LLM-MCP-RAG

项目概述

这是一个结合了大型语言模型（LLM）、模型上下文协议（MCP）和检索增强生成（RAG）的项目，旨在提供一个高效的知识检索和生成系统。不依赖任何RAG框架，从底层实现各个组件的集成。

功能特点

• 使用OpenAI的API进行文本生成
• 整合Model Context Protocol (MCP)提供上下文管理
• 实现向量检索增强生成(RAG)能力

安装步骤

1. 克隆仓库

git clone https://github.com/yourusername/llm-mcp-rag.git
cd llm-mcp-rag

2. 安装依赖

npm install

环境配置

1. 创建.env文件，设置必要的环境变量：

OPENAI_API_KEY=your_openai_api_key
EMBEDDING_KEY=your_key

启动开发服务器

npm run dev

项目结构

src/
├── index.ts           # 入口文件
├── Agent.ts           # 智能代理实现
├── ChatOpenAI.ts      # OpenAI接口封装
├── MCPClient.ts       # MCP协议客户端
├── EmbeddingRetrivers.ts  # 向量检索实现
├── VectorStore.ts     # 向量存储实现
└── util.ts            # 工具函数

核心组件说明

• Agent: 智能代理，协调LLM、检索系统和MCP客户端
• ChatOpenAI: 封装OpenAI的聊天接口
• MCPClient: 实现Model Context Protocol客户端功能
• EmbeddingRetrivers: 负责文本嵌入和相似度检索
• VectorStore: 向量存储的抽象接口和实现

示例应用

此项目可用于构建各种基于知识的应用，例如：

• 智能问答系统
• 文档检索助手

扩展与定制

您可以通过以下方式扩展项目功能：

1. 添加新的向量存储后端
2. 实现自定义检索策略
3. 集成其他LLM提供商的API
4. 扩展Agent的决策逻辑