Notatki RAG — przykładowy serwer MCP

Serwer MCP (Model Context Protocol) w Pythonie, który łączy LLM + bazę danych w pełny przepływ RAG zbudowany na LangChain (LCEL). Notatki trafiają do PostgreSQL (system zapisu), ich treść+embeddingi do ChromaDB, a odpowiedzi generuje Google Gemini. Ćwiczenie do kursu IBM Build AI Agents using MCP.

Architektura

Przepływ pytania (ask) jako łańcuch LCEL:

{"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt | llm | StrOutputParser()

retriever (Chroma) zwraca dopasowane notatki → format_docs skleja kontekst → Gemini odpowiada tylko na jego podstawie. PostgreSQL pozostaje źródłem prawdy dla treści i pozwala odbudować indeks (rag_chain.reindex_all).

Related MCP server: AI Sticky Notes

Narzędzia MCP

Dodatkowo zasób notes://{id} zwraca treść notatki.

Wymagania

• Python ≥ 3.12 (przetestowane na 3.14)

• PostgreSQL działający lokalnie (tu: Homebrew postgresql@15 na :5432)

• Klucz API Gemini: https://aistudio.google.com/apikey

Setup

# 1. Zależności (w aktywnym venv)
python -m pip install -e .

# 2. Baza danych (jeśli jeszcze nie istnieje)
createdb notes_mcp

# 3. Konfiguracja
cp .env.example .env
#   → wpisz GEMINI_API_KEY w .env
#   → sprawdź DATABASE_URL (domyślnie konto bieżącego usera, trust na localhost)

Tabela notes tworzy się automatycznie przy starcie serwera (db.init_schema()). Można też ręcznie: psql -d notes_mcp -f schema.sql.

Uruchomienie i test

Z inspektorem MCP (interaktywny GUI w przeglądarce — najwygodniej do nauki):

mcp dev server.py

W Inspectorze (zakładka Tools):

1. add_note("Python GIL", "GIL to globalna blokada interpretera CPython...")

2. dodaj jeszcze 2–3 notatki na różne tematy,

3. search_notes("czym jest GIL") → trafienie wskazuje notatkę o GIL,

4. ask("wyjaśnij GIL na podstawie moich notatek") → odpowiedź ugruntowana w treści,

5. summarize_note(1), potem delete_note(1) → sprawdź spójność Postgres ↔ Chroma.

Podpięcie do klienta MCP (np. Claude Desktop) — wpis w configu:

{
  "mcpServers": {
    "notes-rag": {
      "command": "/pełna/ścieżka/.venv/bin/python",
      "args": ["/pełna/ścieżka/server.py"]
    }
  }
}

Pliki

server.py        # FastMCP + narzędzia MCP (entry point)
rag_chain.py     # LangChain: Gemini + Chroma + łańcuch LCEL (RAG)
db.py            # PostgreSQL (psycopg3) — system zapisu
schema.sql       # tabela notes
pyproject.toml   # zależności
.env(.example)   # konfiguracja

Poza zakresem (świadomie)

Chunking długich dokumentów, autoryzacja/multi-user, testy automatyczne — ćwiczenie skupia się na integracji RAG + MCP.