MCP-RAG: Protocolo de Contexto Modelo con RAG 🚀

Una implementación potente y eficiente de RAG (Recuperación-Generación Aumentada) que utiliza GroundX y OpenAI, construida con Procesamiento de Contexto Moderno (MCP).

🌟 Características

• Implementación avanzada de RAG : utiliza GroundX para la recuperación de documentos de alta precisión

• Protocolo de contexto del modelo : integración perfecta con MCP para un mejor manejo del contexto

• Type-Safe : Creado con Pydantic para una verificación y validación de tipos robustas

• Configuración flexible : configuraciones fáciles de personalizar a través de variables de entorno

• Ingestión de documentos : Soporte para la ingesta y el procesamiento de documentos PDF

• Búsqueda inteligente : capacidades de búsqueda semántica con puntuación

Related MCP server: Chalee MCP RAG

🛠️ Requisitos previos

• Python 3.12 o superior

• Clave API de OpenAI

• Clave API de GroundX

• Herramientas CLI de MCP

📦 Instalación

1. Clonar el repositorio:

git clone <repository-url>
cd mcp-rag

2. Crear y activar un entorno virtual:

uv sync
source .venv/bin/activate  # On Windows, use `.venv\Scripts\activate`

⚙️ Configuración

1. Copie el archivo de entorno de ejemplo:

cp .env.example .env

2. Configure sus variables de entorno en .env :

GROUNDX_API_KEY="your-groundx-api-key"
OPENAI_API_KEY="your-openai-api-key"
BUCKET_ID="your-bucket-id"

🚀 Uso

Iniciando el servidor

Ejecute el servidor de inspección usando:

mcp dev server.py

Ingestión de documentos

Para ingerir nuevos documentos:

from server import ingest_documents

result = ingest_documents("path/to/your/document.pdf")
print(result)

Realizar búsquedas

Consulta de búsqueda básica:

from server import process_search_query

response = process_search_query("your search query here")
print(f"Query: {response.query}")
print(f"Score: {response.score}")
print(f"Result: {response.result}")

Con configuración personalizada:

from server import process_search_query, SearchConfig

config = SearchConfig(
    completion_model="gpt-4",
    bucket_id="custom-bucket-id"
)
response = process_search_query("your query", config)

📚 Dependencias

• groundx (≥2.3.0): Funcionalidad principal de RAG

• openai (≥1.75.0): integración de API OpenAI

• mcp[cli] (≥1.6.0): Herramientas modernas de procesamiento de contexto

• ipykernel (≥6.29.5): compatibilidad con Jupyter Notebook

🔒 Seguridad

• Nunca confirmes tu archivo .env que contiene claves API

• Utilice variables de entorno para toda la información confidencial

• Rote regularmente sus claves API

• Supervisar el uso de la API para detectar cualquier acceso no autorizado

🤝 Contribuyendo

1. Bifurcar el repositorio

2. Crea tu rama de funciones ( git checkout -b feature/amazing-feature )

3. Confirme sus cambios ( git commit -m 'Add some amazing feature' )

4. Empujar a la rama ( git push origin feature/amazing-feature )

5. Abrir una solicitud de extracción