MCP-RAG: RAG を使用したモデルコンテキストプロトコル 🚀
GroundX と OpenAI を使用し、Modern Context Processing (MCP) で構築された強力かつ効率的な RAG (Retrieval-Augmented Generation) 実装。
🌟 特徴
- 高度なRAG実装：高精度の文書検索のためにGroundXを活用
- モデルコンテキストプロトコル: MCPとのシームレスな統合により、コンテキスト処理が強化されます。
- 型安全: 堅牢な型チェックと検証のためにPydanticで構築されています
- 柔軟な構成:環境変数を通じて設定を簡単にカスタマイズできます
- ドキュメント取り込み: PDFドキュメントの取り込みと処理のサポート
- インテリジェント検索：スコアリング機能を備えたセマンティック検索機能
🛠️ 前提条件
- Python 3.12以上
- OpenAI APIキー
- GroundX APIキー
- MCP CLIツール
📦 インストール
- リポジトリをクローンします。
git clone <repository-url>
cd mcp-rag
- 仮想環境を作成してアクティブ化します。
uv sync
source .venv/bin/activate # On Windows, use `.venv\Scripts\activate`
⚙️ 構成
- サンプル環境ファイルをコピーします。
.envで環境変数を設定します。
GROUNDX_API_KEY="your-groundx-api-key"
OPENAI_API_KEY="your-openai-api-key"
BUCKET_ID="your-bucket-id"
🚀 使用方法
サーバーの起動
次を使用して検査サーバーを実行します。
ドキュメントの取り込み
新しいドキュメントを取り込むには:
from server import ingest_documents
result = ingest_documents("path/to/your/document.pdf")
print(result)
検索の実行
基本的な検索クエリ:
from server import process_search_query
response = process_search_query("your search query here")
print(f"Query: {response.query}")
print(f"Score: {response.score}")
print(f"Result: {response.result}")
カスタム構成の場合:
from server import process_search_query, SearchConfig
config = SearchConfig(
completion_model="gpt-4",
bucket_id="custom-bucket-id"
)
response = process_search_query("your query", config)
📚 依存関係
groundx (≥2.3.0): コアRAG機能openai (≥1.75.0): OpenAI API 統合mcp[cli] (≥1.6.0): 最新のコンテキスト処理ツールipykernel (≥6.29.5): Jupyterノートブックのサポート
🔒 セキュリティ
- APIキーを含む
.envファイルをコミットしないでください - すべての機密情報に環境変数を使用する
- APIキーを定期的にローテーションする
- 不正アクセスがないかAPIの使用状況を監視する
🤝 貢献する
- リポジトリをフォークする
- 機能ブランチを作成します（
git checkout -b feature/amazing-feature ） - 変更をコミットします (
git commit -m 'Add some amazing feature' ) - ブランチにプッシュする (
git push origin feature/amazing-feature ) - プルリクエストを開く