IMT Mines Alès聊天机器人-与MCP合作的RAG代理

一个由人工智能驱动的聊天机器人，旨在为IMT Mines Alès的国际学生提供学术信息、行政程序和校园服务。该项目实现了 代理检索增强生成（RAG） 系统使用 模型上下文协议（MCP） 和 LangGraph.

![Python](https://www.python.org/downloads/) ![React](https://react.dev/) ![FastMCP](https://github.com/jlowin/fastmcp) ![LangChain](https://www.langchain.com/) ![LangGraph](https://langchain-ai.github.io/langgraph/) ![License](LICENSE)

______________________________________________________________________

🎥 演示视频

https://github.com/user-attachments/assets/5bc3b84b-d52a-4f63-94f9-d4db74552800

______________________________________________________________________

______________________________________________________________________

🎯 概述

这个聊天机器人通过回答以下问题为国际学生提供全天候帮助：

课程大纲和学术要求
行政程序和文件
校园设施和学生服务
关于IMT Mines Alès的一般信息

系统实现 9.26/10 总分（由GPT-4o作为评委评估），表明：

8.91/10 正确性
9.12/10 完整性
10.00/10 安全

______________________________________________________________________

🏗️ 建筑

该系统由三个主要部分组成：

┌─────────────────────────────────────────────────────────────┐
│                     Frontend (React + TS)                    │
│                     Port: 5173                               │
└──────────────────────────┬──────────────────────────────────┘
                           │
                           ▼
┌─────────────────────────────────────────────────────────────┐
│              Backend (FastAPI + LangGraph Agent)             │
│                     Port: 8000                               │
│  ┌────────────────────────────────────────────────────┐     │
│  │   ReAct Agent (gpt-oss-20b via Groq)               │     │
│  │   • Reasoning & Tool Orchestration                 │     │
│  │   • Memory Persistence                             │     │
│  └────────────┬───────────────────────────────────────┘     │
└───────────────┼─────────────────────────────────────────────┘
                │
                ▼
┌─────────────────────────────────────────────────────────────┐
│              MCP Server (RAG Tools)                          │
│                     Port: 3000                               │
│  ┌────────────────────────────────────────────────────┐     │
│  │   Tools:                                           │     │
│  │   • ingest_documents (PDF/URL)                     │     │
│  │   • retrieve_documents (Semantic Search)           │     │
│  │   • get_vector_store_info                          │     │
│  │   • clear_vector_store                             │     │
│  └────────────┬───────────────────────────────────────┘     │
└───────────────┼─────────────────────────────────────────────┘
                │
                ▼
┌─────────────────────────────────────────────────────────────┐
│         ChromaDB Vector Store + BGE-M3 Embeddings            │
│         • Chunk Size: 1000 tokens                            │
│         • Overlap: 200 tokens                                │
│         • Top-K: 5 documents                                 │
└─────────────────────────────────────────────────────────────┘

关键设计决策

BGE-M3嵌入：用于检索的最先进的多语言嵌入模型
重演模式：支持复杂查询的推理和动作交织
MCP协议：AI与工具通信的标准化接口
低延迟推断：Groq API提供亚秒响应时间
国家代理人：LangGraph管理对话历史和上下文

______________________________________________________________________

✨ 特性

🔍 语义搜索：使用密集向量嵌入检索相关文档
🤖 重新代理：通过复杂的多步骤查询进行推理
📚 文档管理：从本地文件、目录或URL中获取PDF
🌐 多语言支持：BGE-M3支持多种语言
💬 聊天界面：使用markdown渲染清理基于React的UI
🔒 安全第一：在评估中获得完美的10/10安全分数
📊 可观察推理：透明的代理思维过程

______________________________________________________________________

📦 先决条件

在开始之前，请确保已安装以下内容：

Python 3.11+ （用Python 3.11测试）
Node.js 18+ 和 npm
Git

需要API密钥

您需要API密钥用于：

格罗克API：为 gpt-oss-20b 模型(获取API密钥)
OpenAI API （可选）：适用于法学硕士作为法官

创建 .env 项目根目录中的文件：

GROQ_API_KEY=your_groq_api_key_here
# OPENAI_API_KEY=your_openai_api_key_here  # Optional

______________________________________________________________________

🚀 安装

1.克隆存储库

git clone https://github.com/Samreth99/agentic-mcp-imt.git
cd agentic-mcp-imt

2.安装UV包管理器

UV是一个快速的Python包安装程序和解析器。按照以下步骤安装官方文件:

Windows（PowerShell）：

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

macOS/Linux：

curl -LsSf https://astral.sh/uv/install.sh | sh

3.创建虚拟环境

uv venv .venv

4.激活虚拟环境

窗户：

.venv\Scripts\activate

macOS/Linux：

source .venv/bin/activate

5.安装项目依赖项

uv pip install .

这将安装所有必需的依赖项，包括：

LangChain和LangGraph
FastAPI和Uvicorn
ChromaDB
句子转换器
还有更多。..

6.安装前端依赖项

cd frontend
npm install
cd ..

______________________________________________________________________

🏃 运行应用程序

应用程序需要 三个独立的终端窗口，每个运行不同的组件。

终端1:MCP服务器（RAG工具）

# Make sure virtual environment is activated
uv run -m mcp_server.server.tools.rag.rag_server

预期产量：

MCP Server running on http://localhost:3000
Vector store initialized with ChromaDB

终端2：代理后端服务器

# Make sure virtual environment is activated
uv run -m agent.main

预期产量：

INFO:     Uvicorn running on http://127.0.0.1:8000
INFO:     Application startup complete.

终端3：前端开发服务器

cd frontend
npm run dev

预期产量：

VITE v5.x.x  ready in xxx ms

➜  Local:   http://localhost:5173/
➜  Network: use --host to expose

访问应用程序

打开浏览器并导航到：

http://localhost:5173

您应该看到聊天界面已准备好接受查询！

______________________________________________________________________

📂 项目结构

agentic-mcp-imt/
├── agent/                         # Backend agent implementation
│   ├── main.py                    # FastAPI application entry point
│   ├── agent_client.py            # Agent client for testing
│   ├── api/                       # FastAPI routes and services
│   ├── config/                    # Configuration files
│   │   └── prompts.py             # System prompts and templates
│   ├── evaluation/                # Evaluation
│   │   └── data_set.py            # Testset
│   │   └── llm_as_a_judge.py      # LLM-as-a-Judge Evalulation
│   ├── graph/                     # LangGraph implementation
│   │   └── graph_builder.py       # LangGraph ReAct agent logic
│   ├── schemas/                   # Pydantic schemas
│   └── utils/                     # Utility functions
│
├── mcp_server/                    # MCP server implementation
│   └── server/
│       └── tools/
│           └── rag/
│               ├── rag_server.py  # MCP RAG tool server
│               └── ingestion/     # Data ingestion pipeline
│                   └── vector_store.py # ChromaDB interface
│
├── frontend/                      # React TypeScript frontend
│   ├── src/
│   │   ├── components/           # React components
│   │   ├── api/                  # API services
│   │   └── App.tsx               # Main application
│   ├── package.json
│   └── vite.config.ts
│
├── evaluation_results.json        # Evaluation metrics
├── pyproject.toml                 # Python project configuration
├── docker-compose.yaml            # Docker orchestration
├── Dockerfile.backend             # Dockerfile for the backend
├── Dockerfile.mcp                 # Dockerfile for the MCP server
├── uv.lock                        # UV lock file
└── README.md                      # This file

🛠️ 使用的技术

后端

LangChain和LangGraph：代理编排和推理
快速API：高性能异步web框架
ChromaDB：用于嵌入的矢量数据库
BGE-M3：多语言嵌入模型
格罗克API：超低延迟LLM推理
模型上下文协议（MCP）：标准化工具界面

前端

反应18：UI框架
TypeScript：类型安全开发
维特：快速构建工具
尾风CSS：实用性优先的造型

基础设施

紫外线：快速Python包管理
Docker&Docker编写：集装箱化
Uvicorn：ASGI服务器

______________________________________________________________________

📊 评估结果

使用评估 GPT-4o担任法官 33道试题：

度量	代理RAG MCP	微调基线
正确性	8.91/10 ⭐	5.32/10
完整性	9.12/10 ⭐	4.85/10
安全	10.00/10 ⭐	9.35/10
总体评分	9.26/10 ⭐	6.17/10

主要发现

✅ 接地响应：RAG检索确保事实准确性
✅ 综合答案：多文档综合提供完整的信息
✅ 完善的安全：严格遵守道德准则
✅ 可扩展体系结构：无需再培训即可轻松更新知识库

______________________________________________________________________

🔮 未来工作

生产基础结构

\[\]PostgreSQL用于用户管理
\[\]MongoDB用于对话历史记录
\[\]OAuth 2.0身份验证
\[\]带有GitHub操作的CI/CD管道
\[\]Kubernetes部署
\[\]监控和警报

模型改进

\[ \] 混合检索：结合BM25稀疏+密集嵌入
\[ \] 重新排序：交叉编码器，提高精度
\[ \] 自适应RAG：查询复杂性感知检索
\[ \] 自我RAG：自我反思一代
\[ \] 基于人类反馈的强化学习：收集用户反馈以持续改进

功能扩展

\[\]调度管理MCP服务器
\[\]管理程序MCP服务器
\[\]活动日历集成
\[\]多语言用户界面支持
\[\]导出对话历史记录

______________________________________________________________________

🤝 贡献

欢迎投稿！请随时提交拉取请求。

分叉存储库
创建功能分支(git checkout -b feature/AmazingFeature)
提交您的更改(git commit -m 'Add some AmazingFeature')
推到分支(git push origin feature/AmazingFeature)
打开拉取请求

______________________________________________________________________

📄 许可证

此项目根据MIT许可证获得许可-请参阅许可证文件以获取详细信息。

______________________________________________________________________

🙏 致谢

IMT Mines Alès提供机构知识库
模型上下文协议规范的拟人化
LangChain团队为优秀的代理框架
Groq提供超快速LLM推理

______________________________________________________________________

Made with ❤️ for international students at IMT Mines Alès

Agentic MCP Imt

快速接入

详细介绍

IMT Mines Alès聊天机器人-与MCP合作的RAG代理

🎥 演示视频

📋 目录

🎯 概述

🏗️ 建筑

关键设计决策

✨ 特性

📦 先决条件

需要API密钥

🚀 安装

1.克隆存储库

2.安装UV包管理器

3.创建虚拟环境

4.激活虚拟环境

5.安装项目依赖项

6.安装前端依赖项

🏃 运行应用程序

终端1:MCP服务器（RAG工具）

终端2：代理后端服务器

终端3：前端开发服务器

访问应用程序

📂 项目结构

🛠️ 使用的技术

后端

前端

基础设施

📊 评估结果

主要发现

🔮 未来工作

生产基础结构

模型改进

功能扩展

🤝 贡献

📄 许可证

相关技术

🙏 致谢

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP