🚀 MCP-agen-tic-RAG
本项目实现了一个MCP（模型上下文协议）服务器和客户端，用于构建增强型RAG（检索增强生成）应用程序。服务器提供了一系列工具，可提升RAG系统的性能，如实体提取、查询优化和相关性检查等。客户端则展示了如何连接到服务器并使用这些工具。
🚀 快速开始
本项目的使用步骤如下：
- 启动MCP服务器：
python server.py
- 运行MCP客户端：
python mcp-client.py
✨ 主要特性
- 服务器基于
mcp库中的FastMCP类实现，提供了多种实用工具。 - 客户端展示了如何连接到MCP服务器并使用其工具，涵盖连接、列出工具、调用工具及使用工具处理查询等示例。
📦 安装指南
- 克隆仓库：
git clone https://github.com/rukshanet/mcp-agentic-rag.git
- 安装依赖项：
pip install -r requirements.txt
- 配置环境变量：
- 基于
.env.sample文件创建一个.env文件。 - 设置
OPENAI_MODEL_NAME环境变量为你要使用的OpenAI模型名称。
- 基于
💻 使用示例
基础用法
客户端展示了如何连接到MCP服务器并使用其工具，以下是部分示例代码：
# 客户端代码示例，展示如何连接到服务器
# 假设代码在 mcp-client.py 中
from mcp import ClientSession
# 建立与服务器的连接
session = ClientSession()
# 后续可进行列出工具、调用工具等操作
高级用法
# 客户端使用OpenAI和可用MCP工具处理查询的示例
# 假设代码在 mcp-client.py 中
from mcp import ClientSession
import openai
# 建立与服务器的连接
session = ClientSession()
# 列出可用工具
available_tools = session.list_tools()
# 调用特定工具及其参数
result = session.call_tool('extract_entities_tool', {'query': 'your_query_here'})
# 使用OpenAI和可用MCP工具处理查询
# 这里只是示例，具体实现可能需要根据实际情况调整
response = openai.Completion.create(
engine="your_openai_model",
prompt=f"Process this query with MCP tools: {result}"
)
🔧 技术细节
服务器（server.py）
服务器基于mcp库中的FastMCP类实现，提供了以下工具：
- get_time_with_prefix：返回当前日期和时间。
- extract_entities_tool：使用OpenAI从给定的文本查询中提取实体，可用于识别用户查询中的关键实体，提高文档检索的相关性。
- refine_query_tool：使用OpenAI优化给定的文本查询，可提升用户的查询质量，提高文档检索的相关性。
- check_relevance：使用LLM检查文本片段与给定问题的相关性，可用于过滤检索结果中的不相关内容。
客户端（mcp-client.py）
客户端通过ClientSession类从mcp库建立与服务器的连接，提供了以下示例：
- 如何连接到服务器
- 列出可用工具
- 调用特定工具及其参数
- 使用OpenAI和可用MCP工具处理查询
📄 许可证
MIT