🤖 用于多格式QA的代理RAG聊天机器人 🚀 项目概述 此存储库包含代理检索增强生成（RAG）聊天机器人挑战的完整解决方案。该架构严格遵循模块化的三代理结构，使用模型上下文协议（MCP）进行通信。
该系统旨在根据私人上传的文档（PDF、DOCX、CSV等）回答复杂的用户查询。
核心功能 协议遵守：使用模型上下文协议（MCP）的自定义实现。
代理架构：实现所需的摄取、检索和LLM响应代理。
数据隐私：利用Ollama和FAISS在本地运行整个RAG管道。
多格式支持：处理PDF、DOCX、CSV、TXT和Markdown文件。
来源引文：答案包括对源文档的可见引用。
🛠️ 技术栈（列表格式） 存储库：Munesulta/Agent Rag MCP聊天机器人
用户界面/协调员：Streamlit
LLM（世代）：Ollama（骆驼3.2：最新）
矢量数据库：FAISS
嵌入：句子转换器（全MiniLM-L6-v2）
框架：LangChain实用程序
⚙️ 安装和执行 先决条件 Ollama：必须安装并且服务器必须正在运行。
模型拉取：确保通过终端下载所需的LLM：
Bash
Ollama Pull Callama 3.2 设置步骤 克隆存储库：
Bash
克隆https://github.com/Munesula/Agentic-Rag-MCP-Chatbot cd代理Rag MCP聊天机器人 激活虚拟环境：
Bash
python-m venv-venv venv\\Scripts\\activate#Windows 安装依赖关系：
Bash
pip安装-r要求.txt 发射顺序（关键） 系统需要三个并行步骤才能成功运行：
绕过SSL（如有必要）：在启动Streamlit之前，在终端中运行这些命令，以防止与网络相关的SSL下载错误：
Bash
设置REQUESTS_CA_BUNDLE= 设置CURL_CA_BUNDLE= 启动Ollama服务器：打开一个单独的终端并运行：
Bash
奥拉玛发球 运行聊天机器人（协调器）：在您激活的Python终端中，启动应用程序：
Bash
streamlit运行streamlit_app.py 🗺️ 架构流（模型上下文协议） 该系统是一个由Streamlit Coordinator管理的顺序、事件驱动的管道。
UI请求：用户提出问题。
检索步骤：协调器向检索代理发送检索值请求（MCP消息）。
上下文切换：检索代理搜索失败，找到相关块，并通过Retrieval_RESULT（MCP消息）将其传递给LLM响应代理。
最终生成：LLM响应代理调用Ollama LLM来合成最终答案。
💡 挑战和性能优化 解决了工程挑战：成功解决了加载嵌入模型所需的复杂SSL证书验证错误和Keras/TensorFlow版本不兼容问题。
性能调优：将LLM替换为更轻、更快的llama3.2模型，并为LLMResponseAgent配置了严格的num_prnate=256令牌限制，以提供快速、简洁的答案。