AI导哈

智能代理语义搜索服务器

集成LangChain和Milvus的MCP服务器，提供智能代理工作流和语义搜索功能，适用于AI代理通信和多数据库支持的应用场景。

  • by haozhuang0000
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 haozhuang0000/mcp-server

使用说明

使用LangChain和Milvus的MCP服务器

一个模型上下文协议（MCP）服务器实现，该服务器集成了LangChain和Milvus向量数据库，以支持智能代理工作流和语义搜索功能。

特点/特性

  • MCP集成全面支持模型上下文协议，实现AI代理无缝通信
  • LangChain 兼容性内置对LangChain工具和LangGraph代理的支持
  • 灵活向量数据库针对不同文档类型和使用场景的可配置模式
  • 多数据库支持向量数据库（Milvus）和表格数据库（MySQL）的抽象接口
  • 动态模式创建支持自定义集合模式，字段可配置
  • 智能搜索从自然语言查询中自动提取过滤器
  • **RESTful API（Representational State Transfer（表述性状态转移）应用程序编程接口）**基于HTTP的MCP服务器，支持流式客户端

先决条件

  • Python 3.12+
  • Conda（推荐用于环境管理）

安装

1. 安装uv

Linux / Mac（注：此处为直接列出两个操作系统名称，无需翻译，若需解释性翻译，则可为“Linux系统 / Mac系统”）

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

2. 安装依赖项

uv sync

快速入门

以下是一个使用LangChain与MCP服务器的基本示例：

cd src
python main.py

from mcp import ClientSession
from mcp.client.streamable_http import streamablehttp_client
from langgraph.prebuilt import create_react_agent
from langchain_mcp_adapters.tools import load_mcp_tools

async with streamablehttp_client("http://MCP_SERVER_ADDRESS:PORT/mcp/") as (read, write, _):
    async with ClientSession(read, write) as session:
        # Initialize the connection
        await session.initialize()
        
        # Load available tools from MCP server
        tools = await load_mcp_tools(session)
        
        # Create a reactive agent with the tools
        agent = create_react_agent("openai:gpt-4.1", tools)
        
        # Execute a query
        response2 = await agent.ainvoke({
            "messages": """please help find the total revenue for company: Singapore Airlines in year: 2024, you should search from vector database, the collection name is annual_report_0821"""
        })
        
        print(response2['messages'][-1].content)

配置

环境变量

创建一个 .env 在项目根目录中的文件：

# MCP Server Configuration
MCP_SERVER_HOST=localhost
MCP_SERVER_PORT=8000

# Vector Database Configuration
EMBEDDING_END_POINT=<FASTAPI_HOSTED_EMBEDDING_MODEL>
EMBEDDING_DIM=4096
DEFAULT_COLLECTION=documents

# Milvus Configuration
MILVUS_URL=localhost
MILVUS_DB_NAME=default
MILVUS_PW=your_milvus_password

# MySQL Configuration
MYSQL_HOST=localhost
MYSQL_PORT=3306
MYSQL_USER=your_mysql_user
MYSQL_PASSWORD=your_mysql_password
MYSQL_DATABASE=your_database_name

# OpenAI Configuration
OPENAI_API_KEY=your_openai_api_key_here

模式类型

该通用系统支持多种模式类型：

  1. 文档模式（或文档架构） (默认): 适用于各种文档类型的通用模式
  2. 年度报告架构/模板专门用于财务报告，支持按公司/年度筛选
  3. 自定义模式针对特定使用案例的用户自定义模式

使用不同的架构/模式

# Document schema (default)
vector_db = DatabaseFactory.create_vector_db(
    "milvus",
    collection_name="my_documents",
    schema_type="document"
)

# Annual reports schema
vector_db = DatabaseFactory.create_vector_db(
    "milvus",
    collection_name="annual_reports",
    schema_type="annual_report"
)

# Custom schema
custom_schema = SchemaFactory.create_custom_schema(
    "custom_collection",
    fields=[...],  # Your custom fields
    embedding_dim=4096
)
vector_db.set_custom_schema(custom_schema)

致谢

相关 MCP