills"
      ],
      "_inferred": true
    }
  }
}

Cursor nutzt das gleiche mcpServers-Schema wie Claude Desktop. Projektkonfiguration schlägt die globale.

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "weaviate-claude-skills": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/saskinosie/weaviate-claude-skills",
        "~/.claude/skills/weaviate-claude-skills"
      ],
      "_inferred": true
    }
  }
}

Klicken Sie auf das MCP-Servers-Symbol in der Cline-Seitenleiste, dann "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "weaviate-claude-skills": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/saskinosie/weaviate-claude-skills",
        "~/.claude/skills/weaviate-claude-skills"
      ],
      "_inferred": true
    }
  }
}

Gleiche Struktur wie Claude Desktop. Windsurf neu starten zum Übernehmen.

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "weaviate-claude-skills",
      "command": "git",
      "args": [
        "clone",
        "https://github.com/saskinosie/weaviate-claude-skills",
        "~/.claude/skills/weaviate-claude-skills"
      ]
    }
  ]
}

Continue nutzt ein Array von Serverobjekten statt einer Map.

~/.config/zed/settings.json

{
  "context_servers": {
    "weaviate-claude-skills": {
      "command": {
        "path": "git",
        "args": [
          "clone",
          "https://github.com/saskinosie/weaviate-claude-skills",
          "~/.claude/skills/weaviate-claude-skills"
        ]
      }
    }
  }
}

In context_servers hinzufügen. Zed lädt beim Speichern neu.

claude mcp add weaviate-claude-skills -- git clone https://github.com/saskinosie/weaviate-claude-skills ~/.claude/skills/weaviate-claude-skills

Einzeiler. Prüfen mit claude mcp list. Entfernen mit claude mcp remove.

Anwendungsfälle

Praxisnahe Nutzung: Weaviate Claude Skills

Erstellen Sie in weniger als einer Stunde ein lokales RAG über Ihren Dokumenten

👤 Entwickler starten einen lokalen RAG-Prototyp ⏱ ~60 min intermediate

Wann einsetzen: Sie möchten mit Ihren eigenen Dokumenten chatten, ohne sie an einen Cloud-Anbieter zu senden.

Voraussetzungen

Docker + Python 3.10+ — Installieren Sie Docker Desktop; pyenv bei Bedarf
Fähigkeiten installiert — Git-Klon in ~/.claude/skills/

Ablauf

Docker-Start von Weaviate

Verwenden Sie weaviate-local-setup, um Docker-Compose für ein lokales Weaviate zu starten.✓ Kopiert

→ Docker PS zeigt an, dass Weaviate auf 8080 gesund ist
Erstellen Sie eine Sammlung

Erstellen Sie eine Sammlung „Docs“ mit den Feldern: title(text), body(text), source_url(text).✓ Kopiert

→ Schema angewendet; weaviate-collection-manager gibt die Konfiguration zurück
Aufnehmen

Nehmen Sie alle .md-Dateien unter ./docs als Objekte in „Docs“ auf.✓ Kopiert

→ Chargenfortschritt gemeldet; Objekte per Abfrage sichtbar
Fragen

Verwenden Sie weaviate-query-agent: „Wie rotieren wir API-Schlüssel?“✓ Kopiert

→ Die Antwort zitiert source_url aus der Docs-Sammlung

Ergebnis: Ein ausführbares lokales RAG, auf dem Sie iterieren können.

Fallstricke

Riesige PDF-Dateien im Ganzen aufnehmen, ohne sie aufzuteilen — Chunk bei ~500 Token; Lassen Sie die Aufnahmevorlage des Skills damit umgehen

Kombinieren mit: filesystem

Iterieren Sie ein Sammlungsschema ohne manuelle API-Aufrufe

👤 Teams verfeinern ihr Vektorschema ⏱ ~20 min intermediate

Wann einsetzen: Frühes RAG – Ihr Schema ändert sich wöchentlich und Sie möchten keine Curl-Befehle.

Ablauf

Überprüfen Sie das aktuelle Schema

Zeigen Sie das Schema für „Dokumente“ an – Felder, Vektorisierer, Indexkonfiguration.✓ Kopiert

→ Vollständige Konfiguration zurückgegeben
Schlagen Sie eine Änderung vor

Fügen Sie eine Enum-Eigenschaft „Sprache“ hinzu (en/zh/ja); Behalte den Rest.✓ Kopiert

→ Migrationsplan + Backup-Vorbehalt
Anwenden

Anwenden; Die vorhandenen 500 Objekte neu indizieren.✓ Kopiert

→ Job schreitet voran; zählt versöhnen

Ergebnis: Das Schema entwickelte sich sicher und im Bewusstsein der Kosten für die Neuindizierung.

Fallstricke

Vorausgesetzt, der Umzug ist kostenlos — Einige Änderungen erfordern eine erneute Einbettung; Die Fertigkeit lässt nach, wenn es günstig oder teuer ist

Hybridsuche + Filter für zuverlässige Antworten

👤 Jeder, der RAG an echte Benutzer versendet ⏱ ~15 min intermediate

Wann einsetzen: Bei der rein semantischen Suche fehlen genau passende Begriffe. Hybrid (BM25 + Vektor) behebt das Problem.

Ablauf

Führen Sie Hybridabfragen aus

Abfrage „SAML SSO-Fehlercode 42“, Alpha=0,5 (Balance-Semantik + Schlüsselwort).✓ Kopiert

→ Zu den Top-Hits gehört das wörtliche „42“-Match, aber auch konzeptionell verwandte
Ebenenfilter

Filtern Sie language='en' und source_url enthält '/docs/auth/'.✓ Kopiert

→ Treffer wurden eingeengt; Antwort bleibt zitiert

Ergebnis: Höhere Präzision bei exakten Begriffsabfragen ohne Einbußen bei der Erinnerung.

Kombinieren mit: local-rag

Kombinationen

Mit anderen MCPs für 10-fache Wirkung

weaviate-claude-skills + filesystem

Nehmen Sie lokale Dateien über das Dateisystem-MCP auf und fragen Sie sie dann über den Skill ab

Listen Sie alle Markdowns unter ./docs auf, übernehmen Sie sie in Weaviate „Docs“ und führen Sie dann eine Hybridsuche nach der Frage durch.✓ Kopiert

weaviate-claude-skills + local-rag

Vergleichen Sie Ansätze – nur Einbettungen mit dem strukturierten Index von Weaviate

Vergleichen Sie für dieses Korpus Local-Rag mit Weaviate-Hybrid anhand von 10 Bewertungsfragen.✓ Kopiert

weaviate-claude-skills + qdrant

Bewerten Sie die Auswahl der Vektor-DB für Ihre Arbeitslast

Führen Sie den gleichen Bewertungssatz für Weaviate und Qdrant aus. Meldelatenz + MRR.✓ Kopiert

Werkzeuge

Was dieses MCP bereitstellt

Werkzeug	Eingaben	Wann aufrufen
weaviate-local-setup (SKILL)	(none)	Nur beim ersten Mal – ruft das lokale Weaviate auf
weaviate-connection (SKILL)	URL + API key	Überprüfen Sie die Erreichbarkeit und Authentifizierung
weaviate-collection-manager (SKILL)	schema ops	Erstellen, prüfen oder entwickeln Sie eine Sammlung
weaviate-data-ingestion (SKILL)	object(s) or file paths	Einzeleinfügung, Stapeleinfügung oder Dateiimport
weaviate-query-agent (SKILL)	query + filters + alpha	Semantische/hybride Suche und RAG-Antworten

Kosten & Limits

Was der Betrieb kostet

API-Kontingent: Keine – Weaviate wird lokal ausgeführt
Tokens pro Aufruf: Abfrage + abgerufene Blockgröße
Kosten in €: Kostenlos für Einheimische. Weaviate Cloud hat seine eigenen Preise, wenn Sie später migrieren.
Tipp: Absichtlich Chunk (~500 Token); Übergroße Blöcke verschwenden sowohl Speicherplatz als auch Kontext.

Sicherheit

Rechte, Secrets, Reichweite

Credential-Speicherung: Weaviate-API-Schlüssel in .env, nicht in Skill-Dateien. Der lokale Entwickler kann die Authentifizierung überspringen, den Port jedoch nicht freigeben.

Datenabfluss: Nichts verlässt Ihren Computer für die lokale Einrichtung. Cloud Weaviate sendet an Ihren konfigurierten Endpunkt.

Lokales Weaviate ist in vielen Bildern standardmäßig an 0.0.0.0 gebunden – beschränken Sie sich auf 127.0.0.1, wenn andere Dienste in Ihrem LAN ausgeführt werden.
Einbetten von Modellen: Wenn Sie einen Vektorisierer eines Drittanbieters verwenden, gehen Ihre Chunks an diesen Anbieter. Halten Sie es für sensible Daten lokal (z. B. text2vec-transformers).

Fehlerbehebung

Häufige Fehler und Lösungen

Verbindung abgelehnt 8080

Weaviate-Container läuft nicht. Docker Compose Up -d im Weaviate-Local-Setup.

Prüfen: curl localhost:8080/v1/.well-known/ready

Schemaänderung schlägt fehl

Einige Eigenschaftsänderungen erfordern eine Neuerstellung der Sammlung. Exportieren, löschen, neu erstellen, erneut aufnehmen.

Prüfen: weaviate-collection-manager diff output

Langsame Abfragen

Überprüfen Sie die HNSW-Indexparameter und stellen Sie sicher, dass der Vektorisierer ordnungsgemäß konfiguriert ist. Vermeiden Sie den Volltext-Fallback auf nicht indizierte Felder.

Prüfen: Query explain in the skill's debug mode

Alternativen

Weaviate Claude Skills vs. andere

Alternative	Wann stattdessen	Kompromiss
qdrant	Sie bevorzugen die API- und Rust-Leistung von Qdrant	Anderes SDK; ähnliche Fähigkeiten
local-rag	Sie möchten ein leichtes lokales RAG ohne Vektor-DB	Weniger flexibel; kein Schema
neo4j	Ihre Daten sind relational/grafisch, nicht vektoriell	Anderes Modell

Mehr

Ressourcen

📖 Offizielle README auf GitHub lesen

🐙 Offene Issues ansehen

🔍 Alle 400+ MCP-Server und Skills durchsuchen