MCP RAG Service

MCP сервис для интеграции с Python RAG Server (DuckDB VSS) v2.0

Улучшенный MCP сервис для работы с продвинутыми методами векторного поиска, основанный на принципе KISS (Keep It Simple, Stupid).

🚀 Возможности

Основные функции:

• rag_upload_file - Загрузка файлов в RAG сервер
• rag_search - Продвинутый поиск по документам (гибридный, семантический, ключевой) с переранжированием и расширением запроса.
• rag_get_file_content - Получение полного содержимого файла из базы данных.
• rag_similar_documents - Поиск похожих документов
• rag_analyze_collection - Анализ коллекции (кластеры, выбросы, центральность)
• rag_get_collection_stats - Получение быстрой статистики по RAG коллекции.
• rag_query_direct - Прямые SQL запросы к DuckDB VSS

Поддерживаемые форматы файлов:

• Текстовые: .txt, .md
• Документы: .pdf
• Программный код: .py, .js, .java, .c, .cpp
• Конфигурационные: .json, .yaml, .yml, .ini, .toml

📋 Требования

• Python 3.8+
• Работающий Python RAG Server с DuckDB VSS
• MCP совместимый клиент (например, Claude Desktop)

🛠️ Установка и запуск

# Клонирование репозитория
cd mcp-rag-service

# Установка в режиме разработки
pip install -e .

# Или с dev зависимостями
pip install -e ".[dev]"

Запуск через Docker (Рекомендуется)

1. Сборка Docker образа:

docker build -t mcp-rag-service:latest .

2. Запуск контейнера:

docker run --rm -it \
  --network="host" \
  -v "/path/to/your/rag-server/data:/data" \
  mcp-rag-service:latest

Контейнеру нужен доступ к RAG серверу (по умолчанию http://localhost:8000) и к файлу базы данных rag.duckdb.

• --network="host": Позволяет контейнеру обращаться к localhost хост-машины.
• -v "/path/to/your/rag-server/data:/data": Монтирует папку с rag.duckdb внутрь контейнера.

Настройка MCP клиента (например, Cursor или Claude Desktop)

Добавьте в конфигурационный файл вашего клиента:

{
  "mcpServers": {
    "rag-vector-service": {
      "command": "docker",
      "args": [
        "run", "--rm", "-i",
        "--network=host",
        "-v", "/path/to/your/rag-server/data:/data",
        "mcp-rag-service:latest"
      ],
      "env": {
        "RAG_SERVER_URL": "http://localhost:8000"
      }
    }
  }
}

Замените /path/to/your/rag-server/data на реальный путь к папке data вашего основного RAG сервера.

Убедитесь, что основной RAG сервер запущен:

cd /path/to/your/python-rag-server
docker run -p 8000:8000 -v "$(pwd)/data:/app/data" ...

📖 Использование

Загрузка файла

# Загрузка документа
await mcp_client.call_tool(
    "rag_upload_file",
    {"file_path": "/path/to/document.pdf"}
)

Продвинутый поиск

# Гибридный поиск с переранжированием
await mcp_client.call_tool(
    "rag_search",
    {
        "query": "машинное обучение и нейронные сети",
        "top_k": 5,
        "search_type": "hybrid",
        "use_reranker": true,
        "expand_query": false
    }
)

Анализ коллекции

# Поиск похожих документов
await mcp_client.call_tool(
    "rag_similar_documents",
    {
        "reference_file": "main.py",
        "top_k": 3
    }
)

# Анализ кластеров
await mcp_client.call_tool(
    "rag_analyze_collection",
    {
        "analysis_type": "clusters",
        "top_k": 10
    }
)

Получение статистики

# Получить общую статистику по базе данных
await mcp_client.call_tool(
    "rag_get_collection_stats",
    {}
)

Прямой SQL запрос

# Для продвинутых пользователей
await mcp_client.call_tool(
    "rag_query_direct",
    {
        "sql_query": "SELECT file_name, COUNT(*) FROM chunks GROUP BY file_name"
    }
)

🔒 Безопасность

• ✅ Валидация путей к файлам
• ✅ Whitelist разрешенных расширений файлов
• ✅ SQL injection защита для прямых запросов
• ✅ Ограничение на команды только для чтения (SELECT, WITH, SHOW, etc.)
• ✅ Санитизация имен файлов
• ✅ Контейнеризация через Docker для простоты развертывания.

🏗️ Архитектура

mcp-rag-service/
├── Dockerfile                 # Docker-файл для сборки сервиса
├── src/                       # Исходный код
│   ├── rag_mcp_server.py     # Главный MCP сервер
│   ├── rag_client.py         # HTTP клиент для RAG сервера
│   ├── vector_operations.py  # Векторные операции и аналитика
│   └── utils.py              # Утилиты и валидация
├── examples/                  # Примеры использования
│   ├── upload_example.py     # Загрузка файлов
│   ├── search_example.py     # Семантический поиск
│   └── analysis_example.py   # Анализ коллекции
└── pyproject.toml            # Конфигурация проекта

🧠 Векторная аналитика

Основные типы анализа:

Кластеризация: Поиск самых похожих пар документов для понимания тематических групп.

Поиск выбросов: Выявление уникального контента, который отличается от основной коллекции.

Анализ центральности: Определение "центральных" документов, которые связаны с большинством других.

Матрица similarity: Анализ связей между файлами для понимания структуры коллекции.

🚦 Статус проекта

• ✅ Основные MCP функции реализованы
• ✅ Интеграция с DuckDB VSS
• ✅ Безопасность и валидация
• ✅ Векторная аналитика
• ✅ Продвинутые методы поиска
• ⏳ REST API интеграция (улучшение)
• ⏳ Тесты
• ⏳ Продвинутая обработка ошибок

📄 Лицензия

MIT License