mcpField
R
ragdrift-mcp

ragdrift-mcp

本地服务
github.com/MukundaKatta记忆与知识020 周前更新
代码仓库

关于 ragdrift-mcp

ragdrift-mcp 是帮助 LLM 解读 RAG 漂移分数和告警的 MCP 服务，提供严重程度说明、阈值建议及维度参考；漂移检测由配套库或遥测系统完成。

主要功能

  1. 01解读漂移分数及严重程度
  2. 02按样本量和误报预算建议阈值
  3. 03说明五种漂移维度

适用场景

  1. 01评估 RAG 漂移告警的严重程度
  2. 02根据样本量和误报预算选择阈值

MCP 相关

向 MCP 客户端提供解读漂移分数、建议阈值和说明维度的工具。

配置

本地服务的配置在各客户端中通用，复制后粘贴到客户端的 MCP 配置文件即可。

mcp.json · 通用配置
{
  "mcpServers": {
    "mukundakatta-ragdrift": {
      "command": "npx",
      "args": [
        "-y",
        "@mukundakatta/ragdrift-mcp"
      ]
    }
  }
}
启动命令npx -y @mukundakatta/ragdrift-mcp

本地服务需要在你的电脑上安装运行环境（如 Node.js 18+）。各客户端的配置文件位置不同，请参考客户端文档。

安装包
npm@mukundakatta/ragdrift-mcp0.1.1

工具

3

收录的工具列表 · 更新于 2 周前

参数类型必填说明
scorenumber是检测器提供的漂移分数。
dimensionenum是data | embedding | response | confidence | query
thresholdnumber否可选。若提供，则返回分数是否超过该值。

详细介绍

@mukundakatta/ragdrift-mcp

用于诊断 RAG 漂移的 MCP 服务。无需安装 Rust 或 PyO3，即可让大模型分析漂移分数。

与 ragdrift crate 和 ragdrift-py PyPI wheel 配套使用——此 MCP 服务负责解读；实际漂移检测由这些库（或你现有的遥测系统）完成。

工具

  • interpret_drift_score(score, dimension, threshold?) — 通俗易懂的 解读、严重程度分类和建议的后续步骤。
  • recommend_thresholds(dimension, sample_size, false_positive_budget) — 根据样本大小和误报预算调整的阈值。
  • explain_drift_dimensions() — 5 个维度（数据、嵌入、响应、置信度、查询）的 结构化参考。

适用场景

当你希望 Claude Desktop / Cursor / Cline / Windsurf / Zed 帮助诊断 RAG 漂移警报时， 即可安装。会话示例：

用户：“收到一个嵌入漂移警报，样本为 500，分数为 0.27。 需要担心吗？”

大模型（调用 interpret_drift_score）：“嵌入维度的分数 0.27 落在‘显著变化，需要调查’区间。 底层方法为 MMD²（RBF kernel）和 sliced Wasserstein-1。可能的后续步骤：嵌入模型是否发生了变化？ 语料库是否重新建立了索引？比较基线与当前文档样本。”

安装 — Claude Desktop

{
  "mcpServers": {
    "ragdrift": {
      "command": "npx",
      "args": ["-y", "@mukundakatta/ragdrift-mcp"]
    }
  }
}

安装 — Cursor / Cline / Windsurf / Zed

每种工具的配置方式相同。通过 stdio 运行 npx -y @mukundakatta/ragdrift-mcp。

许可证

MIT OR Apache-2.0。

评论

支持 Markdown

第一次接触 MCP？

从协议是什么，到在客户端里装上第一个服务，这几条回答覆盖了大多数入门问题。

一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。