MCP-RAG: 基于RAG的模型上下文协议 🚀

使用GroundX和OpenAI实现的强大且高效的RAG（检索增强生成）方案，构建于现代上下文处理（MCP）之上。

🌟 特性

• 高级RAG实现：利用GroundX进行高精度文档检索
• 模型上下文协议：与MCP无缝集成以增强上下文处理能力
• 类型安全：使用Pydantic构建，提供强大的类型检查和验证
• 灵活配置：通过环境变量轻松自定义设置
• 文档摄入：支持PDF文档的摄入和处理
• 智能搜索：具备评分功能的语义搜索能力

🛠️ 先决条件

• Python 3.12或更高版本
• OpenAI API密钥
• GroundX API密钥
• MCP CLI工具

📦 安装

1. 克隆仓库： bash git clone <repository-url> cd mcp-rag

2. 创建并激活虚拟环境： bash uv sync source .venv/bin/activate # 在Windows上，请使用.venvScriptsactivate

⚙️ 配置

1. 复制示例环境文件： bash cp .env.example .env

2. 在.env中配置您的环境变量： env GROUNDX_API_KEY="your-groundx-api-key" OPENAI_API_KEY="your-openai-api-key" BUCKET_ID="your-bucket-id"

🚀 使用方法

启动服务器

运行inspect服务器： bash mcp dev server.py

文档摄入

要摄入新文档： python from server import ingest_documents

result = ingest_documents("path/to/your/document.pdf") print(result)

执行搜索

基本搜索查询： python from server import process_search_query

response = process_search_query("在这里输入你的搜索查询") print(f"查询: {response.query}") print(f"得分: {response.score}") print(f"结果: {response.result}")

使用自定义配置： python from server import process_search_query, SearchConfig

config = SearchConfig( completion_model="gpt-4", bucket_id="custom-bucket-id" ) response = process_search_query("你的查询", config)

📚 依赖项

• groundx (≥2.3.0)：核心RAG功能
• openai (≥1.75.0)：OpenAI API集成
• mcp[cli] (≥1.6.0)：现代上下文处理工具
• ipykernel (≥6.29.5)：Jupyter笔记本支持

🔒 安全性

• 永远不要提交包含API密钥的.env文件
• 对所有敏感信息使用环境变量
• 定期轮换您的API密钥
• 监控API使用情况，防止未经授权的访问

🤝 贡献

1. 叉分仓库
2. 创建你的特性分支 (git checkout -b feature/amazing-feature)
3. 提交你的更改 (git commit -m '添加一些惊人的特性')
4. 推送到该分支 (git push origin feature/amazing-feature)
5. 打开一个拉取请求