MCP Vs Rag

MCP搜索检索

提供方 JhonHander

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

一个统一的LangGraph工作流框架,用于并行执行RAG和MCP方法,比较它们在问答系统中的性能。

一句话选型结论

按资料字段整理

MCP Vs Rag 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 2 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2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

问答系统Python本地部署RAGMCPLangGraph并行执行性能比较

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

    连接成功后客户端会列出约 2 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 2 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
MCP Vs Rag当前 2 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JhonHander上游标注的维护方 JhonHander
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

7.6 KB
来自项目仓库与上游目录的原文,未做删改

A unified research framework for comparing RAG and MCP approaches in question-answering systems


概述

该项目实现了统一的LangGraph工作流 并行RAG和MCP分支 它们同时执行并将结果合并到 单个JSON输出 用于直接比较。

主要特点

特性 描述
并行执行 RAG和MCP同时运行 asyncio.gather()
上下文隔离 每种方法都保持自己的上下文(从不混合)
统一输出 每个配置一个JSON文件,包含两个结果
独立鉴定 每种方法单独计算的RAGAS指标
公平比较 相同的提示、模型和执行条件

建筑```

User Prompt
│
┌──────────────┴──────────────┐
↓ ↓
RAG Branch MCP Branch
(Retrieve → Generate → Eval) (Search → Generate → Eval)
↓ ↓
└──────────────┬──────────────┘
↓
Merge Results
↓
Single Unified JSON
(Contains both RAG and MCP results)


______________________________________________________________________

## 项目结构```
mcp-vs-rag/
├── config/
│   └── docker-compose.yml      # Qdrant configuration
├── src/
│   ├── rag/                    # RAG implementations (Naive & Hybrid)
│   ├── mcp/                    # MCP client for tool integration
│   ├── models/                 # LLM factory (GPT-5, Gemini 2.5 Pro)
│   ├── evaluation/             # RAGAS evaluator
│   └── workflow/               # LangGraph workflow orchestration
├── data/
│   ├── knowledge_base/         # RAG data (chunks, embeddings, originals)
│   └── outputs/                # Experiment results (JSON files)
├── requirements.txt
├── .env.example
├── run_experiment.py           # Main experiment runner
├── README.md                   # This file
└── copilot-instructions.md     # Development guide

快速开始

1.安装依赖项```bash

pip install -r requirements.txt


### 2.配置环境```bash
cp .env.example .env

编辑 .env 使用API密钥:

  • OPENAI_API_KEY --GPT-5
  • GOOGLE_API_KEY --适用于Gemini 2.5 Pro
  • TAVILY_API_KEY --Tavily MCP工具

3.启动Qdrant数据库```bash

cd config
docker-compose up -d


### 4.运行实验```bash
python run_experiment.py

这将执行实验 所有问题 从地面实况数据集中,运行 8种配置 对于每个问题:

型号 RAG类型 MCP工具
GPT-5(OpenAI) 天真 塔维利
Gemini 2.5 Pro(谷歌) 混合动力 DuckDuckGo

命令行选项

命令 描述
python run_experiment.py 带所有问题运行(默认)
python run_experiment.py 5 随机回答5个问题
python run_experiment.py 1 随机回答1个问题

结果保存到 data/outputs/ 作为两个主要的JSON文件。


输出文件

当运行多个问题的实验时,系统会生成 只有两个主文件:

文件 描述
experiment_summary.json 完整的实验总结,包括所有问题和配置的所有结果
consolidated_analysis.json 所有问题的全局比较分析,指标按模型、RAG类型、MCP服务器和问题绩效分组

输出格式

每个实验产生一个 统一JSON文件 包含RAG和MCP结果:

View JSON Structure```json
{
"execution_id": "uuid",
"timestamp": "2025-11-03T10:30:00",
"configuration": {
"model": "gpt-5",
"rag_type": "naive",
"mcp_server": "tavily"
},
"prompt": "What are the latest AI developments?",

"rag_results": {
"retrieved_context": ["Context from Qdrant..."],
"generated_answer": "Based on knowledge base...",
"ragas_metrics": {
"answer_relevancy": 0.87,
"faithfulness": 0.92
}
},

"mcp_results": {
"retrieved_context": ["Web search from Tavily..."],
"generated_answer": "Based on web sources...",
"ragas_metrics": {
"answer_relevancy": 0.82,
"faithfulness": 0.89
}
}
}


______________________________________________________________________

## 配置

### 实验配置

系统运行中定义的8种组合 `run_experiment.py`:

View Configurations```python
CONFIGURATIONS = [
{"model": "gpt-5", "rag_type": "naive", "mcp_server": "tavily"},
{"model": "gpt-5", "rag_type": "naive", "mcp_server": "duckduckgo"},
{"model": "gpt-5", "rag_type": "hybrid", "mcp_server": "tavily"},
{"model": "gpt-5", "rag_type": "hybrid", "mcp_server": "duckduckgo"},
{"model": "gemini-2.5-pro", "rag_type": "naive", "mcp_server": "tavily"},
{"model": "gemini-2.5-pro", "rag_type": "naive", "mcp_server": "duckduckgo"},
{"model": "gemini-2.5-pro", "rag_type": "hybrid", "mcp_server": "tavily"},
{"model": "gemini-2.5-pro", "rag_type": "hybrid", "mcp_server": "duckduckgo"},
]

定制

修改 run_experiment.py 致:

  • 更改测试提示
  • 添加/删除配置
  • 调整输出格式
  • 修改评估指标

技术栈

类别 技术
编排 LangGraph(并行工作流执行)
向量数据库 Qdrant(Docker)
MCP工具 Tavily&DuckDuckGo(网络搜索)
评估 RAGAS(答案相关性+可信度)
LLM模型 GPT-5(OpenAI)、Gemini 2.5 Pro(谷歌)
语言 Python 3.8+

分析与比较

运行实验后,您可以分析:

分析类型 要回答的问题
RAG与MCP性能 哪种方法的相关性/忠诚度得分更好?
模型比较 GPT-5或Gemini 2.5 Pro的表现更好吗?
RAG战略评估 混合RAG的表现优于纯RAG吗?
MCP工具选择 Tavily或DuckDuckGo是否提供了更好的上下文?

发展

有关详细的开发说明,请参阅 copilot-instructions.md.

代码输入点```python

from src.workflow.main_workflow import execute_unified_workflow

result = await execute_unified_workflow(
prompt="Your question here",
model_name="gpt-5",
rag_type="naive",
mcp_server="tavily"
)


### 运行测试

View Test Example```bash
python -c "
import asyncio
from src.workflow.main_workflow import execute_unified_workflow

async def test():
result = await execute_unified_workflow(
prompt='What is quantum computing?',
model_name='gpt-5',
rag_type='naive',
mcp_server='tavily'
)
print(result)

asyncio.run(test())
"

需求

要求 详细信息
python 3.8+
码头工人 对于Qdrant
API密钥 OpenAI、谷歌、塔维利

MCP服务器```bash

Tavily

docker run -i --rm -e TAVILY_API_KEY mcp/tavily

DuckDuckGo

docker run -i --rm mcp/duckduckgo
```


贡献

  1. 克隆该仓库
  2. 创建要素分支
  3. 进行更改
  4. 彻底测试
  5. 提交拉取请求

许可证

MIT许可证


报告Bug · 请求功能

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
MCP Vs Rag 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。

MCP Vs Rag 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。

MCP Vs Rag 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。

MCP Vs Rag 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。

MCP Vs Rag 能提供哪些能力?

资料显示约 2 个工具;能力标签包括 问答系统、Python、LangGraph。具体工具清单以官方文档为准。

MCP Vs Rag 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。

MCP Vs Rag 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。