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

Related MCP server: RAG_MCP

🛠️ 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。

cp .env.example .env

.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。

mcp dev server.py

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)