Ecommerce Retail Rag MCP

MCP搜索检索

提供方 abh1hi

搜索检索 未标注 无需鉴权 社区 / 第三方

一个基于Google ADK、Gemma3:270m、Ollama和ChromaDB的低延迟、生产就绪的零售RAG系统,用于产品搜索、库存检查、政策问答和分析查询。

一句话选型结论

按资料字段整理

Ecommerce Retail Rag MCP 属于搜索检索类 MCP 服务器,传输方式未标注,无需鉴权,没有现成安装命令,需按官方文档接入。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 传输方式未标注 鉴权无需鉴权 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 4 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4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

零售RAGPython本地部署向量搜索生成模型低延迟生产就绪

安装与配置

未标注 无需鉴权
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  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

    连接成功后客户端会列出约 4 个工具,随便调一个只读工具确认能返回结果。

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

  • 资料标注 4 个工具,职责相对集中,接入后不容易误操作。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 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

  • 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
Ecommerce Retail Rag MCP当前 4 未标注 未标注 无 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abh1hi上游标注的维护方 abh1hi
分类搜索检索本站按上游分类展示
连接方式未标注上游未给出传输方式
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
部署类型未标注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

2.8 KB
来自项目仓库与上游目录的原文,未做删改

E-commerce & Retail RAG with ADK + Gemma3:270m + Ollama + ChromaDB + MCP

A production-ready blueprint for building a low-latency, grounded RAG system for retail using:
- Google ADK (Agent Development Kit) for orchestration (agents, tools, workflows, evaluation)
- Gemma3:270m served via Ollama for generation (32K context, lightweight)
- ChromaDB for vector search with metadata filtering
- FastAPI MCP server exposing retail tools (product_search, inventory_check, policy_qa, analytics_query)

Architecture at a Glance

  • ADK agent orchestrates: preprocess → retrieve (VectorSearchTool) → augment → generate (GenerateTool)
  • Vector retrieval via ChromaDB; strict grounding in generation prompts
  • MCP servers back tools for catalog/inventory/policy/analytics; host-enforced consent, schemas, RBAC

Quickstart

Option A: Docker Compose```bash

docker compose up --build

Services:
- Ollama (pulls gemma3:270m on first run)
- ChromaDB (vector DB)
- FastAPI MCP server (http://localhost:8000)

### Option B: Python venv```bash
bash scripts/setup_venv.sh
# in three terminals (or use dev_up_local.sh)
ollama serve & && ollama pull gemma3:270m
chroma start --host 0.0.0.0 --port 8001 &
uvicorn src.mcp_server.main:app --host 0.0.0.0 --port 8000 --reload

Run checks:```bash
bash scripts/checks.sh


## Documentation Index
- Developer Guide: docs/developer-guide.md
- Developer Help Guide: docs/developer-help.md
- Testing Strategy: docs/testing-strategy.md
- ADK Integration: docs/adk-integration.md
- Comparison Tables: docs/comparison-tables.md
- Diagrams (Index): docs/diagrams/README.md
- Data Flow: docs/diagrams/01_data_flow_diagram.md
- MCP Architecture: docs/diagrams/02_mcp_architecture.md
- ChromaDB Schema: docs/diagrams/03_chromadb_schema.md
- Deployment: docs/diagrams/04_deployment_architecture.md
- Gemma Optimization: docs/diagrams/05_gemma_optimization.md
- Customer Journeys: docs/diagrams/06_customer_journeys.md

## Repo Layout```
configs/           # env templates, config files
scripts/           # dev scripts (venv, compose, checks)
src/
mcp_server/      # FastAPI MCP server
rag/             # vector store adapter
embeddings/      # ollama client (generate, TODO: embed_text)
agents/
tools/           # ADK tools (vector search, generate, MCP wrappers)
eval/            # ADK evaluation cases
rag_agent.py     # Sequential RAG agent
workflows.py     # example workflows
docs/
diagrams/        # mermaid diagrams

Next Steps

  • Implement embed_text in src/embeddings/ollama_client.py (use Ollama embeddings if available; otherwise a sentence-embedder)
  • Ingest catalogs/policies/reviews into Chroma (field-aware chunks)
  • Flesh out MCP tools and schemas; enforce RBAC/rate limits
  • Add reranker and evaluation harness (recall@k, groundedness)
  • Wire metrics/logging/tracing, then stage and load-test

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
Ecommerce Retail Rag MCP 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Ecommerce Retail Rag MCP 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。

Ecommerce Retail Rag MCP 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。

Ecommerce Retail Rag MCP 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。

Ecommerce Retail Rag MCP 能提供哪些能力?

资料显示约 4 个工具;能力标签包括 Python、生产就绪、搜索。具体工具清单以官方文档为准。

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。