MCP-RAG: Modular RAG Pipeline using MCP & GroundX

MCP-RAG：使用 MCP 和 GroundX 的模块化 RAG 流水线

可用于生产环境的检索增强生成设置

🚀 概述

MCP-RAG 是一套模块化、可用于生产环境的检索增强生成（RAG）系统，由以下部分提供支持：

• 🧠 MCP（Model Context Protocol），用于标准化工具编排
• 🔍 GroundX，用于语义搜索、数据摄取和向量存储操作
• 🤖 OpenAI GPT-4，用于由大模型驱动的上下文响应生成

它可以清晰地划分数据摄取、搜索、生成和工具发现各环节的职责，使系统具备可扩展性、灵活性，并满足企业级需求。

📌 由 Sujith Somanunnithan 开发，面向使用可复用组件构建 AI 驱动应用的团队。

---

📦 功能

• 🔧 使用 MCP 服务接口进行模块化工具设计
• 🧩 使用 Jinja2 渲染的 YAML 提示词模板
• 📂 将 PDF 文件摄取到 GroundX 向量存储中
• 🔍 通过 GroundX 搜索工具进行实时语义搜索
• 🤝 即插即用的 API 集成，支持接入新工具和服务

---

📁 项目结构

mcp-rag/
├── server.py                     # MCP Server initialization
├── config.py                     # Environment and config management
├── ingestion.py                  # File ingestion tool logic
├── search.py                     # Search + LLM generation logic
├── prompts.yaml                  # Prompt template in Jinja2
├── models.py                     # Pydantic models for configs
├── .env                          # API keys (excluded from version control)
├── pyproject.toml                # Project config for uv / MCP
├── README.md                     # This file

---

🧠 架构流程

1. 用户查询到达 MCP 服务
2. 服务将查询路由到搜索工具
3. 搜索工具查询 GroundX API
4. 通过 YAML 提示词渲染片段
5. OpenAI API 生成最终的大模型响应

🔄 所有工具都可以通过 MCP 动态发现和调用。

---

🔑 环境设置

创建 .env 并填入密钥：

OPENAI_API_KEY=your-openai-key
GROUNDEX_API_KEY=your-groundx-key

使用 uv 安装：

uv pip install -r pyproject.toml

---

⚙️ 使用方法

启动服务：

mcp dev server.py

摄取 PDF：

mcp call ingest_documents --args '{"file_path": "data/sample.pdf"}'

使用查询进行搜索：

mcp call process_search_query --args '{"query": "What is explained in section 3?"}'

---

📌 清晰划分职责

角色	组件
工具发现/调用	MCP 服务
搜索执行	GroundX API
响应生成	OpenAI API
文件上传	摄取工具（MCP）

---

📚 许可证

本项目采用 MIT License 许可。

---

👨‍💻 作者

Sujith Somanunnithan
云与 AI 架构师 | sujith.de

---

💬 反馈与贡献

欢迎提交问题、拉取请求，或联系作者提出改进建议或扩展功能（例如多文件摄取、RAG 回退链等）。