🤖 MCP Agentic RAG com Qdrant e Bright Data

Este projeto implementa um servidor MCP (Model Context Protocol) com ferramentas inteligentes para:

• 🔍 Buscar respostas em uma base vetorial de perguntas frequentes sobre machine learning

• 🌐 Realizar pesquisas web usando proxy premium da Bright Data

• 💡 Usar agentes via Claude Desktop com prompts estruturados

⚙️ Tecnologias

• 🧠 LlamaIndex com modelo nomic-embed-text-v1.5

• 📦 Qdrant como banco vetorial local (via Docker)

• 🌍 Bright Data para scraping com proxy

• 🧠 Claude Desktop como cliente LLM

• ⚡ FastMCP como servidor MCP

• Python 3.11+

🧪 Configuração rápida

1. Clone o projeto e crie o ambiente

git clone https://seurepo.com/mcp_agentic_rag.git
cd mcp_agentic_rag
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt

2. Configure seu arquivo .env

Crie o arquivo .env com suas credenciais Bright Data:

BRIGHT_DATA_USERNAME=brd-customer-usuario-zone-nomezona
BRIGHT_DATA_PASSWORD=sua_senha

3. Suba o Qdrant via Docker

docker run -p 6333:6333 -p 6334:6334 ^
-v ${PWD}/qdrant_storage:/qdrant/storage ^
qdrant/qdrant

4. Ingestão de FAQ no banco vetorial

python ingest_faq.py

Você verá mensagens como:

✅ Coleção 'ml_faq_collection' populada com sucesso no Qdrant.

5. Inicie o servidor MCP

python server.py

6. Configure o Claude Desktop

Adicione este conteúdo ao seu config.json em:

Claude Desktop > Settings > MCP Servers

{
  "mcpServers": {
    "mcp-rag-app": {
      "command": "python",
      "args": ["C:\\Seu_Path\\mcp_agentic_rag\\server.py"],
      "host": "127.0.0.1",
      "port": 8080,
      "timeout": 30000
    }
  }
}

🚀 Como usar

✅ Prompt 1 – Buscar em base FAQ:

Você é um assistente especializado em aprendizado de máquina.
Use a ferramenta "machine_learning_faq_retrieval_tool" para responder perguntas como:

"Como evitar overfitting em modelos de machine learning?"

✅ Prompt 2 – Pesquisa via Bright Data:

Você é um assistente de conhecimento geral.
Use "bright_data_web_search_tool" para perguntas como:

"Qual o impacto atual da inteligência artificial no setor bancário brasileiro?"

🧰 Scripts úteis

• ingest_faq.py → Gera embeddings e popula Qdrant com FAQ

• server.py → Inicia o servidor MCP com as ferramentas

• teste.py → Faz busca manual na coleção FAQ para debug

• prompt_1.yml, prompt_2.yml → Exemplos para Claude Desktop

• rag_code.py → Lógica de vetorização e busca

• .env → Armazena credenciais do Bright Data

• config.json → Registro local de servidor MCP no Claude

📬 Informação - Este projeto foi adaptado do projeto mcp_agentic_rag

Para mais projetos de IA, veja o Daily Dose of Data Science

🤝 Contribuições

Contribuições são bem-vindas! Faça um fork, crie um branch, adicione melhorias e envie um PR 🚀