Skip to main content
Glama
deenesjakoruzh
Vanity-1

ecommerce-retail-rag-mcp

by Vanity-1
OverviewSchemaRelated ServersScoreDiscussions
Python
Local

E-commerce Retail RAG + MCP 客服系统

Python 3.10+ RAG MCP ADK LLM Blog

一个用于电商/零售场景的多源检索增强生成（RAG）客服系统。基于 Google ADK 编排 Agent，检索商品目录与退货/配送政策，并经 RRF（Reciprocal Rank Fusion）多源融合排序后，让 LLM 基于带出处的上下文生成可靠回答，杜绝幻觉。

✨ 核心能力

能力

说明

状态

多源 RAG 检索

商品目录 + 售后政策双源检索，单次嵌入、多源召回

✅ 可用

RRF 融合排序

解决数据量不均衡下「强源淹没弱源」问题

✅ 已实验验证

端到端 Demo

Web 界面：用户问 → 多源检索 → 带引用回答

✅ 现场可跑

MCP 工具封装

product_search / policy_qa 等工具经 MCP 暴露

✅ 已实现

嵌入一致性守卫

统一 nomic-embed-text(768维)，测试兜底

✅ 已内置

Related MCP server: ecommerce-catalog-agent

📊 二次开发成果（可直接写进简历）

RRF 融合对比实验 —— 相同 12 条查询，对比「RRF 融合」与「直接拼接」的召回效果：

指标

直接拼接

RRF 融合

政策相关查询 Top-3 相关命中率

9/12

12/12

弱源(政策)高相关文档排名

被商品目录淹没

提升至第 2 位

结论：在商品目录(强源)体量远大于政策(弱源)时，直接拼接会让政策文档完全被淹没；RRF 融合后相关文档显著上浮。完整分析见 docs/RRF对比实验报告.html。

踩坑记录（面试加分点）→ docs/RAG二开踩坑记录.html

🚀 快速开始 —— 现场跑 Demo

仅需本地 Ollama，无需云 API Key。5 分钟可跑通。

# 1. 启动 Ollama 并拉取所需模型（首次）
ollama serve &
ollama pull nomic-embed-text      # 嵌入模型（768维）
ollama pull qwen2.5:3b            # 生成模型

# 2. 安装 Python 依赖
pip install -r requirements.txt

# 3.（可选）如预计算嵌入缓存缺失则重建向量库
python scripts/_precompute_embeddings.py

# 4. 启动端到端 Web Demo
python scripts/demo_web.py
# 浏览器打开 http://127.0.0.1:8080

试问：do you refund damaged produce、free delivery over 35 dollars。

Demo 的检索依赖预计算嵌入缓存 embedding_index.json + embeddings_cache.npy（由 Ollama 生成），已内置内存余弦检索层，无需额外启动 ChromaDB，避免 Windows 下单机持久化的坑。

🧪 复现对比实验

python scripts/compare_rrf_vs_join.py

💻 技术栈

  • 编排：Google ADK（FunctionTool + SequentialAgent）

  • 嵌入/生成：Ollama（nomic-embed-text / qwen2.5:3b），纯本地

  • 向量检索：预计算嵌入缓存 + NumPy 内存余弦检索（原 ChromaDB 适配层保留）

  • 融合排序：自研 RRF（agents/tools/rrf_fusion.py）

  • 服务：FastAPI MCP server（src/mcp_server）

📁 目录结构

scripts/
  demo_web.py                  # 端到端 Web Demo（问→检→带出处答）
  compare_rrf_vs_join.py       # RRF vs 直接拼接对比实验
  _precompute_embeddings.py    # 预计算嵌入缓存
  chat_rag_demo.py             # 命令行 RAG Demo
src/
  embeddings/ollama_client.py  # embed_text + generate_answer
  rag/
    inmemory_cache.py          # 内存余弦检索层（二开新增）
    vector_store.py            # ChromaDB 适配层（保留）
agents/
  tools/rrf_fusion.py          # RRF 融合算法（二开新增）
  rag_agent.py                 # ADK RAG Agent
  workflows.py                 # ADK 工作流
docs/
  RRF对比实验报告.html          # 二开：对比实验报告
  RAG二开踩坑记录.html          # 二开：踩坑技术博客
configs/                       # 环境变量模板
tests/                         # 含嵌入一致性守卫测试

✅ 测试

pytest tests/            # 单元测试 + 嵌入一致性守卫
bash scripts/checks.sh   # 静态检查

🌱 后续方向

  • 接入更多检索源（评论、库存）与重排序 Reranker

  • 增加评估管线（recall@k / groundedness）

  • MCP 工具的 RBAC / 限流

This server cannot be installed

F
license - not found
Not graded
quality - not tested
B
maintenance

How are these scores calculated?

Maintenance

–Maintainers
–Response time
–Release cycle
–Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

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

Related MCP Servers

View all related MCP servers

Related MCP Connectors

  • Agent Commerce Guard

    Policy review and purchase discovery for AI-agent commerce actions.

  • BuyWhere MCP Server

    Agent-native product catalog for AI shopping agents. 296M+ products, 28 countries.

  • Ragora

    Search your knowledge bases from any AI assistant using hybrid RAG.

View all MCP Connectors

Latest Blog Posts

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/Vanity-1/ecommerce-retail-rag-mcp'

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