Agentic Rag MCP 8a2d7bc4

MCP搜索检索

提供方 MohamedMarawany

搜索检索 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

Agentic RAG MCP是一个模块化的检索增强生成系统,具备高级分块、多源LLM支持、强大的数据库集成和多语言问答功能,适用于需要从多种数据源获取准确信息的场景。

一句话选型结论

按资料字段整理

Agentic Rag MCP 8a2d7bc4 属于搜索检索类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类搜索检索 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

搜索检索
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

检索增强生成Python本地部署多语言问答数据库集成PDF处理模块化设计

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
pip install -r requirements.txt

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js 等运行时,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
联网搜索取证

让模型查最新资料并给出出处。

资料聚合

把一个主题的网页、文档集中抓回来整理。

情报与竞品检索

按关键词持续检索行业动态和竞品信息。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在搜索检索场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Agentic Rag MCP 8a2d7bc4当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Brave Search 433812ff 2 未标注 未标注 无 2026-05-17
Sequentialthinking 1 SSE · 服务端推送 远程部署 有 2026-05-18
Baidu Netdisk 未标注 未标注 未标注 无 2026-05-17
ragflow 未标注 stdio · 本地进程 本地部署 有 2026-04-11
mindsdb (430e18) 未标注 未标注 未标注 有 2026-05-17

服务器档案

搜索检索
字段来自项目仓库与公开索引,中文说明由本站标注
提供方MohamedMarawany上游标注的维护方 MohamedMarawany
分类搜索检索本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

2.9 KB
来自项目仓库与上游目录的原文,未做删改

Agentic RAG MCP

Features

  • Hybrid document chunking: Docling (Markdown-aware) with automatic fallback to NLTK for granular, RAG-friendly chunks.
  • PDF ingestion and QA: Ask questions about any PDF, with transparent chunk preview.
  • Multi-source LLM support: Local (Ollama: Mistral, Llama2, etc.), OpenAI GPT fallback, and Transformers (English & Arabic).
  • Web search fallback: DuckDuckGo, Wikipedia, and Serper API for real-world answers when LLMs/PDFs lack information.
  • Database integration: Stores Q&A in SQL (SQLite), NoSQL (MongoDB), and Neo4j GraphDB, with clear source tracking (e.g., "WebSearchAgent - Serper").
  • Node linking: Q&A interactions are linked in Neo4j for session/sequence analysis.
  • Validation: Rule-based and LLM-based answer validation, especially for time/date and banking questions.
  • Extensible, production-ready codebase: Modular design for easy feature addition.

Quickstart

  1. Clone the repo and install dependencies:sh pip install -r requirements.txt

  2. (Optional) Install Ollama for local LLMs:
    - Download from https://ollama.com/download and run a model:sh ollama run mistral

  3. Prepare your PDF:
    - Place your PDF in the files/ directory (e.g., files/questions_english.pdf).
    - Update the filename in main.py or via CLI if needed.

  4. Run the app:sh python main.py
    - Enter your question when prompted.
    - The system will show chunk previews, answer source, and validation status.
    - All Q&A are saved to SQL, MongoDB, and Neo4j.

  5. Inspect your data:
    - Use Neo4j Browser, SQLite tools, or MongoDB Compass to view Q&A records and relationships.

Configuration

  • Edit config.yaml for DB URIs, chunking method, and web agent settings.
  • .gitignore excludes data files (e.g., rag.db), models, and secrets.

Requirements

  • Python 3.9+
  • See requirements.txt for all dependencies

Notes

  • For best local LLM results, use Ollama with a supported model (Mistral, Llama2, etc.).
  • For Arabic QA, the system auto-selects an Arabic model if the question is in Arabic.
  • All answer sources (LLM, WebSearchAgent) are tracked and stored.
  • Neo4j nodes are linked for session/sequence analysis.
  • If Docling chunking produces only one chunk, NLTK chunking is used automatically.

Advanced Usage

  • Run with CLI options for custom PDF, config, or to show all Q&A:sh python main.py --pdf files/questions_english.pdf --show-sql python main.py --show-nosql
  • Export or compare Q&A records across databases for analytics.

Troubleshooting

  • If chunking fails, check Docling installation/version; fallback to NLTK is automatic.
  • For OpenAI quota errors, use Ollama or Transformers.
  • For missing records, check logs for SQL errors or use export scripts to compare databases.

For feature requests or help, open an issue or contact the maintainer.

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Agentic Rag MCP 8a2d7bc4 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

Agentic Rag MCP 8a2d7bc4 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Agentic Rag MCP 8a2d7bc4 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Agentic Rag MCP 8a2d7bc4 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Agentic Rag MCP 8a2d7bc4 能提供哪些能力?

资料显示能力标签包括 检索增强生成、Python、模块化设计、数据库集成。具体工具清单以官方文档为准。

Agentic Rag MCP 8a2d7bc4 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Agentic Rag MCP 8a2d7bc4 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。