问答检索增强生成工具

以下是使用MCP托管此代理RAG应用程序的有用信息

步骤1：启动Qdrant容器

启动QDrant容器

docker run -p 6333:6333 -p 6334:6334 -v qdrant_storage:/qdrant/storage:z qdrant/qdrant

步骤2：设置Bright数据帐户。

在以下网址开立免费帐户 亮度数据 并设置用户电子邮件和密码。你需要这个在里面 server2.py.

步骤3：启动MCP服务器。

克隆仓库并在游标IDE中打开它。然后转到设置>光标设置>MCP服务器。点击“添加新的MCP服务器”，并将以下代码（假设您没有运行其他服务器）添加到MCP.json中。

了解“uv”的位置

• 适用于Mac/Linux：使用 which uv 或 where uv
• 对于窗户：它通常存在于 %USERPROFILE%/.local/bin/uv，在哪里 %USERPROFILE% 决心做类似的事情 c:\Users\username.

{
  "mcpServers": {
    "mcpRAG": {
      "command": "path/to/uv",
      "args": [
        "--directory",
        "absolute/path/to/projectdir",
        "run",
        "server2.py"
      ]
    }
  }
}

它应该以绿色显示状态并显示工具： f1_faq_search_tool 和 bright_data_web_search_tool.

现在，您可以在光标（Ctrl+L）中打开聊天并提问。

如何使用MCP测试您的RAG应用程序

先决条件

1. Qdrant –启动容器（上述步骤1）。
2. F1常见问题集 –通过运行笔记本创建一次 rag2.ipynb （运行创建的单元格 f1_faq_collection 并存储嵌入），或运行下面的测试脚本。
3. MCP服务器 –在游标设置中添加服务器（上述步骤3），并确保其显示 绿色 工具状态 faq_retrieval_tool 和 bright_data_web_search_tool.

测试1：光标聊天（推荐）

1. 打开光标聊天： Ctrl+L （或Mac上的Cmd+L）。
2. 问一个F1问题，例如：
   • “谁管理F1赛车？”
   • “光环装置是什么？”
   • “赢得一场F1比赛需要多少分？”
3. AI将使用 faq_retrieval_tool 从RAG中获取上下文并回答。对于非F1主题，它可能会使用 bright_data_web_search_tool （需要Bright Data凭据 .env).

测试2：本地脚本（无游标）

从项目目录运行：

uv run test_rag_mcp.py

这创造了 f1_faq_collection 如果需要，然后运行一个示例FAQ查询并打印检索到的上下文，这样您就可以在不打开Cursor的情况下验证RAG管道。