Langchain Agent

MCP搜索检索

提供方 Hitesh-Saha

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

一个轻量级的RAG MCP服务器,提供文档嵌入、搜索、列表和管理功能,适用于需要高效文档检索和问答的场景。

一句话选型结论

按资料字段整理

Langchain Agent 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 6 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6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

RAGPython本地部署文档管理问答系统嵌入搜索知识库

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
uv run rag-mcp-server

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 Python,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

    连接成功后客户端会列出约 6 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 6 个工具,职责相对集中,接入后不容易误操作。
  • 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。
  • 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
Langchain Agent当前 6 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Hitesh-Saha上游标注的维护方 Hitesh-Saha
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 · Python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

3.5 KB
来自项目仓库与上游目录的原文,未做删改

langchain试剂

一个小型示例工作空间,包括:

  • 轻量级RAG MCP服务器(rag-server)它公开了用于嵌入、搜索、列出和管理文档的工具
  • 一个连接到RAG MCP服务器并可以使用RAG工具的示例代理集成

此README描述了如何设置环境、启动RAG服务器和运行代理或示例客户端代码。

先决条件

  • Python 3.12或更高版本
  • git(可选)
  • 紫外线
  • 拥抱面API密钥
  • Google Gemini API密钥

存储库在此文件夹下使用两个单独的Python包:

  • . --the langchain-agent 包(主代理代码)(pyproject.toml存在)
  • ./rag-server --RAG MCP服务器包(pyproject.toml存在)

快速设置

从项目根目录(/workspaces/codespace blank/langchain agent):

  1. 创建并激活虚拟环境```bash

uv sync --frozen


2. 在项目根目录中创建一个.env文件,其中包含所需的环境变量(见下文)。```bash

GOOGLE_API_KEY=
RAG_MCP_SERVER_URL=
LANGSMITH_API_KEY=
GOOGLE_GEMINI_MODEL_NAME=

RAG_DB_PATH=
HF_TOKEN=
MCP_PORT=

  1. 安装子模块mcp RAG服务器```bash

git submodule init
git submodule update


4. 启动RAG服务器包```bash

cd rag-server
uv run rag-mcp-server

  1. 在单独的终端中,激活虚拟环境:

对于Windows:```bash
source .venv/Scripts/activate


对于Linux/Mac:```bash
source .venv/bin/activate
  1. 在项目根目录中运行代理代码:```bash
    langgraph dev --port 8080 --allow-blocking

## 环境变量

服务器和代理使用一些环境变量:

- RAG_MCP_SERVER_URL--代理将用于联系正在运行的RAG MCP服务器的URL(例如。http://127.0.0.1:8000)
- HF_TOKEN--如果需要,通过嵌入代码使用拥抱脸令牌
- MCP_TRANSPORT、MCP_HOST、MCP_PORT——从命令行启动MCP服务器时使用的可选默认值
- GOOGLE_API_KEY-用于GOOGLE Gemini LLM访问的GOOGLE API密钥

您可以将它们放入rag-server/src中的.env文件中,也可以在启动服务之前在shell中设置它们。

## RAG MCP服务器

您还可以在HTTP模式(默认)下单独手动启动RAG MCP服务器,以便代理可以连接:```
uv run rag-mcp-server --mode http --host 127.0.0.1 --port 8000 --db-path ./data/rag_database.db

这将:

  • 创建。/data/rag_database.db(目录将自动创建)
  • 启动FastMCP服务器,公开RAG工具(嵌入/搜索/列表/删除/获取/提问)

如果您更喜欢在stdio模式下运行,以便使用使用stdio传输的MCP客户端进行本地测试,请使用--mode stdio。

常见工作流程

  • 摄取文档:
  • 调用embed_document(file_path,metadata)以添加文件并创建嵌入块
  • 搜索上下文:
  • 调用search_documents(query、top_k、min_similarity)以检索相似的块和分数
  • 问一个问题(推荐):
  • 使用ask_question({“question”:…,“context_limit”:N,“similarity_threshold”:X})运行端到端RAG问答,并接收包含来源的答案
  • 管理数据库:
  • list_documents()--列表文件
  • get_datatabase_stats()--获取计数和数据库信息
  • delete_document(文件名)--删除文件的块

故障排除

  • 如果代理无法连接到RAG MCP服务器,请检查RAG_MCP_server_URL,并确保服务器正在运行且可访问。
  • 如果由于缺少模型密钥而导致嵌入失败,请设置HF_TOKEN或特定于提供商的凭据。

贡献

请随时打开问题或PR。在添加新行为时,保持更改较小,并添加最少的测试。

许可证

请参阅顶级项目许可证文件(如果有的话)。

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
Langchain Agent 怎么安装?

在客户端按下面的安装命令接入:uv run rag-mcp-server。装完在客户端配置里引用同一个包或端点。

Langchain Agent 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。

Langchain Agent 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。

Langchain Agent 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。

Langchain Agent 能提供哪些能力?

资料显示约 6 个工具;能力标签包括 RAG、Python、文档处理、问答系统。具体工具清单以官方文档为准。

Langchain Agent 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Langchain Agent 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。