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: MCP-RAG Server
🛠️ 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)📚 依存関係
groundx(≥2.3.0): コアRAG機能openai(≥1.75.0): OpenAI API 統合mcp[cli](≥1.6.0): 最新のコンテキスト処理ツールipykernel(≥6.29.5): Jupyterノートブックのサポート
🔒 セキュリティ
APIキーを含む
.envファイルをコミットしないでくださいすべての機密情報に環境変数を使用する
APIキーを定期的にローテーションする
不正アクセスがないかAPIの使用状況を監視する
🤝 貢献する
リポジトリをフォークする
機能ブランチを作成します（
git checkout -b feature/amazing-feature）変更をコミットします (
git commit -m 'Add some amazing feature')ブランチにプッシュする (
git push origin feature/amazing-feature)プルリクエストを開く