【必学收藏】RAG+MCP：让AI助手拥有实时数据能力，小白也能轻松上手大模型开发

最新推荐文章于 2025-11-23 19:13:18 发布

原创最新推荐文章于 2025-11-23 19:13:18 发布 · 833 阅读

CC 4.0 BY-SA版权

文章标签：

#人工智能 #transformer #设计模式 #chatgpt #学习 #大模型 #大模型学习

本文介绍RAG（检索增强生成）与MCP（模型上下文协议）的结合应用，解决AI缺乏实时数据支持的问题。RAG通过检索最新信息提高AI回答准确性，MCP则标准化AI与外部工具的交互。文章详细说明了两者协同工作机制，并提供完整的集成步骤，包括环境配置、代码实现和测试方法，帮助开发者快速构建具备实时数据能力的AI应用。

一、什么是RAG？

RAG是一种AI框架，它将传统信息检索系统（如搜索引擎和数据库）的强大功能与擅长自然语言生成的AI模型相结合。简单来说，RAG就像是在写详细报告之前，先向图书馆员咨询信息一样。它能够为AI模型提供外部知识，让模型在回答问题时更加准确、实时且具有上下文意识。RAG的好处包括：

实时且准确的回答：通过检索最新的信息，RAG能够确保AI的回答基于最新的数据。
减少“幻觉”：AI模型有时会生成一些看似合理但实际上并不存在的信息，这种现象被称为“幻觉”。RAG能够通过检索真实数据来减少这种情况的发生。
上下文感知的答案：RAG能够根据上下文提供更贴切的答案，而不是简单地生成一段通用的文本。

二、什么是MCP？

MCP是一种开放协议，它在你的AI助手和外部工具之间架起了一座桥梁。传统上，将API和工具与AI模型集成需要编写大量的自定义代码，而MCP提供了一种通用且简单的方式来连接这些工具。它就像是一个即插即用的工具，让AI模型能够准确、高效地访问现实世界的工具、API或数据集。

三、RAG与MCP如何协同工作？

在RAG中，MCP充当了一个检索层的角色。它根据你的查询，从数据库中检索出重要的信息片段。MCP完全标准化了你与数据库的交互方式，这意味着你不再需要为每个RAG项目编写自定义代码。它能够根据AI的推理动态地使用工具。

四、RAG与MCP的使用场景

RAG与MCP的结合有着广泛的应用场景，以下是一些例子：

新闻文章摘要：通过搜索新闻文章并进行摘要，为用户提供最新的新闻动态。
金融市场更新：查询金融API，获取最新的市场信息，帮助用户做出更明智的投资决策。
私密文档查询：加载私密文档，为用户提供基于上下文的准确答案。
天气或位置信息查询：在回答问题之前，先获取天气或位置信息，使答案更具针对性。
企业搜索：通过PDF或数据库连接器，为企业的内部搜索提供支持。

五、如何实现RAG与MCP的集成？

接下来，我们将详细地介绍如何实现RAG与MCP的集成。按照以下步骤，你可以轻松创建你的第一个MCP服务器，并实现RAG功能。

第一步：安装依赖项

首先，我们需要安装一些必要的库。在你的终端中运行以下命令：

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

这一步将安装所有所需的库。

第二步：创建`server.py`

接下来，我们需要定义一个RAG MCP服务器。在server.py文件中编写以下代码：

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


# 创建一个MCP服务器
mcp = FastMCP("RAG")


# 设置嵌入模型（你可以选择其他Hugging Face模型）
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")


# 设置Groq LLM
model = ChatGroq(
   model_name="llama3-8b-8192",  # 或其他Groq支持的模型
   groq_api_key="YOUR_GROQ_API"  # 如果未通过环境变量设置，则需要在此处指定
)


# 加载文档
loader = TextLoader("dummy.txt")
data = loader.load()


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


# 向量数据库
docsearch = Chroma.from_documents(texts, embeddings)


# 检索链
qa = RetrievalQA.from_chain_type(llm=model, retriever=docsearch.as_retriever())


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


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

在这段代码中，我们使用了Groq API来访问LLM。请确保你拥有Groq API密钥。dummy.txt是你的数据文件，你可以根据需要更改其内容。

第三步：配置Cursor IDE

现在，我们需要将我们的服务器与Cursor IDE进行配置，以便测试我们的服务器。

从Cursor官网下载Cursor IDE。
安装并注册，进入主界面。
在顶部工具栏中点击“文件”，然后选择“首选项”中的“Cursor设置”。
在Cursor设置中，点击“MCP”。
在MCP标签页中，点击“添加新的全局MCP服务器”。
打开mcp.json文件，并将以下代码粘贴进去，然后保存文件。

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

请将/path/to/python替换为你的Python可执行文件路径，将/path/to/server.py替换为你的server.py文件路径。

回到Cursor设置，你应该会看到以下界面：

如果看到上述界面，说明你的服务器已经成功运行并与Cursor IDE连接。如果出现错误，可以尝试点击右上角的“重启”按钮。

第四步：测试MCP服务器

现在，我们的RAG MCP服务器已经可以正常工作了，让我们来测试一下它的功能。

你可以尝试以下查询：

查询：“什么是Zephyria？使用rag-server回答。”
查询：“Zephyria星球上的冲突是什么？”
查询：“Zephyria的首都是哪里？”

通过这些查询，你可以看到服务器如何根据你的问题检索并返回最相关的信息片段。

六、总结

通过将RAG与MCP相结合，我们可以彻底改变与AI助手的交流方式。它能够将你的AI从一个简单的文本生成器转变为一个像人类一样思考和处理信息的实时助手。这种集成不仅可以提高你的工作效率，还能随着时间的推移提升你的工作效果。通过上述简单的步骤，任何人都可以构建连接到现实世界的AI应用程序。现在，是时候为你的LLM赋予超级能力，搭建自己的MCP工具了！