混合RAG系统

🔍 集成MCP的混合RAG系统

A. 生产风格检索增强生成（RAG） 系统结合 语义向量搜索 带着一个 模型上下文协议（MCP）风格的外部存储服务 以提供准确、低幻觉反应。

该项目演示了现代LLM应用程序如何集成 多个存储源 （向量+符号）使用当前的LangChain可运行API。

🚀 主要特点

• ✅ 混合RAG架构
  • 基于FAISS的语义检索
  • 基于MCP的符号/长期记忆
• ✅ 现代LangChain（可运行的API）
  • 用途 .invoke() （没有弃用的方法）
• ✅ 基于FastAPI的MCP服务器
  • 充当外部确定性知识库
• ✅ 拥抱面部FLAN-T5发生器
  • 指令调优、CPU友好型
• ✅ 简洁、模块化、可面试的设计

🧠 系统架构

文本 用户查询 | ├── MCP服务器（符号存储器，确定性） | ├── 矢量检索器（失败+嵌入） | └── 上下文合并 | v FLAN-T5发生器

这种混合方法减少了幻觉，改善了事实基础。

📂 项目结构 . ├── RAG_MCP.ipynb#完整的RAG管道（矢量+MCP+LLM） ├── mcp_server.py#FastAPI mcp内存服务器 ├── README.md#项目文档 ⚙️ 技术栈

Python 3.10+ LangChain（可运行的API） FAISS 拥抱面部变压器 FLAN-T5（谷歌/FLAN-T5-base） 快速API 皮丹提克

🏃‍♂️ 如何运行项目

1.️⃣ 安装依赖 pip安装langchain langchain社区变压器faiss cpu fastapi uvicorn pydantic

2.️⃣ 启动MCP服务器 python mcpserver.py

服务器运行时间： http://127.0.0.1:8000

Swagger用户界面： http://127.0.0.1:8000/docs

3.️⃣ 运行RAG管道 打开并执行： RAG_MCP.ipynb 笔记本： 加载文档 构建FAISS指数 查询MCP内存 合并上下文 使用FLAN-T5生成最终答案

🔌 MCP服务器API 端点 POST/mcp/query 请求 { “query”：“什么是ProjectPro？” } 回应 { “回应”：“ProjectPro是一个提供端到端数据科学和人工智能项目解决方案的平台。” } 🎯 为什么选择MCP+RAG？ 组件用途 矢量存储语义相似度搜索 MCP服务器确定性、长期知识 LLM自然语言生成

这反映了生产中使用的真实LLM系统。

🔮 未来的增强功能 基于工具调用的MCP路由 代理RAG（策划人+执行人） 缓存和重试逻辑 多源MCP存储器 流媒体响应

📜 许可证 该项目用于教育和投资组合目的。

🙌 致谢 受现代RAG、MCP概念和LangChain的Runnable架构的启发。