Modular RAG MCP Server

一个可插拔、可观测的模块化 RAG (检索增强生成) 服务框架

🔧 项目功能

本项目是一个企业级智能问答与知识检索系统，可应用于以下场景：

• 📖 文档问答：支持 PDF、Markdown、代码文件等多格式文档的智能问答，快速从海量文档中提取精准答案

• 🔍 语义搜索：基于混合检索技术，提供比传统关键词搜索更智能的语义理解能力

• 💡 知识库构建：将企业内部文档、技术资料转化为可检索的知识库，提升团队协作效率

• 🤖 AI 助手集成：通过 MCP (Model Context Protocol) 协议，可无缝对接 Claude、GitHub Copilot 等 AI 助手

• 🎯 个性化应用：可扩展为客服机器人、技术文档助手、代码搜索引擎等垂直领域应用

💼 面试利器：本项目的模块化设计和完整实现，可直接作为简历项目展示，涵盖 RAG 技术栈的核心知识点，是大模型/AI 工程师面试的绝佳项目案例。

🎯 项目特点

1️⃣ 可插拔架构 (Pluggable Architecture)

• LLM 后端灵活切换：支持 Azure OpenAI、OpenAI API、本地模型（Ollama/vLLM）等多种后端，通过配置文件一键切换，零代码修改

• 模型组件自由替换：Embedding 模型、Rerank 模型、文档解析器、切分策略等核心组件均采用抽象接口设计，支持"乐高积木式"组合

• 检索策略可配置：支持纯向量检索、BM25 关键词检索、混合检索（Hybrid Search）等多种模式动态配置

2️⃣ 全链路可观测 (Observable)

• 结构化日志追踪：每个模块输出详细的结构化日志，便于问题定位与性能分析

• 评测指标体系：集成 Ragas/DeepEval 等 RAG 评测框架，量化检索质量与生成效果

• 监控与调试友好：提供完整的请求链路追踪，支持实时性能监控

3️⃣ MCP 协议集成 (Model Context Protocol)

• 标准化接口：完整实现 MCP 协议规范，可无缝对接 Claude Desktop、GitHub Copilot 等支持 MCP 的 AI 助手

• 开箱即用：通过 MCP Server 暴露 RAG 能力，让 AI 助手直接调用项目的检索和问答功能，无需额外开发

• 工具化封装：将 RAG 流程封装为 MCP Tools，AI 可以自主决策何时调用检索、如何组合多个工具完成复杂任务

• 上下文增强：为 AI 对话提供实时的知识库支持，让通用大模型具备领域专业知识

4️⃣ 工程化 RAG 实践

• 智能分块策略：语义感知的文档切分，保留完整语义单元

• 混合检索 (Hybrid Search)：BM25 + Dense Embedding 融合，平衡查准率与查全率

• 两段式精排：粗排召回 → Rerank 精排，在性能与精度间取得最优平衡

📚 AI 驱动开发：让 AI 成为你的协作伙伴

💡 核心理念

"文档即规范，实现交给 AI"

本项目采用创新的 AI 协作开发模式，让您专注于架构设计与业务逻辑，将代码实现高效委托给 AI：

✨ 项目特色

• 完整的 Skills 体系：通过精心设计的 Markdown 技能文件（.trae/skills/），AI 可以理解项目规范、遵循最佳实践，自动化完成代码实现

• VibeCoding 实践：掌握最新的 AI 协作开发技巧（VibeCoding），通过自然语言描述需求，让 AI 自动生成符合规范的代码

• 规范驱动开发：DEV_SPEC.md 作为项目的"宪法"，定义架构、模块设计、技术选型等核心规范，AI 严格遵循文档完成编码

• 零背景快速上手：即使您不熟悉 RAG 技术栈，只需理解文档、修改需求描述，AI 会自动将您的想法转化为生产级代码

🚀 工作流程

📖 配套资源

本项目提供三位一体的学习资源，帮助您快速掌握 AI 协作开发模式：

💡 提示：详细的设计理念、技术选型与模块设计请参考 DEV_SPEC.md

🎁 你将收获什么

通过学习和实践本项目，你将掌握：

🔥 最新的 AI 协作技能

• Skills 工程化：学会构建可复用的 AI 技能库，让 AI 成为你的"编程助手"

• VibeCoding 技巧：掌握与 AI 高效协作的开发模式，提升 10 倍开发效率

• 文档驱动开发：理解如何通过规范文档指导 AI 完成复杂工程项目

🎯 RAG 技术全栈能力

• 深入每个细节：从文档解析、智能分块、向量化、混合检索到 Rerank 重排，逐一掌握 RAG 链路的每个环节

• 工程化实践：不仅是理论，更有生产级代码实现，理解如何将论文技术落地到实际项目

• 性能优化：学习如何平衡检索速度与精度，优化 Embedding 策略，调优 Rerank 模型

💼 面试竞争力提升

• 简历项目加分：本项目涵盖大模型/AI 工程师岗位的核心技术栈，可直接写入简历作为亮点项目

• 面试问题应对：配套的面试题库帮你应对"RAG 如何优化召回率"、"Embedding 模型如何选择"等高频问题

• 技术深度展示：模块化设计、可插拔架构等工程实践，展现你的系统设计能力

🎓 学习资源与社区

📺 配套视频教程

本项目提供全面的视频讲解，涵盖：

• ✅ RAG 核心技术深度剖析：从分块策略、混合检索到 Rerank 重排，全面解构 RAG 技术细节

• ✅ 代码实战逐行讲解：环境配置、模块实现、性能优化，手把手带你完成项目

• ✅ 大模型面试真题解析：精选大厂面试题，结合项目实战讲解答题思路

• ✅ 转行求职指南：简历撰写技巧、面试准备策略、职业规划建议

🎁 额外福利

持续更新中的内容：

• 📝 基于本项目的简历模板：如何将技术亮点写进简历

• 🎤 常见面试问题集锦：针对 RAG 项目的高频面试题及参考答案

• 💼 求职经验分享：从技术学习到拿到 Offer 的完整路径

🚀 快速开始

详细的环境配置、部署指南与使用示例请参考 DEV_SPEC.md。

📂 项目结构

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！在贡献代码前，请：

1. 阅读 DEV_SPEC.md 了解项目架构与设计理念

2. 遵循项目的代码规范（见 DEV_SPEC.md 中的"开发规范"章节）

3. 确保测试通过（pytest tests/）

📄 License

MIT License

🌟 Star History

如果这个项目对您有帮助，欢迎 Star ⭐️ 支持！