MCP-RAG: RAG를 사용한 모델 컨텍스트 프로토콜 🚀

GroundX와 OpenAI를 사용하여 강력하고 효율적인 RAG(Retrieval-Augmented Generation)를 구현했으며, MCP(Modern Context Processing)로 구축되었습니다.

🌟 특징

• 고급 RAG 구현 : 고정확도 문서 검색을 위해 GroundX 활용

• 모델 컨텍스트 프로토콜 : 향상된 컨텍스트 처리를 위한 MCP와의 원활한 통합

• Type-Safe : 강력한 유형 검사 및 검증을 위해 Pydantic으로 구축됨

• 유연한 구성 : 환경 변수를 통해 설정을 쉽게 사용자 정의할 수 있습니다.

• 문서 수집 : PDF 문서 수집 및 처리 지원

• 지능형 검색 : 점수 매기기 기능이 포함된 의미 검색 기능

Related MCP server: Chalee MCP RAG

🛠️ 필수 조건

• Python 3.12 이상

• OpenAI API 키

• GroundX API 키

• MCP CLI 도구

📦 설치

1. 저장소를 복제합니다.

지엑스피1

2. 가상 환경을 만들고 활성화하세요.

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

⚙️ 구성

1. 예제 환경 파일을 복사하세요.

cp .env.example .env

2. .env 에서 환경 변수를 구성하세요.

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

🚀 사용법

서버 시작

다음을 사용하여 검사 서버를 실행합니다.

mcp dev server.py

문서 수집

새 문서를 수집하려면:

from server import ingest_documents

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

검색 수행

기본 검색어:

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}")

사용자 정의 구성:

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)

📚 종속성

• groundx (≥2.3.0): 핵심 RAG 기능

• openai (≥1.75.0): OpenAI API 통합

• mcp[cli] (≥1.6.0): 최신 컨텍스트 처리 도구

• ipykernel (≥6.29.5): Jupyter 노트북 지원

🔒 보안

• API 키가 포함된 .env 파일을 커밋하지 마십시오.

• 모든 민감한 정보에 환경 변수를 사용하세요

• API 키를 정기적으로 순환하세요

• 승인되지 않은 액세스에 대한 API 사용을 모니터링합니다.

🤝 기여하기

1. 저장소를 포크하세요

2. 기능 브랜치를 생성합니다( git checkout -b feature/amazing-feature )

3. 변경 사항을 커밋하세요( git commit -m 'Add some amazing feature' )

4. 브랜치에 푸시( git push origin feature/amazing-feature )

5. 풀 리퀘스트 열기