MMCPMarkets
JA

jerry-ai-dev/modular-rag-mcp-server

Developer tools

Эта страница переведена автоматически. Технические детали смотрите в оригинале. Открыть оригинал

1,2 тыс. stars 272 forks Качество 47 Тренд 24
Repository Install

Модульная система RAG (Retrieval-Augmented Generation) с архитектурой MCP Server. Использование Skill позволяет ИИ следовать каждому этапу спецификации и завершать код на 100% с помощью ИИ.

Обзор

Подключаемый, наблюдаемый модульный сервисный фреймворк RAG (Retrieval-Augmented Generation), который внешне открывает интерфейсы инструментов через протокол MCP (Model Context Protocol), поддерживая прямые вызовы от AI-ассистентов, таких как Copilot / Claude. Это также практический проект и поддерживающий учебный ресурс, специально разработанный для **. Этот проект объединяет наиболее распространённый основной ——、、、—— RAG-интервью с популярными на данный момент прикладными протоколами в полноценный операционный инженерный проект. 。 Благодаря архитектуре с полным подключением к ссылкам вы сможете быстро интегрировать её в существующие проекты. Независимо от вашего опыта или потребностей, вы найдёте подходящий для вас способ использования. Конкретные стратегии использования будут подробно описаны позже в разделе «Кто подходит для этого проекта и как его использовать». - Как писать (документы спецификации разработки) для стимулирования разработки - Как использовать автоматизированное написание кода на основе спецификаций - Как использовать Spec для автоматизированного тестирования, упаковки и настройки среды - Как масштабироваться на основе подключаемых архитектур (например, расширение на Agent) :LLM / Embedding / Reranker / Splitter / VectorStore / Evaluator Каждый основной компонент определяет абстрактные интерфейсы, поддерживает замену в стиле «LEGO bricks» и позволяет переключать бэкенд в один клик с помощью конфигурационных файлов без изменений кода. :BM25 Sparse Search решает точное сопоставление собственных имён + Densityse Embedding — решает семантическое сопоставление синонимов. После слияния RRF можно выбрать Cross-Encoder / LLM Rerank для точной сортировки, балансируя частоту воспоминания и точность. : Используя стратегию преобразования изображения в текст, Vision LLM автоматически генерирует описания изображений и вставляет их в блок, затем повторно использует обычные ссылки RAG для достижения «поиска по изображениям по тексту». : Следует стандарту Model Context Protocol, может напрямую подключаться к MCP-клиентам, таким как GitHub Copilot и Claude Desktop, не требует фронтенд-разработки и может использоваться где угодно за один раз.

Обзор (машинный перевод)

Подключаемый, наблюдаемый модульный сервисный фреймворк RAG (Retrieval-Enhanced Generation), предоставляющий внешние интерфейсы инструментов через протокол MCP (Model Context Protocol), поддерживающий прямые вызовы от AI-ассистентов, таких как Copilot и Claude. Это также практический проект и поддерживающий учебный ресурс, специально разработанный для обучения и собеседования, связанных с крупными моделями.

📖 Содержание

  • Обзор проекта
  • Описание ветви
  • Начинайте быстро
  • Кто подходит для этого проекта и как его использовать?
  • Ссылка на резюме
  • Часто задаваемые вопросы
  • Последующие аранжировки

🏗️ Обзор проекта

Что это за проект?

Этот проект объединяет наиболее распространённые ключевые этапы интервью с RAG — Поиск (гибридный поиск + переоценка), Мультимодальная визуальная обработка (субтитры к изображениям), Оценка RAG (Ragas + Custom), Генерация (LLM Response) — с популярным в настоящее время протоколом приложений MCP (Протокол контекста модели) в полноценный, практический инженерный проект.

Одним из главных достоинств проекта является лёгкая адаптация к вашему бизнесу. Благодаря архитектуре с полным подключением к ссылкам вы можете быстро интегрировать её в существующие проекты. Независимо от вашего опыта или потребностей, вы найдёте подходящий для вас способ использования. Конкретные стратегии использования будут подробно описаны позже в разделе «Кто подходит для этого проекта и как его использовать».

Это не просто проект, а целый набор идей

Более ценным, чем сам проект, является весь инженерный подход, стоящий за ним:

  • Как писать DEV_SPEC (документы спецификаций разработки) для стимулирования разработки
  • Как использовать Skill для автоматического завершения кода на основе спецификации
  • Как использовать Skill для автоматизированного тестирования, упаковки и настройки среды
  • Как масштабироваться на основе подключаемой архитектуры (например, расширение до Agent)

Когда вы освоите идеи, сможете самостоятельно начать совершенно новые проекты и дополнения. Каждый вышеуказанный шаг объясняется в видео с соответствующими видеообъяснениями для каждого из них, поэтому рекомендуется смотреть его вместе.

Обзор основных компетенций

Модуль Возможности Описание
Конвейер погружения PDF → Markdown → Chunk → Transform → Embedding → Upsert Полный сбор данных по ссылке, поддерживает мультимодальные субтитры к изображениям
Гибридный поиск Плотный (вектор) + разреженный (BM25) + RRF слияние + переоценка Двухступенчатая архитектура поиска с грубым отзывом + тонким перераспределением
MCP Server Стандартный протокол MCP предоставляет инструменты query_knowledge_hub、list_collections、get_document_summary

Эта страница переведена автоматически. Технические детали смотрите в оригинале.

Установка

This server does not publish a one-line install command.

Open the repository installation guide Новичок в MCP? Начните с руководства на mcpskill.org →