MCP-RAG: RAG を使用したモデルコンテキストプロトコル 🚀

GroundX と OpenAI を使用し、Modern Context Processing (MCP) で構築された強力かつ効率的な RAG (Retrieval-Augmented Generation) 実装。

🌟 特徴

• 高度なRAG実装：高精度の文書検索のためにGroundXを活用

• モデルコンテキストプロトコル: MCPとのシームレスな統合により、コンテキスト処理が強化されます。

• 型安全: 堅牢な型チェックと検証のためにPydanticで構築されています

• 柔軟な構成:環境変数を通じて設定を簡単にカスタマイズできます

• ドキュメント取り込み: PDFドキュメントの取り込みと処理のサポート

• インテリジェント検索：スコアリング機能を備えたセマンティック検索機能

Related MCP server: Chalee MCP RAG

🛠️ 前提条件

• Python 3.12以上

• OpenAI APIキー

• GroundX APIキー

• MCP CLIツール

📦 インストール

1. リポジトリをクローンします。

git clone <repository-url>
cd mcp-rag

2. 仮想環境を作成してアクティブ化します。

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

⚙️ 構成

1. サンプル環境ファイルをコピーします。

cp .env.example .env

2. .envで環境変数を設定します。

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

🚀 使用方法

サーバーの起動

次を使用して検査サーバーを実行します。

mcp dev server.py

ドキュメントの取り込み

新しいドキュメントを取り込むには:

from server import ingest_documents

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

検索の実行

基本的な検索クエリ:

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}")

カスタム構成の場合:

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)

📚 依存関係

• groundx (≥2.3.0): コアRAG機能

• openai (≥1.75.0): OpenAI API 統合

• mcp[cli] (≥1.6.0): 最新のコンテキスト処理ツール

• ipykernel (≥6.29.5): Jupyterノートブックのサポート

🔒 セキュリティ

• APIキーを含む.envファイルをコミットしないでください

• すべての機密情報に環境変数を使用する

• APIキーを定期的にローテーションする

• 不正アクセスがないかAPIの使用状況を監視する

🤝 貢献する

1. リポジトリをフォークする

2. 機能ブランチを作成します（ git checkout -b feature/amazing-feature ）

3. 変更をコミットします ( git commit -m 'Add some amazing feature' )

4. ブランチにプッシュする ( git push origin feature/amazing-feature )

5. プルリクエストを開く