使用说明

项目简介

本项目是一个基于 Model Context Protocol (MCP) 的 RAG (Retrieval-Augmented Generation) 示例服务器实现。它演示了如何使用 MCP 协议构建一个可以向 LLM 客户端提供外部数据访问能力的后端服务，特别是集成了 AWS Knowledge Base，通过 MCP 工具提供强大的知识库检索功能。本项目使用了 LangChain MCP Adapters 和 LangGraph，方便用户理解如何在 LangChain 生态中使用 MCP。

主要功能点

资源 (Resources) 访问: 通过集成的 AWS Knowledge Base，提供文档的检索和访问能力，使得 LLM 可以利用外部知识进行问答。
工具 (Tools) 注册和执行: 注册 'search' 工具，允许 LLM 客户端调用该工具进行知识库查询，并返回检索结果。
Prompt 模板 (Prompts): 虽然仓库内容没有明确展示 Prompt 模板，但集成了 LangChain 和 LangGraph，具备定义和渲染 Prompt 模板的能力，可以支持定制化的 LLM 交互模式。
标准 MCP 协议: 使用 'fastmcp' 库构建 MCP 服务器，遵循 MCP 协议标准，可以通过 JSON-RPC 协议与客户端进行通信。
传输协议: 支持 Stdio 传输协议，方便本地开发和测试。
集成 LangChain 和 LangGraph: 展示了如何将 MCP 服务器与 LangChain 和 LangGraph 结合使用，构建复杂的 LLM 应用。

安装步骤

环境准备: 确保已安装 Python 3.8 或更高版本。

安装依赖: 使用 pip 安装必要的 Python 包：

pip install mcp langchain-mcp-adapters streamlit streamlit_chat boto3 langchain_aws langchain langchain_community langgraph

AWS 凭证配置: 配置 AWS CLI 凭证，确保可以访问 AWS Bedrock 和 Knowledge Base 等服务。
配置 'config.json': 复制 'cdk-mcp-rag/environment-for-mcp-rag' CDK stack 输出的 'environmentformcprag' 内容，创建 'application/config.json' 文件，并根据实际情况修改配置，例如 AWS 区域、项目名称、账户 ID 等。

服务器配置

MCP 服务器需要通过 MCP 客户端进行连接和调用。MCP 客户端需要配置 MCP 服务器的启动命令 (command) 及其参数 (args)。以下是针对本项目 'application/mcp-server.py' 的 MCP 服务器配置信息，请复制以下 JSON 配置到您的 MCP 客户端配置中：

{
  "mcpServers": {
    "search": {
      "command": "python",
      "args": [
        "application/mcp-server.py"
      ]
    }
  }
}

配置参数说明:

'"search"': 服务器名称，可以自定义。
'"command": "python"': 启动服务器的命令，这里使用 'python' 命令。
'"args": ["application/mcp-server.py"]': 启动服务器命令的参数，指定 MCP 服务器脚本的路径为 'application/mcp-server.py'。

基本使用方法

启动 MCP 服务器: 在仓库根目录下，打开终端，激活 Python 虚拟环境（如果已创建），然后运行 Streamlit 应用以启动 MCP 服务器：
```
streamlit run application/app.py
```
这将同时启动 Streamlit UI 界面和后端的 MCP 服务器。
配置 MCP 客户端: 在您的 MCP 客户端（例如 Cursor 或 Claude Desktop），配置上述 服务器配置 中提供的 JSON 信息。
使用 MCP 客户端与服务器交互: 在 MCP 客户端中，您可以配置 Agent，使其能够发现和调用 MCP 服务器提供的 'search' 工具。例如，在 LangGraph Agent 中，您可以使用 'MultiServerMCPClient' 连接到 MCP 服务器，并加载 'search' 工具。Agent 即可利用该工具进行知识库检索，从而增强 LLM 的上下文理解和问答能力。

示例代码 (MCP 客户端 Agent 配置 - 仅供参考，具体代码请参考仓库 'rag-client.py' 和 'rag-agent.py'):

from langchain_mcp_adapters.client import MultiServerMCPClient

server_params = {
    "RAG": {
        "command": "python",
        "args": ["application/mcp-server.py"],
        "transport": "stdio",
    }
}

async with  MultiServerMCPClient(server_params) as client:
    tools = client.get_tools()
    agent = create_agent(tools) # create_agent 函数需要您根据仓库代码自行实现
    response = await agent.ainvoke({"messages": user_query})
    result = response["messages"][-1].content
    print(result)

注意: 请根据您的 MCP 客户端的具体使用方法进行配置和调用。本说明仅提供基本的使用指导，更详细的集成和使用方法，请参考仓库中的代码示例和 README 文档。

关键词