AI Research Assistant MCP Server

MCP-basierter KI-Forschungsassistent (RAG + LangChain + Claude)

Was er tut

KI-Agent, der Dokumente abruft, Kontext verarbeitet und Anfragen mithilfe einer MCP-Architektur mit RAG (Retrieval-Augmented Generation) beantwortet.

Technologie-Stack

• LangChain

• Claude / Ollama-kompatible Modelle

• Vektor-DB: Chroma (Beispiel; konfigurierbar für Pinecone, Milvus, etc.)

• MCP (Model Context Protocol) für Multi-Tool-Orchestrierung

Funktionen

• RAG-basierte Abruf-Pipeline

• Multi-Tool-Agent (Indizierung, Abruf, LLM-Schlussfolgerung, Tool-Aufrufe)

• API-Integrationen für interne Datenquellen

Demo

Siehe /app/demo_output.md für einen beispielhaften Durchlauf, der Eingabe → abgerufene Dokumente → finale KI-Antwort zeigt. Fügen Sie Screenshots oder kurze GIFs im Ordner presentation/ hinzu, falls verfügbar.

Ausführung (schnell)

1. Erstellen Sie eine virtuelle Umgebung und installieren Sie die Anforderungen.

python -m venv .venv
.venv\Scripts\activate    # Windows
pip install -r requirements.txt

2. Konfigurieren Sie Umgebungsvariablen für Ihr Modell und Ihre Vektor-DB (Beispiele):

export OPENAI_API_KEY=...
export CLAUDE_API_KEY=...
# For Windows PowerShell:
$env:CLAUDE_API_KEY = '...'

3. Führen Sie die RAG-Pipeline oder die MCP-Serverkomponenten aus (Beispiele):

python -m rag_pipeline.run         # pipeline entry (if present)
python -m mcp_server.server        # MCP server (if present)

Anmerkungen

• Dieses Repository wurde neu organisiert, um sich auf einen einzigen konkreten Anwendungsfall zu konzentrieren: eine KI für Unternehmenswissensdatenbanken. Altes Kursmaterial wurde unter /legacy_course archiviert.

• Wenn Sie möchten, dass die alten nummerierten Kursordner entfernt oder nach /legacy_course verschoben werden, bestätigen Sie dies und ich werde sie verschieben.