┌──────────────────────────────────────────────────┐
│   MCP 客户端（Cherry Studio / Claude Desktop）    │
└──────────────────────┬───────────────────────────┘
                       │ MCP 协议 (stdio)
┌──────────────────────▼───────────────────────────┐
│                MCP Server 层                      │
│  search_knowledge · ingest_document · list_docs  │
│  delete_document · web_search · get_time         │
└──────────────────────┬───────────────────────────┘
                       │
┌──────────────────────▼───────────────────────────┐
│   可视化前端 (Streamlit)                          │
│   检索过程可视化 · 多轮对话 · 文档管理            │
└──────────────────────┬───────────────────────────┘
                       │
┌──────────────────────▼───────────────────────────┐
│                RAG 引擎层                         │
│  loader → splitter → embedder → vectorstore      │
│  (向量+BM25 混合检索 → RRF 融合 → 重排 → 缓存)    │
└──────────────────────────────────────────────────┘

git clone https://github.com/<your-username>/mcp-rag-assistant.git
cd mcp-rag-assistant
pip install -r requirements.txt

cp .env.example .env
# 编辑 .env，填入 LLM API Key（可选，不填则只展示检索片段）

streamlit run web_ui/app.py

python -m mcp_server.server

mcp-rag-assistant/
├── config.py                 # 全局配置
├── requirements.txt
├── .env.example              # 环境变量模板
├── rag_engine/               # RAG 引擎层
│   ├── loader.py             # 多格式文档加载
│   ├── splitter.py           # 递归切分
│   ├── embedder.py           # 向量化（BGE，离线加载）
│   ├── vectorstore.py        # Chroma 向量库
│   ├── retriever.py          # 混合检索 + RRF + 重排
│   └── cache.py              # LRU + FAISS 语义缓存
├── mcp_server/               # MCP Server 层
│   ├── server.py             # 6 个 MCP 工具注册
│   └── tools/external.py     # 联网搜索等外部工具
├── web_ui/
│   └── app.py                # Streamlit 可视化前端
├── mcp_client_config/        # MCP 客户端配置示例
└── data/docs/                # 示例文档

用户提问
   │
   ├─→ 缓存命中检查（LRU 精确 + FAISS 语义近似）
   │        └─ 命中 → 直接返回
   │
   ├─→ 向量检索（BGE Embedding + Chroma）
   ├─→ BM25 关键词检索（jieba 分词）
   │
   ├─→ RRF 融合（Reciprocal Rank Fusion）
   ├─→ CrossEncoder 重排
   │
   └─→ 写入缓存 → 返回 Top-K