de en es ja ko ru zh

rag-mcp-server

Name: rag-mcp-server
Author: Mily-Lv

by Mily-Lv

Overview Schema Related Servers Score Discussions

Python

Local

RAG-MCP-SERVER

プラグイン可能で、チェーン全体を可観測にできるモジュール式 RAG 検索サービスです。MCP（Model Context Protocol）ツールの形で検索能力を外部に公開し、Claude Desktop、GitHub Copilot などの MCP Client から直接呼び出すことができます。

中心的な設計目標は、RAG 実装における 2 つの具体的な痛点を解決することです。

チェーン内の問題箇所を特定しにくい —— 検索結果が正しくないとき、問題はリコール・融合・リランキングのどこにあるのか？インデックスチェーンとクエリチェーンの 2 つ、合計 10 ステージで、所要時間・候補数・スコア・順位変動を逐次記録し、Dashboard で可視化して遡れます。
チューニングが感覚頼りになる —— Embedding モデルを変えて、実際に良くなったのか悪くなったのか？Hit Rate@K / MRR と Ragas Faithfulness / Context Precision を組み合わせて評価し、固定テストセットに基づいて回帰を検証し、主観ではなく指標で調整を判断します。

アーキテクチャ概要

                    ┌──────────────────────────────────────────┐
  文档 (PDF/DOCX/    │           Ingestion Pipeline             │
  MD/TXT)      ───▶ │  load → split → transform → embed →      │
                    │  upsert                                  │
                    └────────────────┬─────────────────────────┘
                                     │  SHA256 指纹 + SQLite 摄取历史
                                     │  （文档级增量索引 / 幂等）
                                     ▼
                    ┌──────────────────────────────────────────┐
                    │   ChromaDB (Dense)  +  BM25 (Sparse)     │
                    └────────────────┬─────────────────────────┘
                                     ▼
                    ┌──────────────────────────────────────────┐
  查询          ───▶│            Query Engine                  │
                    │  query_processing → dense ┐              │
                    │                            ├→ RRF fusion │
                    │                    sparse ┘      │       │
                    │                                  ▼       │
                    │                              rerank      │
                    │                    （失败回退至 RRF 顺序） │
                    └────────────────┬─────────────────────────┘
                                     ▼
             ┌───────────────┬───────────────┬──────────────────┐
             │  MCP Server   │  CLI Scripts  │  Dashboard       │
             │  (3 tools)    │  (5 scripts)  │  (Streamlit 6页) │
             └───────────────┴───────────────┴──────────────────┘

  贯穿全程：TraceContext（trace → stage）写入 logs/traces.jsonl

プラグイン可能な基盤

各コアコンポーネントには統一された Base インターフェースを定義し、Factory＋YAML 設定で切り替えるため、コンポーネントを差し替えてもコード変更はゼロです。

コンポーネント	インターフェース	実装済み Provider
LLM	`BaseLLM`	openai / azure / deepseek / kimi / ollama
Vision LLM	`BaseVisionLLM`	openai / azure / kimi
Embedding	`BaseEmbedding`	openai / azure / siliconflow / bge / ollama
Vector Store	`BaseVectorStore`	chroma
Splitter	`BaseSplitter`	recursive
Reranker	`BaseReranker`	llm / cross_encoder（BGE）
Evaluator	`BaseEvaluator`	custom / ragas / composite
Loader	`BaseLoader`	pdf / docx / markdown / text

OpenAI 互換のエンドポイントであれば、provider: "openai" ＋カスタム base_url で接続でき、コードを追加する必要はありません。

中核機能

ハイブリッド検索：BM25 疎検索は固有表現の完全一致を、Dense ベクトル検索は意味的な一致を担当し、2 系統のリコール後に RRF で融合し、最後に Reranker で再順位付けします。リランキングのバックエンドが失敗した場合は自動的に RRF 融合順へフォールバックするため、1 回のタイムアウトでチェーン全体が中断することはありません。

増分インデックスと冪等性：SHA256 でコンテンツの fingerprint を算出し、SQLite の ingestion_history テーブルを使うことでドキュメント単位の増分取り込みを実現します。重複した取り込みは直接スキップし、内容が変更された場合だけ再構築するので、重複取り込みでも不整合なデータを生成しません。

マルチモーダル：PyMuPDF で PDF 内の画像を抽出して元の位置を保持し、Vision LLM が生成した画像説明を Chunk に織り込みます。これにより純テキストの RAG チェーンを再利用して「テキスト検索で画像を取得」できます。MCP 応答では ImageContent として画像を返します。

MCP ツール：

Tool	用途
`query_knowledge_hub`	ハイブリッド検索＋再順位付けし、引用付きの結果（画像含む）を返す
`list_collections`	全コレクションと文書／チャンクの統計を一覧表示する
`get_document_summary`	指定した文書の要約とチャンク概要を返す

Dashboard（Streamlit の 6 ページ構成）：システム概要／データ閲覧／取り込み管理／取り込みトレース／クエリトレース／評価パネル。

クイックスタート

環境条件

Python ≥ 3.10。

インストール

git clone <your-repo-url>
cd RAG-MCP-SERVER

python -m venv .venv
# Windows
.venv\Scripts\activate
# Linux / macOS
source .venv/bin/activate

pip install -e ".[dev]"

依存関係はすべてバージョンに上限制があります。mcp は <2.0 に固定しています（2.x で CallToolResult.isError などのフィールド名が変更されたため）。 langchain-community は <0.4 に固定しています（0.4 では chat_models.vertexai が削除され、ragas のインポートに失敗します）。

設定

cp config/settings.yaml.example config/settings.yaml

config/settings.yaml を編集して API Key を記入してください。このファイルは .gitignore で無視されているため、コミットしないでください。 ：。0に設定されているため、コミットしないでください &&

ドキュメントの取り込み

python scripts/ingest.py --path ./your_docs --collection my_kb
python scripts/ingest.py --path ./your_docs --collection my_kb --force   # 强制重建
python scripts/ingest.py --path ./your_docs --dry-run                    # 只看会处理哪些文件

クエリ

python scripts/query.py -q "你的问题" -c my_kb --top-k 5 --verbose

--verbose を指定すると、dense / sparse / fusion / rerank の各ステップの中間結果を出力します。

Dashboard を起動

python scripts/start_dashboard.py

MCP Client に接続する

Claude Desktop を例にすると、claude_desktop_config.json に以下を追加します。

{
  "mcpServers": {
    "rag-mcp-server": {
      "command": "<绝对路径>/.venv/Scripts/python.exe",
      "args": ["<绝对路径>/main.py"]
    }
  }
}

設定説明

重要な設定セクション（完全なコメントは config/settings.yaml.example を参照）：

retrieval:
  dense_top_k: 20
  sparse_top_k: 20
  fusion_top_k: 10
  rrf_k: 60
  # 路由开关，用于 A/B 基线：只测 dense 则 enable_sparse: false，反之亦然
  enable_dense: true
  enable_sparse: true

rerank:
  enabled: true
  provider: "llm"           # 走已配置的 LLM，零额外依赖
  # provider: "cross_encoder"  # 本地 BGE cross-encoder，需 pip install sentence-transformers
  top_k: 5

evaluation:
  enabled: true
  provider: "composite"     # 同时跑检索指标与生成指标
  backends: ["custom", "ragas"]
  metrics: ["hit_rate", "mrr", "faithfulness", "context_precision"]

embedding.dimensions は一度インデックスを実行すると変更できません。既存の Chroma collection はベクトル次元に結び付いているためです。

可観測性

取り込みのたび、クエリのたびに 1 件の trace が生成され logs/traces.jsonl に書き込まれます。構造は trace → stages[] であり、各 stage には elapsed_ms とそのステージの data が記録されます。

チェーン	ステージ
Ingestion	`load` → `split` → `transform` → `embed` → `upsert`
Query	`query_processing` → `dense_retrieval` → `sparse_retrieval` → `fusion` → `rerank`

順位変動の追跡

各ステージ終了時のスコアリストだけを記録しても、「このステージで回収順が本当に改善したのか、どのチャンクを改善したのか」には答えられません。そこで fusion と rerank の 2 ステージでは、順位変動を追加で記録します（src/core/query_engine/rank_tracking.py）。

1 起点で統一し、rank_delta = rank_before - rank_after とします。正値は順位が上がったことを意味します
fusion の rank_before には、そのチャンクが 2 系統での最良順位を採用し、「RRF が単系統のリコールより上に引き上げたか」を示します。また dense_rank / sparse_rank も記録し、どの系統で取得されたかを明示します
rerank の rank_before はリランカーに渡した融合リスト上の位置で、リランカーがどのチャンクを上げた／下げたかを正確に表示します
新たに登場したチャンクには None を記録し、擬似の順位昇格を作りません
ステージ集計：moved_up / moved_down / unchanged / new / max_gain / max_drop / dropped

実際の trace の破片:

stage=fusion   elapsed=0.2ms
  rank_changes: {moved_up: 3, moved_down: 1, unchanged: 1, max_gain: 2, dropped: 18}
  rank=2  before=4  delta=+2   dense_rank=4  sparse_rank=4

stage=rerank   elapsed=12231ms
  rank_changes: {moved_up: 1, moved_down: 1, unchanged: 3, max_gain: 1}
  rank=1  before=2  delta=+1

Dashboard の「クエリトレース」ページでは、これらの情報をステージ別ウォーターフォール図＋順位変動表として描画します。

評価体系

python scripts/evaluate.py --collection my_kb
python scripts/experiment.py --variants dense,sparse,hybrid,hybrid_rerank

検索指標（CustomEvaluator）：Hit Rate@K、MRR —— テストセット側で expected_chunk_ids を ground truth として提供する必要があります
生成指標（RagasEvaluator）：Faithfulness、Answer Relevancy、Context Precision
CompositeEvaluator は 2 種のバックエンドを同時に実行し、結果をまとめます。各バックエンドは共有の metrics リストから自分の指標を取り出し、1 つのバックエンドが失敗しても他には影響しません

scripts/experiment.py は A/B それぞれの検索バリアントを比較し、各バリアントの指標と遅延を出力するため、「リランカーを入れてどれだけコストに見合うか」を確認するのに使えます。

テスト

階層化されたテスト、合計 1456 個

pytest tests/unit                      # 1298 passed, 1 skipped
pytest tests/integration -m "not llm"  #   94 passed, 10 skipped
pytest tests/e2e -m "not llm"          #   30 passed,  2 skipped

-m "not llm" を指定すると、実際の LLM API 呼び出しが必要なテストが除外されます。特定の Provider の資格情報が不足している場合は、関連テストは失敗ではなく skip し、理由が表示されます。

重要な分岐には重点的にカバレッジしています：

注目点	テスト
RRF 融合	`test_fusion_rrf.py`
リランカーフォールバック道	`test_reranker_fallback.py`
冪等書き込み	`test_vector_writer_idempotency.py`
順位変動の追跡	`test_rank_tracking.py`
トークナイザー索引/クエリ一致性	`test_sparse_encoder.py` / `test_query_processor.py`
Chroma クライアント並列構築	`test_chroma_client.py`
ベクトルストア契約	`test_vector_store_contract.py`

プロジェクト構成

src/
├── core/
│   ├── query_engine/       # 混合检索：dense / sparse / RRF fusion / rerank
│   │   └── rank_tracking.py  # 排名变化计算（融合与重排共用）
│   ├── response/           # 响应组装、引用生成、多模态拼装
│   ├── trace/              # TraceContext：trace → stage
│   ├── tokenization.py     # BM25 分词器（索引端与查询端唯一实现）
│   └── settings.py         # YAML 配置加载与校验
├── ingestion/
│   ├── chunking/ embedding/ storage/ transform/
│   ├── pipeline.py         # 五阶段摄取流水线
│   └── document_manager.py # 文档删除（跨 Chroma / BM25 / 图片 / 摄取历史）
├── libs/                   # 可插拔底座：base_*.py + *_factory.py
│   ├── llm/ embedding/ loader/ reranker/ splitter/ vector_store/ evaluator/
├── mcp_server/             # MCP 协议与 3 个 Tool
└── observability/
    ├── dashboard/          # Streamlit 六页
    └── evaluation/         # ragas / composite / eval_runner

scripts/   ingest / query / evaluate / experiment / start_dashboard
config/    settings.yaml.example + prompts/
tests/     unit / integration / e2e

「 data/（Chroma、BM25 インデックス、抽出した画像、取り込み履歴）と logs/（trace)）はすべて実行時に生成されるローカルな実体であり、.gitignore で無視され、リポジトリには含まれません。初回実行時に自動的に作成されます。

License

MIT

This server cannot be installed

license - permissive license

Not graded

quality - not tested

maintenance

How are these scores calculated?

Maintenance

–Maintainers

–Response time

–Release cycle

–Releases (12mo)

Commit activity

Resources

GitHub Repository

Need Help?

Related Servers

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

mcp-rag-agent
RAG Systems AI & Machine Learning Knowledge & Memory
Apageoflove
A
license
Not graded
quality
B
maintenance
Enables document-based Q&A with multi-modal RAG, hybrid retrieval, knowledge graph reasoning, and multi-agent orchestration via MCP tools.
Updated 19 days ago (2026-08-09 14:46 UTC)
4
MIT
mcp-rag-assistant
RAG Systems Search
EdwinIN01
F
license
Not graded
quality
C
maintenance
Provides RAG-based knowledge retrieval and document management as MCP tools, supporting hybrid search, reranking, and retrieval process visualization.
Updated 2 months ago (2026-07-07 04:13 UTC)
Modular RAG MCP Server
RAG Systems Search
EdmendZ
A
license
Not graded
quality
C
maintenance
A pluggable, observable modular RAG framework that exposes query knowledge hub, list collections, and get document summary tools via MCP, enabling AI assistants to perform hybrid search and document retrieval with reranking.
Updated a month ago (2026-07-17 01:24 UTC)
1
MIT
Modular RAG MCP Server
RAG Systems Search
XBW-Leo
A
license
Not graded
quality
C
maintenance
A modular RAG framework exposing knowledge retrieval tools via MCP, enabling AI assistants to perform hybrid search, reranking, and multimodal document queries with full observability and evaluation.
Updated 18 days ago (2026-08-10 10:15 UTC)
MIT

View all related MCP servers

Related MCP Connectors

Ragora
Search your knowledge bases from any AI assistant using hybrid RAG.
qsearch
Multi-engine search for AI agents. Trust scoring, local corpus, MCP-native. Self-hostable, BYOK.
Dewey
Agentic search over your Dewey document collections from any MCP-compatible client.

View all MCP Connectors

Latest Blog Posts

Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)
By Om-Shree-0709 on July 25, 2026.
mcp
Agent Identity
OAuth 2.1
Your AI Chatbot Just Exposed Your CEO's Salary to an Intern
By Om-Shree-0709 on July 2, 2026.
Agent Identity
MCP Security
OAuth Delegation
Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)
By Om-Shree-0709 on June 30, 2026.
Agentic Ai
Prompt Injection
WebAssembly

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/Mily-Lv/RAG-MCP-SERVER'

If you have feedback or need assistance with the MCP directory API, please join our Discord server