在當(dāng)今數(shù)字化時(shí)代，AI已經(jīng)成為了我們生活中不可或缺的一部分。無(wú)論是智能助手、聊天機(jī)器人，還是各種自動(dòng)化工具，AI都在為我們提供著各種便利。然而，你是否也曾遇到過(guò)這樣的問(wèn)題：當(dāng)AI沒(méi)有實(shí)時(shí)數(shù)據(jù)支持時(shí)，它的回答總是顯得有些模糊和不準(zhǔn)確？或者，每次需要在本地?cái)?shù)據(jù)上實(shí)現(xiàn)RAG（Retrieval-Augmented Generation，檢索增強(qiáng)生成）時(shí)，都要重復(fù)編寫(xiě)代碼，這不僅耗時(shí)，還容易出錯(cuò)。別擔(dān)心，今天我們就來(lái)聊聊如何通過(guò)RAG與MCP（Model Context Protocol，模型上下文協(xié)議）的結(jié)合，輕松解決這些問(wèn)題，讓你的AI變得更加智能和高效。

一、什么是RAG？

RAG是一種AI框架，它將傳統(tǒng)信息檢索系統(tǒng)（如搜索引擎和數(shù)據(jù)庫(kù)）的強(qiáng)大功能與擅長(zhǎng)自然語(yǔ)言生成的AI模型相結(jié)合。簡(jiǎn)單來(lái)說(shuō)，RAG就像是在寫(xiě)詳細(xì)報(bào)告之前，先向圖書(shū)館員咨詢信息一樣。它能夠?yàn)锳I模型提供外部知識(shí)，讓模型在回答問(wèn)題時(shí)更加準(zhǔn)確、實(shí)時(shí)且具有上下文意識(shí)。RAG的好處包括：

• 實(shí)時(shí)且準(zhǔn)確的回答：通過(guò)檢索最新的信息，RAG能夠確保AI的回答基于最新的數(shù)據(jù)。
• 減少“幻覺(jué)”：AI模型有時(shí)會(huì)生成一些看似合理但實(shí)際上并不存在的信息，這種現(xiàn)象被稱為“幻覺(jué)”。RAG能夠通過(guò)檢索真實(shí)數(shù)據(jù)來(lái)減少這種情況的發(fā)生。
• 上下文感知的答案：RAG能夠根據(jù)上下文提供更貼切的答案，而不是簡(jiǎn)單地生成一段通用的文本。

二、什么是MCP？

MCP是一種開(kāi)放協(xié)議，它在你的AI助手和外部工具之間架起了一座橋梁。傳統(tǒng)上，將API和工具與AI模型集成需要編寫(xiě)大量的自定義代碼，而MCP提供了一種通用且簡(jiǎn)單的方式來(lái)連接這些工具。它就像是一個(gè)即插即用的工具，讓AI模型能夠準(zhǔn)確、高效地訪問(wèn)現(xiàn)實(shí)世界的工具、API或數(shù)據(jù)集。

三、RAG與MCP如何協(xié)同工作？

在RAG中，MCP充當(dāng)了一個(gè)檢索層的角色。它根據(jù)你的查詢，從數(shù)據(jù)庫(kù)中檢索出重要的信息片段。MCP完全標(biāo)準(zhǔn)化了你與數(shù)據(jù)庫(kù)的交互方式，這意味著你不再需要為每個(gè)RAG項(xiàng)目編寫(xiě)自定義代碼。它能夠根據(jù)AI的推理動(dòng)態(tài)地使用工具。

四、RAG與MCP的使用場(chǎng)景

RAG與MCP的結(jié)合有著廣泛的應(yīng)用場(chǎng)景，以下是一些例子：

• 新聞文章摘要：通過(guò)搜索新聞文章并進(jìn)行摘要，為用戶提供最新的新聞動(dòng)態(tài)。
• 金融市場(chǎng)更新：查詢金融API，獲取最新的市場(chǎng)信息，幫助用戶做出更明智的投資決策。
• 私密文檔查詢：加載私密文檔，為用戶提供基于上下文的準(zhǔn)確答案。
• 天氣或位置信息查詢：在回答問(wèn)題之前，先獲取天氣或位置信息，使答案更具針對(duì)性。
• 企業(yè)搜索：通過(guò)PDF或數(shù)據(jù)庫(kù)連接器，為企業(yè)的內(nèi)部搜索提供支持。

五、如何實(shí)現(xiàn)RAG與MCP的集成？

接下來(lái)，我們將詳細(xì)地介紹如何實(shí)現(xiàn)RAG與MCP的集成。按照以下步驟，你可以輕松創(chuàng)建你的第一個(gè)MCP服務(wù)器，并實(shí)現(xiàn)RAG功能。

第一步：安裝依賴項(xiàng)

首先，我們需要安裝一些必要的庫(kù)。在你的終端中運(yùn)行以下命令：

pip install langchain>=0.1.0 \
           langchain-community>=0.0.5 \
           langchain-groq>=0.0.2 \
           mcp>=1.9.1 \
           chromadb>=0.4.22 \
           huggingface-hub>=0.20.3 \
           transformers>=4.38.0 \
           sentence-transformers>=2.2.2

這一步將安裝所有所需的庫(kù)。

第二步：創(chuàng)建???server.py??

接下來(lái)，我們需要定義一個(gè)RAG MCP服務(wù)器。在??server.py??文件中編寫(xiě)以下代碼：

from mcp.server.fastmcp import FastMCP
from langchain.chains import RetrievalQA
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_groq import ChatGroq  # Groq LLM


# 創(chuàng)建一個(gè)MCP服務(wù)器
mcp = FastMCP("RAG")


# 設(shè)置嵌入模型（你可以選擇其他Hugging Face模型）
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")


# 設(shè)置Groq LLM
model = ChatGroq(
   model_name="llama3-8b-8192",  # 或其他Groq支持的模型
   groq_api_key="YOUR_GROQ_API"  # 如果未通過(guò)環(huán)境變量設(shè)置，則需要在此處指定
)


# 加載文檔
loader = TextLoader("dummy.txt")
data = loader.load()


# 文檔分割
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(data)


# 向量數(shù)據(jù)庫(kù)
docsearch = Chroma.from_documents(texts, embeddings)


# 檢索鏈
qa = RetrievalQA.from_chain_type(llm=model, retriever=docsearch.as_retriever())


@mcp.tool()
def retrieve(prompt: str) -> str:
   """使用RAG獲取信息"""
   return qa.invoke(prompt)


if __name__ == "__main__":
   mcp.run()

在這段代碼中，我們使用了Groq API來(lái)訪問(wèn)LLM。請(qǐng)確保你擁有Groq API密鑰。??dummy.txt??是你的數(shù)據(jù)文件，你可以根據(jù)需要更改其內(nèi)容。

第三步：配置Cursor IDE

現(xiàn)在，我們需要將我們的服務(wù)器與Cursor IDE進(jìn)行配置，以便測(cè)試我們的服務(wù)器。

1. 從Cursor官網(wǎng)下載Cursor IDE。
2. 安裝并注冊(cè)，進(jìn)入主界面。
3. 在頂部工具欄中點(diǎn)擊“文件”，然后選擇“首選項(xiàng)”中的“Cursor設(shè)置”。
4. 在Cursor設(shè)置中，點(diǎn)擊“MCP”。
5. 在MCP標(biāo)簽頁(yè)中，點(diǎn)擊“添加新的全局MCP服務(wù)器”。
6. 打開(kāi)??mcp.json??文件，并將以下代碼粘貼進(jìn)去，然后保存文件。

{
 "mcpServers": {
   "rag-server": {
     "command": "/path/to/python",
     "args": [
       "path/to/server.py"
     ]
   }
 }
}

請(qǐng)將??/path/to/python???替換為你的Python可執(zhí)行文件路徑，將??/path/to/server.py???替換為你的??server.py??文件路徑。

回到Cursor設(shè)置，你應(yīng)該會(huì)看到以下界面：

如果看到上述界面，說(shuō)明你的服務(wù)器已經(jīng)成功運(yùn)行并與Cursor IDE連接。如果出現(xiàn)錯(cuò)誤，可以嘗試點(diǎn)擊右上角的“重啟”按鈕。

第四步：測(cè)試MCP服務(wù)器

現(xiàn)在，我們的RAG MCP服務(wù)器已經(jīng)可以正常工作了，讓我們來(lái)測(cè)試一下它的功能。

你可以嘗試以下查詢：

• 查詢：“什么是Zephyria？使用rag-server回答?！?/li>
• 查詢：“Zephyria星球上的沖突是什么？”
• 查詢：“Zephyria的首都是哪里？”

通過(guò)這些查詢，你可以看到服務(wù)器如何根據(jù)你的問(wèn)題檢索并返回最相關(guān)的信息片段。

六、總結(jié)

通過(guò)將RAG與MCP相結(jié)合，我們可以徹底改變與AI助手的交流方式。它能夠?qū)⒛愕腁I從一個(gè)簡(jiǎn)單的文本生成器轉(zhuǎn)變?yōu)橐粋€(gè)像人類一樣思考和處理信息的實(shí)時(shí)助手。這種集成不僅可以提高你的工作效率，還能隨著時(shí)間的推移提升你的工作效果。通過(guò)上述簡(jiǎn)單的步驟，任何人都可以構(gòu)建連接到現(xiàn)實(shí)世界的AI應(yīng)用程序?，F(xiàn)在，是時(shí)候?yàn)槟愕腖LM賦予超級(jí)能力，搭建自己的MCP工具了！

本文轉(zhuǎn)載自??Halo咯咯??    作者：基咯咯