🚀 Agente RAG MCP – Marco de trabajo de pruebas de API impulsado por IA

📌 Descripción general

El Agente RAG MCP es un marco de pruebas modular impulsado por IA que combina:

• 🔎 RAG (Generación aumentada por recuperación) – Recuperación de contexto basada en conocimiento

• ⚙️ Capa MCP (Motor de ejecución de herramientas) – Ejecuta herramientas de forma dinámica

• 🧪 Agente de pruebas de API – Automatiza la validación de API como Postman

Permite el flujo de lenguaje natural → ejecución de API → validación → generación de respuesta inteligente.

🧠 Arquitectura del sistema

graph TD
A[User Query] --> B[API Agent - NLP Parser]
B --> C[MCP Server - Tool Router]
C --> D[RAG Engine - Knowledge Retrieval]
C --> E[API Execution Tool]
D --> C
E --> F[External API / System]
F --> G[Response Validation Layer]
G --> H[Final AI Response]

Related MCP server: sentinel-mcp

🧩 Explicación de la arquitectura

1️⃣ Capa de agente de API

• Acepta entrada en lenguaje natural

• Convierte la solicitud en un caso de prueba de API estructurado

2️⃣ Capa de servidor MCP

• Capa de orquestación central

• Enruta las solicitudes a las herramientas adecuadas

3️⃣ Capa RAG

• Obtiene conocimiento contextual de documentos

• Mejora la lógica de validación de API

4️⃣ Capa de ejecución

• Ejecuta llamadas a la API (GET/POST/PUT/DELETE)

• Captura las cargas útiles de respuesta

5️⃣ Capa de validación

• Compara la respuesta esperada con la real

• Devuelve un resultado de prueba estructurado

🔁 Flujo de extremo a extremo

User Input
   ↓
API Agent (Intent Detection)
   ↓
MCP Server (Tool Selection)
   ↓
RAG (Context Injection)
   ↓
API Execution Engine
   ↓
Response Validation
   ↓
Final Result Output

⚙️ Guía de instalación

1️⃣ Clonar repositorio

git clone https://github.com/karthikeyanramu/MCP_RAG_AGENT.git
cd MCP_RAG_AGENT

2️⃣ Crear entorno virtual

python -m venv venv

Activar:

# Windows
venv\Scripts\activate

# Mac/Linux
source venv/bin/activate

3️⃣ Instalar dependencias

pip install -r requirements.txt

4️⃣ Iniciar servidor MCP

python server/mcp_server.py

Esperado:

MCP Server running on http://localhost:5000

5️⃣ Ejecutar agente de API

python -m qa_agent.api_agent_runner

🧪 Integración con Postman (Soporte para pruebas manuales)

Aunque este sistema está impulsado por IA, admite pruebas de API al estilo Postman.

📌 Ejemplo de solicitud

🔹 Endpoint

POST http://localhost:5000/execute

🔹 Cabeceras

{
  "Content-Type": "application/json",
  "Authorization": "Bearer <token-if-needed>"
}

🔹 Carga útil de muestra

{
  "tool": "api_executor",
  "method": "POST",
  "url": "https://api.example.com/login",
  "headers": {
    "Content-Type": "application/json"
  },
  "body": {
    "username": "test_user",
    "password": "Test@123"
  }
}

📌 Respuesta de muestra

{
  "status": 200,
  "message": "Login Successful",
  "token": "eyJhbGciOiJIUzI1NiIs...",
  "validation": "PASSED"
}

🔄 Pipeline CI/CD (Modelo de madurez de QA)

Este sistema puede integrarse en pipelines de CI/CD para la validación automatizada de API.

🚀 Flujo del pipeline

graph LR
A[Code Push] --> B[CI Trigger - GitHub Actions]
B --> C[Install Dependencies]
C --> D[Run API Tests via MCP Agent]
D --> E[RAG Validation Layer]
E --> F[Test Report Generation]
F --> G[Deploy / Fail Pipeline]

🧪 Beneficios de CI/CD

✔ Pruebas de regresión de API automatizadas ✔ Validación impulsada por IA (reduce el esfuerzo manual de QA) ✔ Detección temprana de defectos ✔ Inyección de conocimiento de dominio mediante RAG ✔ Ejecución de pruebas escalable

📌 Flujo de trabajo de muestra de GitHub Actions

name: MCP API Tests

on: [push]

jobs:
  test:
    runs-on: ubuntu-latest

    steps:
      - uses: actions/checkout@v3

      - name: Setup Python
        uses: actions/setup-python@v4
        with:
          python-version: 3.10

      - name: Install dependencies
        run: pip install -r requirements.txt

      - name: Run MCP API Agent
        run: python -m qa_agent.api_agent_runner

🧰 Herramientas disponibles

📊 Casos de uso en el mundo real

• Automatización de API bancaria (AML / KYC)

• Pruebas de sistemas de gestión de garantías

• Pruebas de regresión de microservicios

• Marcos de automatización de QA impulsados por IA

⚠️ Solución de problemas

❌ Conflicto de puerto

netstat -ano | findstr :5000
taskkill /PID <pid> /F

❌ Error de módulo

pip install -r requirements.txt

🚀 Mejoras futuras

• Integración con OpenAI / LLM

• Panel de control de interfaz de usuario para la ejecución de pruebas

• Despliegue en Kubernetes

• RAG avanzado basado en incrustaciones (embeddings)

• Importación automática de colecciones de Postman

👨💻 Resumen

Este proyecto demuestra:

✔ Pruebas de API impulsadas por IA ✔ Orquestación de herramientas basada en MCP ✔ Validación mejorada por RAG ✔ Arquitectura de automatización de QA de nivel empresarial