检索增强生成系统

RAG与文档和MCP

该存储库包含一个检索增强生成（RAG）系统，该系统使用 文档语言学 对于文档摄取， Qdrant 用于矢量存储，旨在作为 模型上下文协议（MCP） 服务器。

特性

• 文件摄入：使用Docling解析PDF和其他文档格式。
• 向量搜索：将块嵌入并存储在本地Qdrant实例中。
• RAG 服务：提供查询知识库的工具。
• MCP兼容：旨在通过MCP将工具暴露给LLM。

先决条件

• Python 3.10+
• Docker（适用于Qdrant）

安装

1. 克隆存储库

   复制

   git clone <your-repo-url>
   cd rag-docling-mcp
   

2. 创建虚拟环境

   复制

   python -m venv .venv
   source .venv/bin/activate  # On Windows: .venv\Scripts\activate
   

3. 安装依赖项

   复制

   pip install -r requirements.txt
   

4. 设置环境变量 复制示例环境文件并配置密钥：

   复制

   cp .env.example .env
   

   编辑 .env 并添加您的 LITELLM_API_KEY.

运行系统

1.启动Qdrant（矢量数据库）

docker run -p 6333:6333 -p 6334:6334 -v "$(pwd)/qdrant_storage:/qdrant/storage" qdrant/qdrant

2.运行笔记本测试仪

打开 tester.ipynb 在VS Code或Jupyter Lab中以交互方式摄取文档和测试查询。

3.（可选）作为MCP服务器运行

（根据以下内容添加说明 src/server.py 实施）