Skip to main content
Glama
deenesjakoruzh
snehaharurkar

Agentic RAG Assistant

by snehaharurkar
OverviewSchemaRelated ServersScoreDiscussions
Python
Remote

基于 FastAPI + MCP 的智能体 RAG 助手

一个内部文档问答助手，结合了招聘者当前正在重点考察的四项能力：

  • 智能体 AI —— 一种工具调用循环：由 LLM 决定是检索知识库、执行计算，还是直接回答。

  • FastAPI —— 一个简洁的 REST 后端（/ingest、/query、/agent/chat），自动生成 Swagger 文档。

  • RAG —— 文档先被分块、建立索引，并在 LLM 回答之前按语义相关性进行检索。

  • MCP（Model Context Protocol） —— 同样的工具（RAG 搜索 + 业务逻辑）也以 MCP 服务器的形式暴露，因此任何兼容 MCP 的客户端（Claude Desktop、Claude Code 等）都可以直接使用这些工具，而不只是通过这个 API。

架构

                     ┌────────────────────┐
                     │   FastAPI Service   │
                     │  (app/main.py)      │
                     └─────────┬───────────┘
                               │
                     ┌─────────▼───────────┐
                     │   Agent Loop         │◄──── Groq API (tool use)
                     │  (app/agent.py)      │
                     └─────────┬───────────┘
                               │ calls
                 ┌─────────────┼──────────────┐
                 ▼                             ▼
        ┌────────────────┐           ┌──────────────────┐
        │  RAG Engine      │           │  Business Tools    │
        │  (app/rag.py)    │           │  (app/tools.py)     │
        └────────────────┘           └──────────────────┘
                 ▲                             ▲
                 └─────────────┬───────────────┘
                                │  same tools, exposed via
                     ┌──────────▼───────────┐
                     │   MCP Server           │
                     │  (app/mcp_server.py)   │
                     └────────────────────────┘

安装配置

python -m venv venv
source venv/bin/activate       # Windows: venv\Scripts\activate
pip install -r requirements.txt
cp .env.example .env           # add your GROQ_API_KEY

运行 API

uvicorn app.main:app --reload --port 8000

打开 http://localhost:8000/docs 查看交互式 Swagger 文档。

试一试

# Pure retrieval, no LLM call
curl -X POST http://localhost:8000/query \
  -H "Content-Type: application/json" \
  -d '{"query": "how many days of leave do I get?"}'

# Full agentic chat — LLM decides which tool(s) to call
curl -X POST http://localhost:8000/agent/chat \
  -H "Content-Type: application/json" \
  -d '{"message": "I joined in March and have taken 4 days off. How much leave do I have left, and what is the WFH policy?"}'

第二个调用示例展示了多工具推理：模型在同一个对话中调用 rag_search 查找 WFH 政策，并调用 calculate_leave_balance 完成计算。

作为 MCP 服务器运行

python -m app.mcp_server

通过 stdio 将任何 MCP 宿主指向这个脚本（例如，把它作为自定义 MCP 服务器添加到 Claude Desktop 的 claude_desktop_config.json 中），它就会把 rag_search、get_current_datetime、calculate_leave_balance 暴露为可调用的工具。

面试中如何介绍这个项目

  • 为什么默认用 TF-IDF 而不是嵌入向量：这让 demo 无需任何 API 密钥、无需任何外部下载就能运行；VectorStore 类在设计上就支持把 FAISS/Chroma + 真实嵌入向量作为即插即用的替换方案，而不是重写。

  • 为什么工具都放在同一个文件（tools.py）里，并在两个地方暴露（agent.py 和 mcp_server.py）：单一事实来源，HTTP 路径与 MCP 路径之间没有逻辑重复。

  • 智能体循环是工具调用模式的手动实现（不是黑盒框架），所以每一步都能讲清楚：模型请求工具 → 服务器执行它 → 结果被反馈回去 → 模型继续或直接回答。

可能的扩展方向（适合回答“你会如何改进”）

  • 把 TF-IDF 换成真正的嵌入向量（OpenAI/Voyage/本地 sentence-transformers），再加上持久化向量数据库。

  • 跨多轮对话添加会话记忆（目前每次 /agent/chat 调用都是无状态的）。

  • 通过 Server-Sent Events 添加流式响应。

  • 在公开部署之前添加身份验证（API key 或 JWT）。

  • 使用 Docker + docker-compose 进行容器化，实现一条命令启动。

This server cannot be installed

-
license - not tested
Not graded
quality - not tested
C
maintenance

How are these scores calculated?

Maintenance

–Maintainers
–Response time
–Release cycle
–Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Connectors

  • Dewey

    Agentic search over your Dewey document collections from any MCP-compatible client.

  • saagarpatel.dev Portfolio

    Agent-native MCP server over the public saagarpatel.dev corpus. Read-only, stateless.

  • Backtest360

    MCP server exposing the Backtest360 engine API as tools for AI agents.

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/snehaharurkar/agentic-rag-mcp-assistant'

If you have feedback or need assistance with the MCP directory API, please join our Discord server