AI Research Assistant MCP Server

ИИ-ассистент для исследований на базе MCP (RAG + LangChain + Claude)

Что он делает

ИИ-агент, который извлекает документы, обрабатывает контекст и отвечает на запросы, используя архитектуру MCP с RAG (Retrieval-Augmented Generation — генерация с дополнением поиска).

Технологический стек

• LangChain

• Claude / модели, совместимые с Ollama

• Векторная БД: Chroma (пример; можно настроить на Pinecone, Milvus и т. д.)

• MCP (Model Context Protocol) для оркестрации нескольких инструментов

Функции

• Конвейер поиска на основе RAG

• Агент с поддержкой нескольких инструментов (индексация, поиск, логические рассуждения LLM, вызовы инструментов)

• Интеграция API для внутренних источников данных

Демонстрация

Пример работы, показывающий «Ввод → Извлеченные документы → Итоговый ответ ИИ», см. в /app/demo_output.md. Скриншоты или короткие GIF-файлы, если они есть, находятся в папке presentation/.

Как запустить (быстрый старт)

1. Создайте виртуальное окружение и установите зависимости.

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

2. Настройте переменные окружения для вашей модели и векторной БД (примеры):

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

3. Запустите RAG-конвейер или компоненты MCP-сервера (примеры):

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

Примечания

• Этот репозиторий был реорганизован, чтобы сосредоточиться на одном конкретном варианте использования: ИИ для базы знаний компании. Устаревшие учебные материалы были перемещены в архив /legacy_course.

• Если вы хотите, чтобы устаревшие пронумерованные папки курса были удалены или перенесены в /legacy_course, подтвердите это, и я их перемещу.