厭倦了目睹AI在無法訪問當(dāng)前數(shù)據(jù)時會產(chǎn)生模棱兩可的響應(yīng)？厭倦了反復(fù)編碼本地數(shù)據(jù)的檢索成績（RAG）？通過將抹布與MCP（模型上下文協(xié)議）合併，可以輕鬆解決這些重大挑戰(zhàn)。通過合併MCP，您可以將您的AI助手鍊接到外部工具和API，以執(zhí)行無縫的抹布。 MCP代表了AI與實時數(shù)據(jù)接口建模的開創(chuàng)性轉(zhuǎn)變。同時，RAG是AI模型的寶貴資產(chǎn)，為他們提供了他們不知道的外部知識。在本文中，我們將深入研究抹布與MCP的結(jié)合，探索它們在運行時的外觀，並指導(dǎo)您通過一個實際的例子。

目錄

• 什麼是抹布？
• 什麼是MCP？
  • 它如何使抹布？
• 與MCP的抹布的用例
• 用MCP執(zhí)行抹布的步驟
  • 步驟1：安裝依賴項
  • 步驟2：創(chuàng)建server.py
  • 步驟3：為MCP配置光標(biāo)
  • 步驟4：測試MCP服務(wù)器
• 結(jié)論
• 常見問題

什麼是抹布？

RAG是一個AI框架，將常規(guī)信息檢索系統(tǒng)（例如搜索和數(shù)據(jù)庫）與AI模型的非凡自然語言生成能力融合在一起。它的優(yōu)勢包括實時和事實答復(fù)，幻覺減少以及上下文敏感的答案。抹布的功能類似於在起草詳細報告之前諮詢圖書館員以獲取信息。

在本文中發(fā)現(xiàn)有關(guān)抹布的更多信息。

什麼是MCP？

MCP充當(dāng)您的AI助手和外部工具之間的橋樑。這是一個開放的協(xié)議，使LLM可以準(zhǔn)確有效地訪問現(xiàn)實世界中的工具，API或數(shù)據(jù)集。傳統(tǒng)的API和工具需要自定義代碼，以將其與AI模型集成在一起，但是MCP提供了一種以最簡單的方式將工具連接到LLM的通用方法。它提供插件工具。

在本文中了解有關(guān)MCP的更多信息。

它如何使抹布？

在RAG中，MCP是一個檢索層，該層根據(jù)您的查詢從數(shù)據(jù)庫中獲取至關(guān)重要的信息。它完全標(biāo)準(zhǔn)化您如何與數(shù)據(jù)庫進行交互?，F(xiàn)在，無需為您開發(fā)的每個抹布編寫自定義代碼。它可以根據(jù)AI的推理來實現(xiàn)動態(tài)工具使用。

與MCP的抹布的用例

MCP的抹布有許多用例。一些示例包括：

• 搜索新聞文章以摘要
• 向財務(wù)API查詢市場更新
• 加載私人文檔以獲取上下文感知答案
• 響應(yīng)之前，請檢索天氣或特定於位置的信息
• 使用PDF或數(shù)據(jù)庫連接器進行Power Enterprise搜索

用MCP執(zhí)行抹布的步驟

現(xiàn)在，我們將詳細使用MCP實現(xiàn)抹布。請按照以下步驟創(chuàng)建您的初始MCP服務(wù)器執(zhí)行抹布。讓我們立即研究實施：

首先，我們將建立我們的RAG MCP服務(wù)器。

步驟1：安裝依賴項

<code>pip install langchain>=0.1.0 \ langchain-community>=0.0.5 \ langchain-groq>=0.0.2 \ mcp>=1.9.1 \ chromadb>=0.4.22 \ huggingface-hub>=0.20.3 \ transformers>=4.38.0 \ sentence-transformers>=2.2.2</code>

此步驟將在系統(tǒng)中安裝所有必要的庫。

步驟2：創(chuàng)建server.py

現(xiàn)在，我們在server.py文件中定義了抹布MCP服務(wù)器。以下是它的代碼。它包括具有MCP連接的簡單抹布代碼。

 <code>from mcp.server.fastmcp import FastMCP from langchain.chains import RetrievalQA from langchain.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter from langchain_community.vectorstores import Chroma from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_groq import ChatGroq # Groq LLM</code>創(chuàng)建MCP服務(wù)器<p>MCP = FastMCP（“ rag”）</p><h1>設(shè)置嵌入式（如果首選，您可以選擇其他擁抱的面部模型）</h1><p> embeddings = huggingFaceEmbedDings（model_name =“句子轉(zhuǎn)換器/all-minilm-l6-v2”）</p><h1>設(shè)置GROQ LLM</h1><p>模型= chatgroq（
model_name =“ llama3-8b-8192”，?；蚱渌鹓roq支持的模型
GROQ_API_KEY =“ your_groq_api”＃如果未通過環(huán)境變量設(shè)置
）</p><h1>加載文檔</h1><p>loader = textloader（“ dummy.txt”）
data = loader.load（）</p><h1>文檔分裂</h1><p>text_splitter = prinateTextSplitter（chunk_size = 1000，chunk_overlap = 0）
texts = text_splitter.split_documents（數(shù)據(jù)）</p><h1>向量DB</h1><p> docsearch = chroma.from_documents（文本，嵌入）</p><h1>獵犬鏈</h1><p>qa = reterievalqa.from_chain_type（llm =型號，retriever = docsearch.as_retriever（））</p><p> @mcp.tool（）
def檢索（提示：str） - > str：
“”“使用抹布獲取信息”“”
返回QA.Invoke（提示）</p><p>如果<strong>名稱</strong>==“ <strong>main</strong> ”：
mcp.run（）</p>

在這裡，我們使用GROQ API訪問LLM。確保您有一個GROQ API。虛擬txt此處使用的是您擁有的任何數(shù)據(jù)，您可以根據(jù)用例修改的內(nèi)容。

現(xiàn)在，我們成功地創(chuàng)建了RAG MCP服務(wù)器。要測試它，請使用終端中的Python運行它。

 <code>python server.py</code>

步驟3：為MCP配置光標(biāo)

讓我們配置光標(biāo)IDE來測試我們的服務(wù)器。

1. 從官方網(wǎng)站下載光標(biāo)http://ipnx.cn/link/2Adee3823fe0b1c49ce2b4124cdcecda 。
2. 安裝它，註冊並進入主屏幕。

3. 現(xiàn)在，從標(biāo)題工具欄上轉(zhuǎn)到文件。然後單擊“首選項” ，然後在光標(biāo)設(shè)置上進行。

4. 從光標(biāo)設(shè)置中，單擊MCP 。

5. 在“ MCP”選項卡上，單擊添加新的全局MCP服務(wù)器。

它將打開MCP.JSON文件。將以下代碼粘貼到其中並保存文件。

將/路徑/python替換為python可執(zhí)行文件的路徑和/path/path/to/server.py用server.py路徑。

 <code>{</code><p> “ McPservers”：{</p><p> “抹布 - 服務(wù)器”：{</p><p> “命令”：“/path/to/python”，</p><p> “ args”：[[</p><p> “路徑/到/server.py”</p><p>這是給出的</p><p>}</p><p> }</p><p> }</p>

6. 返迴光標(biāo)設(shè)置，您應(yīng)該看到以下內(nèi)容：

如果您看到上一個屏幕，則意味著您的服務(wù)器正在成功運行，並已連接到光標(biāo)IDE。如果顯示一些錯誤，請嘗試使用右上角的重新啟動按鈕。

我們已經(jīng)在光標(biāo)IDE中成功設(shè)置了MCP服務(wù)器?，F(xiàn)在，讓我們測試服務(wù)器。

步驟4：測試MCP服務(wù)器

我們的RAG MCP服務(wù)器現(xiàn)在可以執(zhí)行抹布，並根據(jù)我們的查詢成功檢索最佳的塊。讓我們測試它們。

查詢： “什麼是Zephyria，使用抹布服務(wù)器回答”

輸出：

查詢： “地球上的衝突是什麼？”

輸出：

查詢： “ Zephyria的首都是什麼？”

輸出：

結(jié)論

當(dāng)MCP授權(quán)時，RAG可以完全改變您與AI助手交流的方式。它可以將您的AI從單純的文本生成器轉(zhuǎn)換為現(xiàn)場助手，該助手認為和處理與人類類似的信息。將兩者結(jié)合起來可以提高您的生產(chǎn)率並隨著時間的推移提高效率。僅通過前面提到的步驟，任何人都可以使用MCP構(gòu)建與現(xiàn)實世界相關(guān)聯(lián)的AI應(yīng)用程序?，F(xiàn)在，輪到您通過設(shè)置自己的MCP工具來增強LLM的能力。

常見問題

Q1。抹布和傳統(tǒng)LLM響應(yīng)有什麼區(qū)別？答：傳統(tǒng)LLM僅根據(jù)其預(yù)訓(xùn)練的知識產(chǎn)生響應(yīng)，這可能過時或不完整。 RAG通過在回答之前檢索實時或外部數(shù)據(jù)（文檔，API）來增強此功能，從而確保更準(zhǔn)確和最新的響應(yīng)。

Q2。我為什麼要使用MCP進行抹布而不是編寫自定義代碼？答：MCP消除了手動進行每個API或數(shù)據(jù)庫集成的硬編碼的需求。它提供了一種插件機制，可以揭示AI模型可以基於上下文動態(tài)使用的工具，從而使抹布實現(xiàn)更快，可擴展和更可維護。

Q3。我是否需要成為AI或Langchain的專家才能與MCP一起使用RAG？答：一點也不。借助基本的Python知識並遵循分步的設(shè)置，您可以創(chuàng)建自己的抹布供電的MCP服務(wù)器。 Langchain和Cursor IDE等工具使集成變得直接。

以上是如何使用MCP執(zhí)行抹布？的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！