LangGraph RAG MCP

Система генерации с расширенным поиском (RAG), которая предоставляет документацию LangGraph через Model Context Protocol (MCP).

Обзор

Этот проект создаёт систему поиска по документации, которая:

1. Собирает и обрабатывает документацию LangGraph с официального сайта

2. Создаёт векторную базу данных из этой документации для семантического поиска

3. Предоставляет эти знания через Model Context Protocol (MCP)

4. Интегрируется с MCP-совместимыми хостами, такими как VS Code, Cursor, Claude Desktop или Windsurf

Related MCP server: mcp-rag-agent

Как это работает

1. Сбор и обработка документации (Context)

• Рекурсивно собирает и очищает документацию LangGraph с нескольких URL-адресов сайта с помощью RecursiveUrlLoader и BeautifulSoup.

• Разбивает текст на фрагменты удобного размера с помощью RecursiveCharacterTextSplitter и tiktoken для точного подсчёта токенов.

• Преобразует фрагменты в векторные представления с помощью эмбеддингов BAAI/bge-large-en-v1.5.

• Хранит векторы в SKLearnVectorStore для эффективного поиска.

2. Система поиска (Tool)

• Реализует функцию поиска, которая находит наиболее релевантные фрагменты документации для заданного запроса.

• Интегрирует эту функцию с языковыми моделями, такими как Claude, для предоставления ответов с учётом контекста.

• Возвращает форматированные ответы, которые включают указание источника и релевантный контекст.

3. Интеграция MCP-сервера

• Оборачивает инструмент поиска в MCP-сервер с помощью библиотеки fastmcp.

• Предоставляет функцию поиска как инструмент, который могут использовать MCP-совместимые хосты.

• Обеспечивает доступ как к системе поиска, так и к дополнительным ресурсам (например, к полному файлу документации).

Требования

• Python 3.10+

• Docker и Docker Compose (рекомендуется)

• Ключ API Anthropic (для моделей Claude)

Установка и настройка

Вы можете запустить этот проект либо с помощью Docker (рекомендуется), либо в локальном окружении Python.

С помощью Docker (рекомендуется)

1. Клонируйте этот репозиторий:

   git clone https://github.com/yourusername/langraph-rag-mcp.git
   cd langraph-rag-mcp

2. Настройте ключи API в файле .env: Создайте файл .env в корне проекта и добавьте ваш ключ API Anthropic:

   echo "ANTHROPIC_API_KEY=your_api_key_here" > .env

   Файл docker-compose.yml автоматически загрузит эту переменную окружения.

Локальное окружение (без Docker)

1. Клонируйте этот репозиторий:

   git clone https://github.com/yourusername/langraph-rag-mcp.git
   cd langraph-rag-mcp

2. Создайте и активируйте виртуальное окружение:

   conda create -n mcp python=3.13
   conda activate mcp

3. Установите необходимые пакеты:

   pip install -r requirements.txt

4. Настройте ключи API в файле .env:

   echo "ANTHROPIC_API_KEY=your_api_key_here" > .env

Использование

Процесс включает два основных шага: сначала создание векторного хранилища, а затем запуск MCP-сервера.

Шаг 1: Создание векторного хранилища

Это нужно сделать только один раз или всякий раз, когда вы хотите обновить документацию.

1. Откройте и запустите блокнот rag-tool.ipynb в среде Jupyter.

2. Это позволит:

   • Загрузить последнюю документацию LangGraph.

   • Сохранить полную документацию в llms_full.txt.

   • Разбить документы на фрагменты.

   • Создать и сохранить векторное хранилище в sklearn_vectorstore.parquet.

Шаг 2: Запуск MCP-сервера

С помощью Docker

Самый простой способ запустить сервер — использовать предоставленный shell-скрипт, который оборачивает Docker Compose.

bash run-mcp-docker.sh

Этот скрипт создаст Docker-образ, если он не существует, запустит контейнер, а затем выполнит MCP-сервер внутри него, корректно обрабатывая стандартный ввод-вывод для MCP-взаимодействия.

Без Docker

Если вы не используете Docker, вы можете запустить MCP-сервер напрямую в dev-режиме с помощью команды:

mcp dev langgraph-mcp.py

Настройка MCP-хостов

Чтобы использовать этот MCP-сервер с совместимым редактором, необходимо его настроить.

VS Code

1. Откройте файл settings.json в VS Code. (Вы можете найти его через палитру команд: Preferences: Open User Settings (JSON)).

2. Добавьте следующую конфигурацию в файл. Обязательно замените <path-to-your-project> на абсолютный путь к каталогу langraph-rag-mcp на вашем компьютере.

"mcp.servers": [
    {
        "name": "langgraph-mcp",
        "command": [
            "/bin/bash",
            "<path-to-your-project>/run-mcp-docker.sh"
        ],
        "env": {
            "ANTHROPIC_API_KEY": "<your-anthropic-api-key>"
        }
    }
]

Если вы не используете Docker, измените command на:

"command": [
    "<path-to-your-conda-env>/bin/python",
    "<path-to-your-project>/langgraph-mcp.py"
]

Архитектура системы

(Phase 1: Data Ingestion - Performed once on Host Machine)
┌─────────────┐      ┌──────────────────┐      ┌───────────────────────────────┐
│ LangGraph   │      │ Jupyter Notebook │      │ Vector Store & Full Docs      │
│ Docs (Web)  │───▶  │ (rag-tool.ipynb) │───▶  │ (.parquet & .txt files)       │
└─────────────┘      └──────────────────┘      └───────────────────────────────┘


(Phase 2: Live RAG System - Request/Response Flow)
┌──────────────┐                             ┌─────────────┐
│   VS Code    │                             │  .env file  │
│(User Interface)│                             │ (API KEY)   │
└──────┬───────┘                             └──────┬──────┘
       │ 1. User Query                             │ (provides)
       ▼                                           │
┌──────┴───────────────────────────────────────────┴───────────────────────────────┐
│ Host Machine Boundary                                                            │
│                                                                                  │
│      ┌────────────────────┐          ┌─────────────────────────────────────────┐ │
│      │ run-mcp-docker.sh  │ 2. Execs │  🐳 Docker Container                      │ │
│      │ (Entrypoint Script)│────▶     │                                         │ │
│      └────────────────────┘          │  ┌───────────────────────────────────┐  │ │
│                                      │  │   🐍 Python MCP Server              │  │ │
│      ▲                             ◀─┼──│   (langgraph-mcp.py)              │  │ │
│      │ 7. Final Response             │  └───────────────┬───────────────────┘  │ │
│      │                               │                  │ 3. Reads Data From  │ │
│      └───────────────────────────────│──────────────────│─────────────────────┘ │
│                                      │                  │                       │
│                                      │                  ▼                       │
│                                      │  ┌───────────────────────────────────┐  │
│ (files mounted from Host) ············  │   Mounted Vector Store & Docs     │  │
│                                      │  └───────────────────────────────────┘  │
│                                      └─────────────────────────────────────────┘ │
│                                                                                  │
└──────────────────────────────────────────────────────────────────────────────────┘
                                                        │ 4. API Call
                                                        │    (sends augmented prompt)
                                                        ▼
                                             ┌────────────────────┐
                                             │ ☁️ Anthropic API   │
                                             │   (Claude LLM)     │
                                             └──────────┬─────────┘
                                                        │ 5. Generation
                                                        │
                                                        ◀························
                                                          6. Returns Response
                                                          (to MCP Server)

Ресурсы

MCP From Scratch