Skip to main content
Glama
wuliuke

DocAgent-MCP

by wuliuke
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

DocAgent-MCP

面向本地文档的 Agentic-RAG 与 MCP 工具化问答系统

项目简介

基于 FastAPI、GLM-4-Flash、TF-IDF 构建的本地文档智能问答系统，支持多轮对话、意图识别、查询改写、工具路由和 MCP Server 封装。

Related MCP server: LangChain MCP Demo

核心功能

  • 📄 文档上传解析 - 支持 PDF 和 Word 文档

  • 🔍 中文检索 - jieba 分词 + TF-IDF 向量检索

  • 🤖 LLM 问答 - 智谱 GLM-4-Flash 生成答案

  • 📚 引用溯源 - 返回答案对应的文档来源

  • 💬 多轮对话 - 支持连续追问，上下文记忆

  • 🎯 意图识别 - 自动判断问题类型（新问题/追问/摘要/对比/计算/闲聊）

  • ✏️ 查询改写 - 追问时自动将"它"等指代词改写为完整问题

  • 🛠️ 工具路由 - 根据意图自动选择问答/摘要/计算工具

  • 🔧 Tool Registry - 统一工具注册、调用和返回格式

  • 🌐 MCP Server - 通过 Model Context Protocol 暴露本地文档能力

系统架构

┌─────────────────────────────────────────────────────────────┐
│                     HTML 前端 (index.html)                  │
└──────────────────────────┬──────────────────────────────────┘
                           │ HTTP
                           ▼
┌─────────────────────────────────────────────────────────────┐
│                     FastAPI 后端 (端口 8000)                 │
│  ┌─────────────┐  ┌──────────────┐  ┌──────────────────┐   │
│  │ Conversation │  │ Intent Router │  │   Tool Router    │   │
│  │  Manager    │  │ + Query       │  │   → Tool Registry│   │
│  └─────────────┘  │  Rewriter     │  └──────────────────┘   │
└───────────────────┴───────────────┴─────────────────────────┘
                           │
          ┌────────────────┼────────────────┐
          ▼                ▼                ▼
   ┌────────────┐   ┌────────────┐   ┌────────────┐
   │Document QA │   │  Summary   │   │ Calculator │
   │   Tool     │   │   Tool     │   │    Tool    │
   └─────┬──────┘   └─────┬──────┘   └────────────┘
         │                │
         ▼                ▼
   ┌─────────────────────────────────────┐
   │        RAG Service                  │
   │  ┌──────────┐    ┌──────────────┐   │
   │  │ TF-IDF   │───▶│  Retriever   │   │
   │  │ VectorDB │    └──────────────┘   │
   │  └──────────┘           │           │
   │                         ▼           │
   │                  ┌──────────────┐   │
   │                  │  GLM-4-Flash │   │
   │                  └──────────────┘   │
   └─────────────────────────────────────┘
                           │
                           ▼
   ┌─────────────────────────────────────┐
   │     MCP Server (stdio 模式)          │
   │  list_documents / search_document   │
   │  ask_document / summarize_document  │
   └─────────────────────────────────────┘

快速开始

1. 克隆项目

git clone <your-repo-url>
cd docagent-mcp

2. 创建虚拟环境并安装依赖

conda create -n docagent python=3.10
conda activate docagent
pip install -r requirements.txt

3. 配置 API Key

# 方式1：环境变量
export ZHIPU_API_KEY="your-api-key"

# 方式2：直接修改 backend/config.py
ZHIPU_API_KEY = "your-api-key"

4. 启动 FastAPI 后端

python -m uvicorn backend.main:app --host 0.0.0.0 --port 8000

5. 打开前端

直接双击打开 frontend/index.html，或启动 HTTP 服务器：

cd frontend
python -m http.server 8080
# 访问 http://localhost:8080

6. (可选) 启动 MCP Server

python -m backend.mcp_server.server

API 接口

上传文档

curl -X POST "http://localhost:8000/api/upload" \
  -F "file=@/path/to/document.pdf"

问答

curl -X POST "http://localhost:8000/api/chat" \
  -H "Content-Type: application/json" \
  -d '{"question": "博士学位申请需要满足哪些条件？", "top_k": 4}'

列出工具

curl "http://localhost:8000/api/tools"

获取执行轨迹

curl "http://localhost:8000/api/conversations/{id}/trace"

意图识别示例

问题

识别意图

调用工具

"博士学位申请需要满足哪些条件？"

NEW_QUESTION

document_qa

"它的学制是几年？"

FOLLOW_UP

document_qa (查询改写后)

"总结一下这篇文章"

SUMMARY

document_summary

"它和硕士有什么区别？"

COMPARE

document_qa

"1+1 等于多少？"

CALCULATION

calculator

"你好"

CHITCHAT

direct_answer

项目结构

docagent-mcp/
├── backend/
│   ├── main.py                    # FastAPI 入口
│   ├── config.py                  # 配置
│   ├── agent/
│   │   ├── base_tool.py           # 工具基类
│   │   ├── tool_result.py         # 统一返回格式
│   │   ├── tool_registry.py       # 工具注册中心
│   │   ├── conversation_manager.py# 多轮对话管理
│   │   ├── intent_router.py       # 意图识别
│   │   ├── query_rewriter.py      # 查询改写
│   │   ├── tool_router.py         # 工具路由
│   │   └── tools/
│   │       ├── document_qa_tool.py
│   │       ├── document_summary_tool.py
│   │       └── calculator_tool.py
│   ├── rag/
│   │   ├── loader.py              # 文档加载
│   │   ├── splitter.py            # 文本分块
│   │   ├── vectorstore.py         # TF-IDF 向量库
│   │   ├── retriever.py           # 检索器
│   │   └── generator.py           # LLM 生成器
│   ├── api/
│   │   ├── chat.py                # 问答 API
│   │   ├── upload.py              # 上传 API
│   │   └── documents.py           # 文档 API
│   └── mcp_server/
│       ├── server.py              # MCP Server
│       ├── mcp_tools.py           # MCP 工具定义
│       ├── adapters.py            # 格式转换
│       └── README_MCP.md          # MCP 使用说明
├── frontend/
│   └── index.html                 # HTML 前端
├── data/
│   ├── uploads/                   # 上传文件 (不上传)
│   └── tfidf/                     # TF-IDF 持久化 (不上传)
├── requirements.txt
└── README.md

技术栈

  • 后端框架: FastAPI + Uvicorn

  • 中文分词: jieba

  • 向量检索: TF-IDF (numpy/sklearn)

  • LLM: 智谱 GLM-4-Flash

  • 协议: Model Context Protocol (MCP)

  • 前端: HTML + JavaScript (无框架)

简历描述

DocAgent-MCP：面向本地文档的 Agentic-RAG 与 MCP 工具化问答系统

- 基于 FastAPI、GLM-4-Flash、jieba、TF-IDF 构建本地文档 RAG 系统，
  支持 PDF/Word 解析、中文检索、持久化存储、引用溯源和基于检索增强的问答生成。

- 设计多轮对话管理、意图识别和查询改写模块，支持新问题、追问、摘要、对比、
  计算和闲聊等 6 类意图，并根据上下文动态选择检索策略。

- 抽象 Tool Registry 工具注册中心，统一封装文档问答、文档摘要和计算器工具，
  设计 ToolResult 标准返回格式，实现工具调用轨迹可视化。

- 基于 MCP Server 将本地文档检索、问答和摘要能力暴露为标准工具接口，
  支持外部 Agent 通过统一协议调用本地知识库能力。

License

MIT License

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityStale
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • RAG In A Box MCP Server

    DevNexsler
    F
    license
    Not graded
    quality
    B
    maintenance
    Enables any MCP-compatible AI assistant to search, filter, and retrieve information from a local document collection using a hybrid search pipeline with vector, BM25, reranking, and LLM enrichment.
    4
    -
  • fayna-rag-mcp by fayna-digital

    fayna-rag-mcpofficial

    fayna-digital
    A
    license
    Not graded
    quality
    B
    maintenance
    Enables local knowledge base management with retrieval-augmented generation (RAG), providing semantic search, document reading, listing, and Q&A via MCP tools and REST endpoints, all running locally without cloud dependencies.
    MIT