de en es ja ko ru zh

rag-mcp

Name: rag-mcp
Author: johnylira

by johnylira

Overview Schema Source Related Servers Discussions Admin

Python

Hybrid

RAG-MCP Server

Model Context Protocol (MCP) сервер, построенный на Flask, LangGraph и LlamaIndex для RAG. Спроектирован как минимальный, функциональный и легко расширяемый.

Обзор

MCP через HTTP: POST /mcp с JSON-RPC 2.0.
LangGraph: оркестрирует агента с вызовом функций.
LlamaIndex: индексирует локальные документы и отвечает через RAG.
Docker: docker compose up --build — и готово.

Related MCP server: DocAgent-MCP

Архитектура

MCP Client  →  Flask /mcp  →  LangGraph Agent  →  Tools
                                                ├─ rag_search (LlamaIndex RAG)
                                                ├─ agora (UTC datetime)
                                                └─ calcular (arithmetic expression)

Клиент перечисляет инструменты (tools/list) и вызывает их (tools/call).
Инструмент ask_agent запускает граф LangGraph; LLM решает, когда использовать вызов функций.
Остальные инструменты вызываются напрямую через MCP.

Предварительные требования

Docker и Docker Compose (или Python 3.11+ локально).
OPENAI_API_KEY (для LLM и эмбеддингов).

Структура проекта

.
├── app.py              # MCP server + LangGraph + LlamaIndex
├── data/               # RAG corpus (.md, .txt, .pdf, etc.)
│   └── kb.md
├── requirements.txt    # Python dependencies
├── Dockerfile
├── docker-compose.yml
├── .env                # OPENAI_API_KEY and variables
└── README.md

Конфигурация

1. Клонирование / Создание проекта

Создайте пустую директорию и поместите файлы проекта (см. раздел Файлы).

2. Переменные окружения

Создайте .env в корне:

OPENAI_API_KEY=sk-...
LLM_MODEL=gpt-4o-mini

Поддерживаемые переменные:

Переменная	По умолчанию	Описание
`OPENAI_API_KEY`	(обязательно)	Ключ API OpenAI.
`LLM_MODEL`	`gpt-4o-mini`	Модель для LLM и эмбеддингов.
`DATA_DIR`	`/app/data`	Каталог с документами для RAG.
`PORT`	`8080`	Порт сервера.

3. Данные для RAG

Поместите документы в data/ (например, kb.md, policies.md, manuals/). Сервер индексирует всё при запуске.

Минимальный пример (data/kb.md):

# Acme Corp
Support SLA: 4 hours during business hours (UTC-3).
Pro Plan costs USD 49/month and includes 10k RAG queries/day.
P1 incidents must be opened in #sre channel.

Запуск

Docker (рекомендуется)

docker compose up --build

Сервер работает по адресу http://127.0.0.1:8080.

Локально (без Docker)

pip install -r requirements.txt
export OPENAI_API_KEY=sk-...
export DATA_DIR=./data
python app.py

Эндпоинты

`POST /mcp` (JSON-RPC 2.0)

MCP использует три основных метода:

`initialize`

curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":1,"method":"initialize","params":{}
}'

Ответ:

{
  "jsonrpc":"2.0",
  "id":1,
  "result":{
    "protocolVersion":"2024-11-05",
    "capabilities":{"tools":{}},
    "serverInfo":{"name":"rag-mcp","version":"1.0.0"}
  }
}

`tools/list`

Перечисляет все доступные инструменты (включая ask_agent):

curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":2,"method":"tools/list","params":{}
}'

`tools/call`

Вызывает инструмент:

curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":3,"method":"tools/call",
  "params":{
    "name":"ask_agent",
    "arguments":{"question":"What is the SLA and how much does Pro cost?"}
  }
}'

Ответ:

{
  "jsonrpc":"2.0",
  "id":3,
  "result":{
    "content":[{"type":"text","text":"The SLA is 4 hours during business hours (UTC-3). The Pro Plan costs USD 49/month..."}]
  }
}

`GET /health`

Простая проверка работоспособности:

curl -s http://127.0.0.1:8080/health
# {"ok": true}

Доступные инструменты

Инструмент	Описание	InputSchema
`ask_agent`	Агент LangGraph с RAG и вызовом функций.	`{"question": "string"}`
`rag_search`	Поиск фактов в базе через RAG (LlamaIndex).	`{"query": "string"}`
`agora`	Возвращает текущее UTC-время (ISO-8601).	`{}`
`calcular`	Вычисляет безопасное арифметическое выражение.	`{"expressao": "string"}`

Примеры прямого использования

# RAG direct
curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":4,"method":"tools/call",
  "params":{"name":"rag_search","arguments":{"query":"support SLA"}}
}'

# Datetime
curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":5,"method":"tools/call",
  "params":{"name":"agora","arguments":{}}
}'

# Calculation
curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":6,"method":"tools/call",
  "params":{"name":"calcular","arguments":{"expressao":"(2+3)*4"}}
}'

Интеграция с Cursor / Zed / другими MCP-клиентами

Добавьте в конфигурацию вашего редактора (например, ~/.cursor/settings.json):

{
  "mcpServers": {
    "rag-mcp": {
      "url": "http://127.0.0.1:8080/mcp"
    }
  }
}

Клиент будет:

Вызывать initialize.
Перечислять инструменты (tools/list).
Использовать ask_agent или вызывать инструменты напрямую по мере необходимости.

Как работает RAG

Индексация: при запуске SimpleDirectoryReader читает data/, а VectorStoreIndex создаёт эмбеддинги с помощью text-embedding-3-small.
Запрос: as_query_engine извлекает 3 наиболее похожих фрагмента, и LLM синтезирует ответ.
Обновление: для переиндексации добавьте/удалите файлы в data/ и перезапустите контейнер.

Как работает агент (LangGraph)

Узел agent вызывает LLM с bind_tools(TOOLS).
tools_condition решает: если модель запрашивает вызов функций, она переходит к узлу tools; в противном случае — завершается.
Узел tools выполняет инструмент и возвращается к agent, который генерирует финальный ответ.

Поток:

START → agent → (tools?) → tools → agent → END

Расширение

Добавление нового инструмента

В app.py добавьте:

@tool
def my_tool(param1: str, param2: int = 0) -> str:
    """Clear description of what the tool does."""
    # logic
    return "result"

Затем:

TOOLS.append(my_tool)

Перезапустите сервер. Инструмент автоматически появится в tools/list.

Смена модели

Измените LLM_MODEL в .env:

LLM_MODEL=gpt-4o

Или используйте другого провайдера (например, Anthropic, Groq), заменив ChatOpenAI и эмбеддинги в app.py.

Смена векторного хранилища

Замените VectorStoreIndex на постоянное хранилище (Chroma, Pinecone, Weaviate и т.д.):

from llama_index.vector_stores.chroma import ChromaVectorStore
import chromadb

client = chromadb.PersistentClient(path="./chroma")
collection = client.get_or_create_collection("rag")
vector_store = ChromaVectorStore(chroma_collection=collection)
_index = VectorStoreIndex.from_documents(docs, vector_store=vector_store)

Безопасность и лучшие практики

Не открывайте сервер напрямую в интернет без аутентификации.
Используйте внутреннюю сеть (Docker), если MCP-клиент находится на том же хосте.
Проверяйте входные данные в пользовательских инструментах (особенно при доступе к БД или внешним API).
Для продакшена добавьте:
- Ограничение скорости.
- Структурированное логирование.
- Метрики (Prometheus, OpenTelemetry).

Устранение неполадок

`ModuleNotFoundError`

Убедитесь, что вы установили requirements.txt.
В Docker выполните docker compose build --no-cache.

Неверный `OPENAI_API_KEY`

Проверьте ключ: docker compose exec mcp env | grep OPENAI.
Проверьте локально: curl https://api.openai.com/v1/models -H "Authorization: Bearer $OPENAI_API_KEY".

RAG не находит документы

Убедитесь, что в data/ есть корректные файлы (.md, .txt и т.д.).
Проверьте логи: docker compose logs mcp.
Переиндексируйте, перезапустив контейнер.

Ошибка в `calcular`

Инструмент принимает только простые арифметические выражения.
Избегайте переменных, функций и сложного синтаксиса Python.

Файлы

`app.py`

"""MCP Server (JSON-RPC) + LangGraph + LlamaIndex RAG."""
from __future__ import annotations

import ast
import operator as op
import os
from datetime import datetime, timezone
from typing import Annotated, TypedDict

from flask import Flask, jsonify, request
from langchain_core.messages import AnyMessage, HumanMessage, SystemMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langgraph.graph import START, StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from llama_index.core import Settings, SimpleDirectoryReader, VectorStoreIndex
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI as LlamaLLM

DATA_DIR = os.getenv("DATA_DIR", "./data")
MODEL = os.getenv("LLM_MODEL", "gpt-4o-mini")

# --- RAG: index ./data once on process startup ---
Settings.llm = LlamaLLM(model=MODEL)
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
_index = VectorStoreIndex.from_documents(SimpleDirectoryReader(DATA_DIR).load_data())
_qe = _index.as_query_engine(similarity_top_k=3)


# --- Function calling: each @tool becomes JSON schema for LLM and MCP ---
@tool
def rag_search(query: str) -> str:
    """Search facts in local base via RAG (LlamaIndex). Use for policies, products, and docs."""
    return str(_qe.query(query))


@tool
def agora() -> str:
    """Returns current UTC datetime (ISO-8601)."""
    return datetime.now(timezone.utc).isoformat()


@tool
def calcular(expressao: str) -> str:
    """Evaluates safe arithmetic. Examples: (2+3)*4, 10/2, 2**8."""
    ops = {
        ast.Add: op.add, ast.Sub: op.sub, ast.Mult: op.mul, ast.Div: op.truediv,
        ast.Mod: op.mod, ast.Pow: op.pow, ast.USub: op.neg,
    }

    def _eval(n):
        if isinstance(n, ast.Expression):
            return _eval(n.body)
        if isinstance(n, ast.Constant) and isinstance(n.value, (int, float)):
            return n.value
        if isinstance(n, ast.BinOp) and type(n.op) in ops:
            return ops[type(n.op)](_eval(n.left), _eval(n.right))
        if isinstance(n, ast.UnaryOp) and type(n.op) in ops:
            return ops[type(n.op)](_eval(n.operand))
        raise ValueError("invalid expression")

    return str(_eval(ast.parse(expressao, mode="eval")))


TOOLS = [rag_search, agora, calcular]


# --- LangGraph: agent ↔ tools until model stops requesting function calls ---
class State(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]


llm = ChatOpenAI(model=MODEL, temperature=0).bind_tools(TOOLS)


def agent_node(state: State) -> dict:
    sys = SystemMessage(content="MCP assistant. Use tools when needed. Respond in English.")
    return {"messages": [llm.invoke([sys, *state["messages"]])]}


_g = StateGraph(State)
_g.add_node("agent", agent_node)
_g.add_node("tools", ToolNode(TOOLS))
_g.add_edge(START, "agent")
_g.add_conditional_edges("agent", tools_condition)  # tools or END
_g.add_edge("tools", "agent")
GRAPH = _g.compile()


def _schema(t) -> dict:
    """Converts LangChain tool to MCP inputSchema."""
    s = t.args_schema.model_json_schema() if t.args_schema else {"type": "object"}
    s.pop("title", None)
    return s


MCP_TOOLS = [
    {"name": t.name, "description": t.description, "inputSchema": _schema(t)}
    for t in TOOLS
] + [{
    "name": "ask_agent",
    "description": "LangGraph agent with RAG + function calling. Pass the user question.",
    "inputSchema": {
        "type": "object",
        "properties": {"question": {"type": "string"}},
        "required": ["question"],
    },
}]


def _run(name: str, args: dict) -> str:
    if name == "ask_agent":
        out = GRAPH.invoke({"messages": [HumanMessage(content=args.get("question", ""))]})
        return str(out["messages"][-1].content)
    fn = {t.name: t for t in TOOLS}.get(name)
    if not fn:
        raise ValueError(f"unknown tool: {name}")
    return str(fn.invoke(args or {}))


# --- Flask: HTTP transport for MCP (JSON-RPC 2.0) ---
app = Flask(__name__)


@app.post("/mcp")
def mcp():
    body = request.get_json(force=True) or {}
    method, rid, params = body.get("method"), body.get("id"), body.get("params") or {}

    if method == "initialize":
        return jsonify({"jsonrpc": "2.0", "id": rid, "result": {
            "protocolVersion": "2024-11-05",
            "capabilities": {"tools": {}},
            "serverInfo": {"name": "rag-mcp", "version": "1.0.0"},
        }})
    if method == "tools/list":
        return jsonify({"jsonrpc": "2.0", "id": rid, "result": {"tools": MCP_TOOLS}})
    if method == "tools/call":
        try:
            text = _run(params.get("name"), params.get("arguments") or {})
            result = {"content": [{"type": "text", "text": text}]}
        except Exception as e:
            result = {"content": [{"type": "text", "text": str(e)}], "isError": True}
        return jsonify({"jsonrpc": "2.0", "id": rid, "result": result})
    if method == "notifications/initialized" or rid is None:
        return ("", 204)
    return jsonify({"jsonrpc": "2.0", "id": rid, "error": {"code": -32601, "message": method}}), 400


@app.get("/health")
def health():
    return {"ok": True}


if __name__ == "__main__":
    app.run(host="0.0.0.0", port=int(os.getenv("PORT", 8080)))

`requirements.txt`

flask>=3.0
langgraph>=0.2
langchain-core>=0.3
langchain-openai>=0.2
llama-index>=0.12
llama-index-llms-openai
llama-index-embeddings-openai

`Dockerfile`

FROM python:3.12-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY app.py .
COPY data ./data
ENV PORT=8080 DATA_DIR=/app/data
EXPOSE 8080
CMD ["python", "app.py"]

`docker-compose.yml`

services:
  mcp:
    build: .
    ports: ["8080:8080"]
    env_file: .env
    environment:
      PORT: "8080"
      DATA_DIR: /app/data
      LLM_MODEL: gpt-4o-mini
    volumes:
      - ./data:/app/data:ro
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://127.0.0.1:8080/health')"]
      interval: 15s
      retries: 5

`data/kb.md`

# Acme Corp
Support SLA: 4 hours during business hours (UTC-3).
Pro Plan costs USD 49/month and includes 10k RAG queries/day.
P1 incidents must be opened in #sre channel.

`.env`

OPENAI_API_KEY=sk-...
LLM_MODEL=gpt-4o-mini

Лицензия

MIT.

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityMaintained

ResponsivenessNo issues

Resources

GitHub Repository

Need Help?

Related Servers

Related MCP Connectors

docs2mcpOAuth
com.docs2mcp
Query your own PDFs and documents from any MCP client. Every answer cites the page it came from.
RAG Systems Search
1
saagarpatel.dev Portfolio A
io.github.saagpatel
Agent-native MCP server over the public saagarpatel.dev corpus. Read-only, stateless.
Search Documentation Access
82
CustomGPT.ai
ai.customgpt.mcp
The CustomGPT.ai MCP server is a fully managed, RAG-powered endpoint that connects large language models with private knowledge bases and external data sources. It provides tools for retrieval-augmented generation queries (send_message), data ingestion (upload_file), and source listing, enabling AI agents to query private documents like PDFs with high accuracy and real-time citations.
RAG Systems Knowledge & Memory Search
2
agentready-mcp A
io.github.AshutoshRaj97
Query any docs site via MCP. Submit a URL, ask questions, get cited answers.
Documentation Access Search
822

Related MCP Servers

LangChain MCP Demo
RAG Systems Search Text Summarization
shafeequealipt-dotcom
F
license
Not graded
quality
D
maintenance
Enables grounding AI responses in a local document corpus by exposing MCP tools to list, search, and summarize documents, and generating answers using OpenAI.
Updated 3 months ago (2026-06-04 05:39 UTC)
-
DocAgent-MCP
RAG Systems Search Text Summarization
wuliuke
F
license
Not graded
quality
C
maintenance
Enables local document question-answering and retrieval via MCP, supporting multi-turn conversation, intent recognition, and tools for document search, Q&A, and summarization.
Updated 2 months ago (2026-07-14 07:45 UTC)
5
-
AI Document Assistant MCP
RAG Systems AI & Machine Learning Search
yadu0323
F
license
Not graded
quality
B
maintenance
Enables document Q&A, summarization, keyword extraction, and Wikipedia lookup through MCP tools, using RAG with FAISS and Ollama.
Updated a month ago (2026-08-19 17:16 UTC)
-
Agentic RAG Assistant
RAG Systems AI & Machine Learning Autonomous Agents
snehaharurkar
F
license
Not graded
quality
C
maintenance
Enables querying internal documents via a FastAPI REST API and MCP server, using retrieval-augmented generation and an agentic loop that can invoke tools like document search and calculations.
Updated a month ago (2026-08-20 07:01 UTC)
-