关键词

AI代理平台知识图谱RAG上下文工程LLM工具

项目简介

TrustGraph 是一个专为数据工程师设计的企业级 AI 代理平台。它提供全面的上下文工程解决方案，结合了知识图谱和向量数据库的强大功能，旨在帮助企业连接数据孤岛、自动化上下文构建，并部署可信赖的 AI 代理。其核心服务通过一个符合 Model Context Protocol (MCP) 标准的服务器暴露，支持 LLM 客户端以标准化方式访问数据、调用外部功能和使用 Prompt 模板。

主要功能点

  • 上下文工程: 自动化构建知识图谱，将实体、主题及关系与向量嵌入关联，为 LLM 提供丰富准确的上下文。
  • LLM 及代理管理: 连接主流 LLM 服务，支持私有模型部署，并提供智能代理执行复杂任务的能力。
  • 数据管理: 管理文档、知识核心 (Knowledge Cores) 和处理流，实现数据摄取、转换和重用。
  • Prompt 管理: 动态编辑和管理 LLM 的 Prompt 模板，包括系统 Prompt、数据转换 Prompt 和 RAG 上下文生成 Prompt。
  • 工具集成: 注册并执行包括嵌入生成、文本补全、图RAG查询、代理执行、知识图谱查询等多种工具。
  • JSON-RPC 通信: 通过标准 JSON-RPC 协议与 LLM 客户端进行通信，支持多种传输协议。

安装步骤

由于 TrustGraph 是一个复杂的平台，通常通过其官方文档提供的部署脚本和配置工具进行安装。以下是大致的安装流程：

  1. 环境准备: 确保您的系统已安装 Python 3.8+、Docker/Kubernetes (取决于部署方式) 及其他必要的依赖。
  2. 获取代码: 从 GitHub 仓库克隆 TrustGraph 项目。
  3. 安装 Python 依赖: 在项目根目录或相关子目录中运行 'pip install -e .' 或 'pip install -r requirements.txt' 来安装所有 Python 包。例如，针对 MCP 服务器部分，可能需要进入 'trustgraph-mcp' 目录安装其依赖。
  4. 配置平台: 访问官方提供的 Configuration Builder，构建您的部署配置，选择所需的 LLM、图数据库、向量数据库等组件，然后下载部署所需的 YAML 文件。
  5. 部署: 按照下载的 YAML 文件中的说明，使用 Docker Compose 或 Kubernetes 部署整个平台。
  6. 启动 MCP 服务器: 确保 MCP 服务器组件被正确启动。它通常会作为平台服务的一部分自动运行。

服务器配置

MCP 客户端需要配置以下信息以连接到 TrustGraph MCP 服务器。请注意，这里的 'command' 和 'args' 是 MCP 服务器的启动命令及其参数，而不是 LLM 客户端直接执行的命令。LLM 客户端会使用这些信息启动 MCP 服务器进程，并通过标准输入/输出或 WebSocket 进行通信。

MCP服务器名称: 'TrustGraph MCP Server' MCP服务器的启动命令: 'python -m trustgraph.mcp_server' MCP服务器的启动参数:

{
  "host": "0.0.0.0", // MCP服务器监听的IP地址，默认0.0.0.0，允许从任何网络接口访问
  "port": 8000,      // MCP服务器监听的端口，默认8000
  "websocket_url": "ws://api-gateway:8088/api/v1/socket" // TrustGraph内部API Gateway的WebSocket URL，MCP服务器将通过此URL与TrustGraph的核心服务进行通信
}

请根据您的实际部署环境调整 'host', 'port' 和 'websocket_url' 参数。例如，如果 TrustGraph 部署在 Docker 中，'websocket_url' 通常指向内部的 'api-gateway' 服务。

基本使用方法

一旦 TrustGraph 平台及 MCP 服务器启动并运行，LLM 客户端可以通过配置上述连接信息来与其交互。MCP 客户端可以发送 JSON-RPC 请求来：

  1. 获取可用工具: 查询 MCP 服务器支持的工具列表及其描述。
  2. 调用工具: 例如，发送 'embeddings' 请求来生成文本嵌入，或发送 'graph_rag' 请求来执行基于知识图谱的 RAG 查询。
  3. 管理 Prompt 模板: 获取、更新 Prompt 模板以定制 LLM 行为。
  4. 管理知识核心和文档: 上传文档，加载知识核心，以扩展 LLM 可用的上下文。 具体交互细节取决于您使用的 MCP 客户端工具。通常，LLM 客户端会通过调用这些工具来构建更复杂的 AI 代理应用。

信息

分类

AI与计算

访问项目