🌦️ Asistente Meteorológico MCP RAG

Un asistente meteorológico impulsado por IA, construido con Model Context Protocol (MCP), Retrieval-Augmented Generation (RAG), LangChain, ChromaDB, Groq LLM y OpenWeather API.

El proyecto expone una herramienta MCP personalizada que recupera datos meteorológicos en tiempo real y los combina con un pipeline RAG para generar información meteorológica contextual y en lenguaje natural.

🚀 Características Principales

• Servidor MCP personalizado construido con FastMCP

• Recuperación meteorológica en tiempo real mediante OpenWeather API

• Pipeline de Retrieval-Augmented Generation (RAG) para respuestas contextuales

• Almacén vectorial ChromaDB para almacenar y recuperar contexto meteorológico

• Incrustaciones (embeddings) de Sentence Transformer usando all-MiniLM-L6-v2

• Integración de LLM alojado en Groq a través de LangChain

• Integración de herramientas MCP con VS Code / GitHub Copilot

• Soporta consultas meteorológicas dinámicas para diferentes ciudades

• Gestión segura de claves API mediante variables de entorno

Related MCP server: Weather MCP Server

🧠 Cómo Funciona

User Query
    ↓
GitHub Copilot / MCP Client
    ↓
Weather MCP Server
    ↓
get_weather(location)
    ↓
OpenWeather API
    ↓
Weather Data Processing
    ↓
ChromaDB Vector Store
    ↓
RAG Retrieval
    ↓
Groq LLM
    ↓
Context-Aware Weather Response

🛠️ Stack Tecnológico

Lenguaje: Python

IA / GenAI: LLMs, RAG, Prompt Engineering, Sentence Transformers

Frameworks: LangChain, FastMCP

Base de Datos Vectorial: ChromaDB

Proveedor de LLM: Groq

API Externa: OpenWeather API

Protocolo: Model Context Protocol (MCP)

Entorno de Desarrollo: VS Code, Git, GitHub

📂 Estructura del Proyecto

Weather-MCP-RAG-Assistant/
│
├── rag/
│   ├── embedding.py
│   ├── llm.py
│   ├── retriever.py
│   └── vector_store.py
│
├── services/
│   └── weather_service.py
│
├── utils/
│   └── parser.py
│
├── config.py
├── server.py
├── requirements.txt
├── env.example
├── .gitignore
└── README.md

⚙️ Configuración

1. Clonar el repositorio

git clone https://github.com/rudraniai/Weather-MCP-RAG-Assistant.git
cd Weather-MCP-RAG-Assistant

2. Crear un entorno virtual

python -m venv .venv

Actívalo en Windows:

.venv\Scripts\activate

3. Instalar dependencias

pip install -r requirements.txt

4. Configurar variables de entorno

Copia el archivo de entorno de ejemplo:

copy env.example .env

Añade tus credenciales a .env:

OPENWEATHER_API_KEY=your_openweather_api_key
GROQ_API_KEY=your_groq_api_key
GROQ_MODEL=your_groq_model
EMBEDDING_MODEL=sentence-transformers/all-MiniLM-L6-v2
CHROMA_DB_DIR=./chroma_db

Las credenciales de API se mantienen fuera del control de versiones usando .gitignore.

5. Ejecutar el servidor MCP

python server.py

🔌 Configuración de MCP

Configura el servidor MCP local en VS Code usando:

{
  "servers": {
    "weather-mcp": {
      "type": "stdio",
      "command": "python",
      "args": [
        "PATH_TO_PROJECT/server.py"
      ]
    }
  },
  "inputs": []
}

Reemplaza PATH_TO_PROJECT con la ruta local a server.py.

Después de la configuración:

1. Abre la Paleta de Comandos de VS Code.

2. Selecciona MCP: List Servers.

3. Selecciona weather-mcp.

4. Inicia el servidor MCP.

5. Abre GitHub Copilot Chat y permite la herramienta MCP cuando se solicite.

🎥 Demo del Proyecto

La siguiente demo muestra la herramienta MCP personalizada weather-mcp siendo invocada a través de GitHub Copilot para recuperar y generar información meteorológica contextual.

💬 Ejemplo de Uso

Pregúntale a Copilot:

Use the weather-mcp MCP tool to get the weather in Pune.

Otros ejemplos:

Use the weather-mcp MCP tool to get the weather in Mumbai.

Use the weather-mcp MCP tool to get the weather in Nagpur.

La información de ejemplo devuelta por el asistente incluye:

• Temperatura actual

• Temperatura de sensación térmica

• Humedad

• Velocidad y dirección del viento

• Condiciones de nubosidad

• Resumen meteorológico

• Información sobre calidad del aire cuando está disponible

🔐 Seguridad

Las credenciales sensibles, como las claves API, se almacenan en un archivo local .env.

Los siguientes archivos/directorios están excluidos de Git:

.env
chroma_db/
__pycache__/
.vscode/

Nunca subas claves API reales al repositorio.

📌 Lo Que Aprendí

A través de este proyecto, adquirí experiencia práctica en:

• Construir y exponer herramientas mediante Model Context Protocol (MCP)

• Integrar APIs externas con aplicaciones basadas en LLM

• Implementar un pipeline RAG

• Trabajar con incrustaciones (embeddings) y bases de datos vectoriales

• Usar ChromaDB para recuperación contextual

• Conectar LangChain con un LLM alojado

• Integrar un servidor MCP personalizado con GitHub Copilot

• Gestionar variables de entorno y credenciales API de forma segura

🔮 Mejoras Futuras

• Añadir pronóstico meteorológico de varios días

• Añadir alertas meteorológicas y recomendaciones

• Mejorar la recuperación y la memoria contextual

• Añadir fuentes adicionales de datos meteorológicos y ambientales

• Construir una interfaz web independiente usando Streamlit o FastAPI

• Contenerizar la aplicación usando Docker

👩💻 Autora

Rudrani Gulhane

B.Tech Ingeniería en Ciencias de la Computación — Inteligencia Artificial y Aprendizaje Automático

Interesada en IA/ML, IA Generativa, RAG, LLMs, Agentes de IA y aplicaciones basadas en MCP.

📄 Licencia

Este proyecto está destinado a fines educativos, de portafolio y experimentales.