检索增强生成系统

使用模型上下文协议（MCP）重建代理+RAG系统

使用解耦架构构建的检索增强生成（RAG）系统。它利用 LangChain，由以下电源供电 双子座嵌入 和那个 Gemini 2.5闪光灯型号，并使用 模型上下文协议（MCP） 通过 FastMCP 框架。

该应用程序分为三个主要组件：服务器（后端RAG）、用于测试的异步命令行客户端和用于交互的Streamlit web客户端。

https://github.com/user-attachments/assets/895b83b3-ef0b-4cce-8f7f-ae9140f5eb3b

主要特点

• 双子座动力RAG： 用途 GoogleGenerativeAIEmbeddings (text-embedding-004)用于矢量创建和 gemini-2.5-flash 用于问答。
• 解耦架构（MCP）： RAG逻辑作为单独的服务运行，使用 FastMCP 随着 streamable-http 传输，促进模块化和可扩展性。
• 矢量存储： 色度 用于存储和检索文档块。
• 交互式前端： 现代的、基于形式的 溪流 该应用程序提供了一个流畅的聊天界面。

先决条件

在运行应用程序之前，请确保已安装以下内容：

1. Python 3.9+

2. pip 和 venv

3. 安装依赖项：

   复制

   pip install langchain-google-genai langchain-community langchain-classic fastmcp streamlit python-dotenv pypdf
   

4. 设置API密钥： 创建一个名为的文件 .env 在根目录中，并添加您的Gemini API密钥：

   复制

   GEMINI_API_KEY="YOUR_GEMINI_API_KEY_HERE"
   

5. 添加示例数据： 将要查询的PDF文件放入项目根目录并命名 sample.pdf.

🏃 运行应用程序

这是一个 客户端服务器应用程序 并要求 两个步骤 同时奔跑。

步骤1：启动MCP RAG服务器

打开你的 第一端子 并运行服务器文件。此过程加载PDF，创建向量数据库，初始化RAG链，并在上启动MCP服务 http://127.0.0.1:8000.

python rag_mcp_server.py

步骤2A：运行Streamlit Web客户端（推荐）

打开A 第二终端 并运行Streamlit前端。此客户端将使用 fastmcp.Client 与正在运行的服务器通信。

streamlit run rag_mcp_client.py

浏览器窗口将自动打开聊天界面。

步骤2B：运行终端客户端（用于测试）

或者，您可以直接使用终端客户端测试MCP连接：

python terminal_mcp_client.py

后端RAG使用以下顺序：

• 嵌入： GoogleGenerativeAIEmbeddings(model="text-embedding-004")
• 矢量数据库： Chroma
• LLM ChatGoogleGenerativeAI(model="gemini-2.5-flash")
• 链条： RetrievalQA.from_chain_type 将这些组件组合成 retrieve_answer 功能。